基于改進BP神經網絡收割機鉚接接頭力學性能預測

謝威,季丹丹

牡丹江師范學院,黑龍江牡丹江市157001

基于改進BP神經網絡收割機鉚接接頭力學性能預測

謝威,季丹丹

牡丹江師范學院,黑龍江牡丹江市157001

針對收割機結構鋼鋁材料的鉚接接頭力學性能差和技術難度大問題，使用改進的BP神經網絡模型研究鈑金結構厚度、硬度、接頭底部直徑等接頭技術參數與材料自身剪切力與剝離力強度等力學參數的映射關系。結果表明，訓練后的神經網絡模型能夠準確有效地預測收割機鉚接接頭力學性能，剪切強度最大相對誤差從7.44﹪下降到0.73﹪，剝離強度相對誤差從6.35﹪下降到0.65﹪，證實改進神經網絡應用于收割機鉚接接頭力學性能預測的可行性與可靠性，為收割機鋼鋁材料鉚接接頭設計提供參考依據。

收割機;改進BP神經網絡;鉚接接頭;力學性能

近年來隨著科學發展節能、綠色的設計思路越來越得到廣泛的運用，而針對農用收割機設計中的輕量化則成為實現這一目標的一種手段和途徑。目前對于收割機研究還局限在結構原理等方面[1,2]，伴隨著先進農用收割機框架及輕量化替代材料的出現，鋼鋁合金混合結構已經成為收割機輕量化的重點，具體詳見圖1。

傳統的連接方法包括螺紋連接、焊接和鉚接。螺紋連接與鉚接由于預先在板材上沖鉆孔故容易出現連接壓力控制不良的問題，焊接由于要對板材進行加熱容易對板材的機械性能進行惡性改變。無鉚釘自沖鉚技術克服了螺紋、焊接連接技術的缺點故在汽車領域運用逐漸變廣，而現有BP預測模型存在訓練精度低、收斂速度慢及泛化能力差等缺點[3,4]。因此，本文對BP神經網絡下的收割機鉚接接頭力學性能進行修正性研究，并對改進后的模型的力學預測進行研究，通過運用以上修正理論得到新模型的各項性能得到大大提高，為以后對鉚接接頭的優化設計研究提供一定的理論依據。

1 收割機無鉚釘自沖鉚工作原理

試驗所用的產品為BTM公司提供的Toy-L-Loc氣動無鉚釘沖壓鉚接機如圖2所示，主要部件有一個沖頭、一個活動凹模和彈性壓緊裝置。關于鉚接接頭質量的檢驗，BTM公司使用手冊中說明使用游標卡尺測試板件沖壓成形后的底部直徑(簡稱BD值)來評價[5]。

BTM裝置工作過程如圖3所示。第一步，板件被彈性夾緊裝置固定；第二步，沖頭將板件沖入凹模中；第三步，板件被擠壓“流動”，凹模張開，防止回彈，實現板件間的套嵌鎖死。

2 BP-ALM混合算法預測模型

2.1 動量系數計算

圖1 收割機Fig.1 Harvester machinery

圖2 鉚接接頭Fig.2 Clinching joint

圖3 鉚接接頭成型過程Fig.3 Process of forming clinching joint

通過以上公式關系我們可以對學習比率和動量進行分別定義，

式中：n表示迭代次數，η表示學習比率，ζ表示動量系數。

2.2 BP-ALM算法

根據Kolmogorov定理，一個三層BP網格即可完成任意n維空間到m維空間的映射，如圖4所示。整個網絡結構包括輸入節點、中間節點和輸出節點組成，Sigmoid公式被引入中間層和輸出層[6-8]。

圖4 BP-ALM的沖鉚預測模型Fig.4 BP-ALM prediction models of clinching joint

模型均方差由下式定義：

式中：ypj預期輸出節點值opj實際輸出節點值。

為了提出新的模型這里使用Sigmoid公式：

式中：dpj參考了L層節點j的誤差信號，而Opi參考了（L-1）層輸出節點i信號。

對此，整體的算法過程如下所示：

第一步：在區間[0,1]之間隨機選取wji，wkj，qj，qk的初始值。

第二步：將初始向量Xp施加于輸入節點。

第三步：計算網絡節點輸入中間層節點值和中間層j節點輸出值：

第七步，更新輸出層的權值和偏差：

第八步，更新中間層的權值和偏差：

第九步，回到第二步重復進行操作，直到總體誤差足夠小，計算終止。

3 收割機鉚接接頭模型驗證與分析

針對鉚接接頭機理特性，通過BP-ALM算法進行計算分析后得到程序計算結果，訓練次數為250，總的均方根誤差如圖5所示。由圖5可知，隨著訓練次數的增加，平均總均方誤差和最小總均方誤差都先減小后基本保持不變，且訓練完之后平均總均方誤差與最小總均方誤差相等。圖6為BP網絡訓練誤差曲線，由圖6可以看出，經過415次訓練以后，BP-ALM的訓練目標誤差為，運行時間為7.6 s。傳統的BP算法的預測模型在訓練目標誤差為的條件下，訓練次數為2988，運行時間為96 s。改進BP-ALM混合算法不僅比傳統的BP算法訓練次數少，而且預測精度高。

