基于径向基函数神经网络和NSGA-Ⅱ的气保焊工艺多目标优化

发布时间：2021-07-13 10:01

　　以焊缝高宽比和深宽比作为优化目标,结合径向基函数神经网络和带精英策略的非支配排序的多目标遗传算法NSGA-Ⅱ,实现了多目标优化.建立了以焊接电压、送丝速度、焊接速度作为自变量,预测焊缝熔宽、余高和熔深的5种模型,即误差反向传播神经网络、遗传算法优化的误差反向传播神经网络、克里金插值法、径向基函数神经网络和二阶多项式回归模型.对比分析表明,径向基函数神经网络具有较高的预测精度和稳定性,最为合适.最后,利用NSGA-Ⅱ算法实现了以盖面焊和填充焊为应用场景的工艺参数多目标优化,试验证明了该优化方法的有效性. 

【文章来源】：天津大学学报(自然科学与工程技术版). 2020,53(10)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

试验装置

RBF神经网络与BP神经网络相比，是一种结构相似、收敛速度更快、能够逼近任意非线性函数的网络[12]．在建立RBF神经网络时，扩散系数直接影响最终建模效果，然而当前却没有标准的方法来选择扩散系数的大小，故这里采用数值试验来确定扩散系数，数值试验结果如图2(b)所示．在表2试验条件下，预测熔宽、余高和熔深的最适扩散系数分别为1.55、1.30和1.55.2.2 预测模型性能对比

将表2中后11组试验(序号28～38)用于测试模型性能，5种模型预测熔宽、余高和熔深的平均误差如表3所示．因为BP神经网络和GA-BP神经网络需要初始化权值和阈值，因此建模过程存在随机性，往往需要多次尝试才能获得满意的结果．而与BP神经网络和GA-BP神经网络相比，克里金插值法、RBF神经网络和回归模型则无需多次建模，具有更好的建模稳定性和可重复性．由表3可知，RBF神经网络对熔宽和熔深的预测平均误差最小，分别为4.12%和5.02%．在预测余高时，RBF神经网络也表现出良好的预测精度，其3.35%的平均误差为所有预测模型中第2优．另外，与平均预测性能表现同样良好的回归模型相比(如图3所示)，把每组预测的熔宽、余高和熔深相对误差整体当作考察对象，发现RBF神经网络对焊缝3种几何特征的预测只有1组试验中的预测相对误差大于10%，而回归模型却有8组，因此RBF神经网络对每次试验结果的预测能力波动更小、更稳定．综上，考虑建模过程的稳定性、预测精度和预测稳定性，RBF神经网络是最合适的预测模型．3 焊缝形貌多目标优化

【参考文献】：
期刊论文
[1]基于神经网络的焊机参数预测方法[J]. 杨亚超,全惠敏,邓林峰,赵振兴.  焊接学报. 2018(01)
[2]焊缝几何尺寸对钢管承载能力影响的模拟分析[J]. 乔桂英,刘雨萌,韩秀林,王旭,肖福仁.  焊接学报. 2017(03)
[3]动态模糊RBF神经网络焊接接头力学性能预测建模[J]. 张永志,董俊慧,朱红玲.  航空材料学报. 2016(05)
[4]基于多种群遗传算法与神经网络的激光-电弧复合焊接焊缝形貌预测[J]. 洪延武,刘双宇,徐春鹰,刘凤德,张宏.  应用激光. 2015(06)



本文编号：3281856