基于遺傳算法與神經網絡微電阻點焊工藝參數優化

高星鵬 陳 峰 王宇盛 黃 翔 童國權

(1 南京航空航天大學機電學院，南京市 210016)(2 成都飛機工業(集團)有限責任公司，成都市 610000)

0 引言

20世紀50年代以來，鈦合金在航空航天領域中的應用越來越廣泛［1］。航空航天中的眾多產品必須采用點焊方法來連接［2］，高超聲速飛行器是航空航天領域重要的發展方向之一，其中應用于飛行器結構外部熱防護系統(TPS)的金屬蜂窩板的瓦楞板箔材精密微連接技術是限制其進一步應用的關鍵技術。其中微電阻點焊由于其高效率、低能耗、易于實現自動化等優點，被認為是焊接金屬箔材的最有效的方法。目前被廣泛應用于精密電子、醫療器械、航空航天等領域。如圖1所示為鈦合金蜂窩板的結構示意圖，該蜂窩板是由兩塊0.8 mm厚的TC4面板和單層壁厚為0.05 mm的TC1蜂窩芯體釬焊而成，應用于熱防護系統的內側，主要起著承壓和隔熱作用，其中微電阻點焊主要應用于瓦楞板之間的連接。電阻點焊是一個非常復雜的過程，很難建立準確的數學模型［3］。D.Afshari等［4］人利用人工神經網絡預測AZ31鎂合金電阻點焊焊點的焊核直徑，WAN Xiaodong等［5］人利用BP和徑向基神經網絡建立了0.4 mm厚TC2板材微電阻點焊焊接接頭質量的預測模型，均獲得了良好的預測效果。

通常只通過焊點的剪切力來評價焊點的力學性能，但在特定的載荷條件下，焊點會承受一定的剝離力［6］，利用BP神經網絡建立點焊工藝參數與焊點力學性能的復雜模型，充分發揮BP神經網絡的非線性映射能力［7－8］，準確地描述點焊工藝參數與焊點接頭質量空間的映射關系［9－10］，同時結合遺傳算法的全局尋優能力，獲得點焊工藝參數的最優搭配，保證焊接質量。通過剪切力和剝離力來評價焊點綜合力學性能，涉及到工藝參數的多目標優化，但對于同一組參數，剪切力和剝離力一般不能同時達到最優值，因此可以根據實際應用環境或工程經驗分別賦予剪切力和剝離力相應的權值，可以將雙優化目標轉化為單優化目標［11］。本文以蜂窩板平面壓縮為應用背景，在之前對蜂窩板的平壓模擬研究中發現，在平壓過程中，面板主要承受水平方向的剪切力;蜂窩芯主要承受豎直方向的正壓力，即主要承受焊點的剪切力，只有在壓潰階段會承受水平方向的剝離力，所以這里主要研究焊點剪切力的影響，而達到平壓極限載荷時并不是所有焊點都發生了失效，每個焊點承受的剪切力和剝離力均不相同，所以每個焊點的權值分配也不相同，因此這里設定了一個典型權重0.8和0.2。以用來驗證多目標優化方法的可行性。

以0.05 mm厚TC1箔材為研究對象，通過正交試驗結果的極差分析研究焊接參數分別對微電阻點焊焊點剪切力和剝離力的影響;之后通過BP神經網絡建立了剪切力和剝離力混合目標預測模型;最后采用遺傳算法對訓練好的模型進行極值尋優，得出最優參數，并與正交優化結果進行對比，通過試驗驗證遺傳算法優化的準確性。

1 實驗

采用TC1鈦合金箔材，其化學成分如表1所示。根據YB/T4334標準［12］，拉剪試件尺寸為230 mm×12.5 mm×0.05 mm，如圖 2(a)所示;剝離試樣尺寸如圖2(b)所示。

表1 TC1鈦合金化學成分Tab.1 Chemical composition of TC1 質量分數/%

采用直徑為5 mm的Cu－Cr－Zr合金圓形電極來焊接箔材，焊前用丙酮溶液清洗后晾干，采用正交試驗以優化試驗方案，在試驗過程中發現，在微電阻焊接中保壓時間對拉伸－剪切力的影響較小，因此保壓時間取默認值1 000 ms;當電流在500 A以下時，會產生界面破壞;電流在500～800 A時，會發生撕裂破壞;電流在大于800 A時，會發生電極粘附現象。當電流略超過800 A時，由于焊核尺寸的進一步增大，剪切力會略有提高，但其離散性明顯增大。同時電極粘附現象也隨著電流的增大而愈加明顯。為了得到焊接性能良好，可靠且利于加工的焊點，焊接電流的范圍設定為500～800 A。選取焊接電流、電極壓力、爬坡時間、焊接時間為4種主要因素，每個因素選取三個水平，選用L27正交試驗表。微電阻點焊焊接工藝參數及正交試驗結果如表2所示。在島津(SHIMADZU)AG－IS拉伸試驗機上進行拉剪力和剝離力試驗，每組實驗重復3次，取其平均值。