圖5 次數與均方差曲線Fig.5 Curve of number and mean square error

圖6 BP網絡訓練誤差曲線Fig.6 Curve ofBP network training error

表1為傳統與改進BP神經網絡預測值與預測誤差，由表1可知，傳統BP神經網絡對鉚接接頭剪切力強度預測最大值誤差為7.44﹪，最小誤差為1.1﹪；對鉚接接頭剝離力強度預測最大值誤差為6.35﹪，最小誤差為1.0﹪。而改進BP神經網絡對鉚接接頭剪切力強度預測最大值誤差為0.73﹪，最小誤差為0.1﹪；對鉚接接頭剝離力強度預測最大值誤差為0.65﹪，最小誤差為0.1﹪。對比BP與BP-ALM預測模型，針對材料自身剪切力與剝離力強度預測與測試結果的相對誤差。通過BP-ALM算法的預測模型在計算的穩定性和精確性要比傳統BP算法具有優勢。剪切強度最大相對誤差從7.44﹪下降到0.73﹪，剝離強度相對誤差從6.35﹪下降到0.65﹪，誤差分布趨于合理，誤差數值較小。

表1 傳統與改進BP神經網絡預測值與預測誤差Tab.1 Traditional and improved BPneural network prediction value and prediction error

4 結論

（1）針對鉚接接頭力學性能的，接受樣本訓練后的BP-ALM混合預測模型，在考慮鈑金件厚度、硬度以及接頭底部直徑等參數后，能夠在一定訓練數范圍中能夠正確的預測其力學性能。

（2）BP-ALM神經網絡預測模型相對標準BP神經網絡預測模型收斂時間較短，較穩定，預測精度較高。

（3）通過BP-ALM算法的預測模型在計算的穩定性和精確性要比傳統BP算法具有優勢。剪切強度最大相對誤差從7.44﹪下降到0.73﹪，剝離強度相對誤差從6.35﹪下降到0.65﹪，誤差分布趨于合理，誤差數值較小。

（4）訓練后的BP-ALM神經網絡預測模型的預測精度和泛化能力能夠滿足工程需要，能夠對后期的鋼鋁鉚接接頭進行優化設計提供理論依據。

[1]李耀明,葉曉飛,徐立章,等.聯合收割機行走半軸載荷測試系統構建與性能試驗[J].農業工程學報,2013,29(6):35-39

[2]張成濤,譚彧,吳剛,等.谷物聯合收割機電控全液壓轉向系統建模與仿真[J].農業工程學報,2012,29(20):11-16

[3]石玗,樊丁,陳劍虹.基于神經網絡方法的焊接接頭力學性能預測[J].焊接學報,2004,25(2):73-76

[4]張艷飛,董俊慧,張永志.基于自適應模糊神經網絡焊接接頭力學性能預測[J].焊接學報,2007,28(9):5-8

[5]龍江啟,蘭鳳崇,陳吉清,等.基于神經網絡無鉚釘自沖鉚接頭力學性能預測[J].計算機集成制造系統,2009,15(8):1614-1620

[6]VARIS J P.The suitability of clinching as a joining method for high-strengh structural steel[J].Journal of material Processing Technology,2003,132:242-249

[7]PEDRESCHI R F,SINHA B P.An experimental study of cold formed steel trusses using mechanical clinching[J]. Construction and Building Material,2008,22:921-931

[8]LONG Jiangqi,LAN Fengchong,CHEN Jiqing.New technology on lightweighting&steel-aluminum hybrid structure car body[J].Chinese Journal of Mechanical Engineering,2008,44(6):27-35

PredictionoftheHarvesterMachineryClinchingJointsforMechanical PropertiesBasedonImprovedBPNeuralNetwork

XIE Wei,JI Dan-dan
Mudanjiang Normal University,Mudanjiang 157001,China

Steel and aluminum materials for harvester machinery optimizing the design and structure of clinching joints mixed material body joints technical problems,this paper use the improved BP neural network of sheet thickness,hardness, joint bottom diameter connector fitting technical parameters and the material itself shearing strength and peeling strength and other mechanical parameters of the mapping.For improved neural network prediction results test results indicate that the trained neural network model can accurately and efficiently predict the mechanical properties of clinching joints;confirmed the improved neural network used in predicting the mechanical properties of clinching joints feasibility and reliability for the design of steel and aluminum materials clinching joints provide a reference.

Harvester;improved BP neural network;clinching joints;mechanical properties

TH124

A

1000-2324(2015)03-0430-04

2013-06-11

2013-06-23

謝威(1981-),女,漢族,遼寧省葫蘆島市人,,碩士,講師,研究方向:金融數學.