表2 焊接工藝參數及正交試驗結果1)Tab.2 Parameters of weld procedure and orthogonal test results

2 焊接工藝參數對焊接性能影響

通過對表2正交試驗結果進行極差分析，其分析結果如表3和表4所示。

表3 剪切力正交試驗分析Tab.3 Orthogonal experimental analysis of shear force

表4 剝離力正交試驗分析Tab.4 Orthogonal experimental analysis of peel force

2.1 對拉伸－剪切力的影響

由表3看出:焊接電流的極差值達到了12.41，遠大于其他三個因素，排序為A＞B＞C＞D，對焊點剪切力影響最大的是焊接電流，隨后是電極壓力、爬坡時間，焊接時間對剪切力的影響最小?？梢园l現在微電阻與常規電阻點焊中，工藝參數對焊點剪切力的影響不同。焊接電流和電極壓力是影響焊點剪切力大小的重要因素，通過改變焊接電流和電極壓力可以有效地對焊點剪切力進行控制;爬坡時間和焊接時間的影響較小。

2.2 對剝離力的影響

從表4看出，極差大小排序為A＞C＞B＞D，對焊點剝離力影響最大的是焊接電流，隨后是爬坡時間、電極壓力，焊接時間對剝離力的影響最小;焊接電流的極差較大，表明焊接電流是影響焊點剝離力的重要因素，通過改變焊接電流可以有效地對焊點剪切力進行控制;電極壓力和爬坡時間的極差相近，表明兩者對焊點剪切力的影響程度相近;焊接時間對焊點剪切力的影響最小。

3 BP神經網絡模型的建立

3.1 神經網絡結構

將焊接電流、電極壓力、爬坡時間、焊接時間作為BP神經網絡模型的輸入量，焊點剪切力和剝離力的混合目標值作為BP神經網絡模型的輸出量，通常任意的n維到m維的映射都可以通過一個3層的BP網絡來完成［13］，增加網絡的層數一方面可以降低誤差、提高精度，但同時也使網絡更加復雜，從而降低了訓練效率［14］。因此建立了3層前向網絡，一個輸入層、一個隱層、一個輸出層的BP網絡。隱含層的節點數量可以根據經驗參照以下公式進行確定:

式中，l為隱含層的節點數，為要求的值;n為輸入層的節點數，即輸入的四個因素，取4;m為輸出層的節點數，即要求的混合目標值，取1;a為1～10區間內的常數?？梢钥闯?，經過多次嘗試，當隱含層的節點數為4時，預測值與測試值誤差最小，故選4。圖3為建立好的BP模型。

3.2 BP神經網絡訓練和預測

利用Matlab軟件將正交試驗的27組數據中的18組作為訓練樣本對BP神經網格進行訓練［15］，由于四個輸入參數具有不同的物理意義，數量級相差較大，為提高預測值的準確度，建模時對所有數據進行了歸一化處理，網絡輸出時通過反歸一化得到，并將這27組數據全部設為測試樣本來檢驗網絡的性能。設定目標誤差為1×10－9，最大迭代次數為1 000，訓練函數采用trainlm，輸入層與隱層以及隱層與輸出層的傳遞函數分別為tansig和purelin。圖4為網絡訓練過程，由圖4可知，經6次訓練網絡可達到要求。測試結果如圖5所示。由圖可知，最大預測誤差小于4%，說明網絡具有較高精度和預測能力。

4 點焊工藝參數遺傳算法優化

遺傳算法(GA)是通過模擬自然進化的過程，按照適者生存和優勝劣汰的原理來進行全局優化的方法，從而獲得最優解。

4.1 遺傳算法優化

將混合目標值作為目標函數，結合BP神經網絡及遺傳算法，對混合目標值進行全局尋優，其流程圖如圖6所示。通過MATLAB軟件自帶的gatool工具箱，對混合目標值進行極值尋優，從而獲得最優參數組合，設置種群大小為50，變異概率為0.2，交叉概率為0.8，經運算后，獲得最優個體。

4.2 優化結果分析及驗證

圖7為優化過程中適應度值變化曲線，經過137次循環迭代之后，獲得尋優結果為55.73 N。此時最優點焊工藝參數組合為:焊接電流800 A、電極壓力8.89 N、爬坡時間 1.608 ms、焊接時間 8 ms。

為驗證遺傳算法尋優結果的可靠性，對該工藝參數組合進行點焊試驗，并進行拉剪力和剝離力試驗，將其換算后與預測值進行比較，如表5第一組數據所示，預測模型的誤差小于4%，說明利用遺傳算法尋優獲得的結果是可靠的。

表6為混合目標正交分析表，可以得出混合目標的最優組合為A3B1C2D3，對應參數分別為焊接電流800 A，電極壓力8.89 N、爬坡時間3 ms、焊接時間8 ms，如表5第二組數據所示，在此參數下進行剪切力、剝離力試驗，測量三次取平均值，計算出混合目標值為55.68 N，小于遺傳算法尋優得出的試驗值，通過遺傳算法可以更精確地獲得最優參數。

表5 遺傳算法尋優精度Tab.5 Optimization accuracy of genetic algorithm

表6 混合目標正交試驗分析Tab.6 Orthogonal experimental analysis of peel force

5 結論

(1)對焊點剪切力影響最大的是焊接電流，其次是電極壓力和爬坡時間，焊接時間的影響最小。

(2)對焊點剝離力影響最大的是焊接電流，其次是爬坡時間和電極壓力，焊接時間的影響最小。

(3)基于點焊試驗數據與BP神經網絡，建立了0.05 mm厚TC1箔材精密微電阻點焊工藝參數與焊點質量之間的模型，預測誤差小于4%。

(4)利用遺傳算法(gatool)對電阻點焊工藝參數與焊接質量模型進行優化，充分發揮遺傳算法的全局尋優能力，可以獲得最優點焊工藝參數組合。

(5)可以通過BP神經網絡+遺傳算法對多目標進行優化，并應用到工程實際中。

［1］付艷艷，宋月清，惠松驍，等.航空用鈦合金的研究與應用進展［J］.稀有金屬，2006，30(6):850－856.

［2］嚴鏗，方圓.工藝參數對填充式攪拌摩擦無匙孔點焊性能的影響［J］.焊接學報，2010，31(10):93－96.

［3］龍振華，程蓉.基于人工智能的薄板電阻點焊數值分析及工藝參數優化［J］.組合機床與自動化加工技術，2013(6):139－141.

［4］AFSHARI D，TALEBI H.Prediction of nugget size for resistance spot weld of Mg alloys using artificial neural network［J］.Journal on Material Science，2015，3(1):8.

［5］WAN X，WANG Y，ZHAO D，et al.A comparison of two types of neural network for weld quality prediction in small scale resistance spot welding［J］.Mechanical Systems and Signal Processing，2017，93:634－644.

［6］PARK J M，KANG H T.Prediction of fatigue life for spot welds using back－propagation neural networks［J］.Materials＆ Design，2007，28(10):2577－2584.

［7］錢和平.基于神經網絡鋁基復合材料焊接接頭力學性能分析［J］.電焊機，2014，44(11):103－105.

［8］ROLICH T，AJATOVI A H，PAVLINI D Z.Application of artificial neural network(ANN)for prediction of fabrics’extensibility［J］.Fibers and Polymers，2010，11(6):917－923.

［9］王宸煜，黃金河.基于人工神經網絡的點焊工藝參數選擇和質量預測［J］.吉林大學學報(工)，1999(1):31－34.

［10］ MARTN，TIEDRA PD，LPEZ M.Artificial neural networks for pitting potential prediction of resistance spot welding joints of AISI 304 austenitic stainless steel［J］.Corrosion Science，2010，52(7):2397－2402.

［11］孫麗.基于遺傳算法BP神經網絡的多目標優化方法［J］.激光雜志，2016，37(8):123－128.

［12］金屬箔材室溫拉伸試驗方法［S］.2013.

［13］傅薈璇，趙紅，等.Matlab神經網絡應用設計［M］.北京:機械工業出版社，2010.

［14］朱文志，胡德安，陳益平，等.基于遺傳算法與神經網絡的電阻點焊工藝參數優化的研究［C］//第十五次全國焊接學術會議論文集.青海:中國機械工程學會，2010:232－236.

［15］PASHAZADEH H，GHEISARI Y，HAMEDI M.Statistical modeling and optimization of resistance spot welding process parameters using neural networks and multi－objective genetic algorithm［J］.Journal of Intelligent Manufacturing，2016，27(3):549－559.