基于神經(jīng)網(wǎng)絡(luò)的藥芯焊絲GMAW發(fā)塵率預(yù)測(cè)

吳凱， 卜智翔， 羅佳， 朱師琦， 王立世

(1.湖北工業(yè)大學(xué)，武漢 430068;2.綠色輕工材料湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430068)

0 前言

GMAW焊接過(guò)程中產(chǎn)生的焊接煙塵包含有納米級(jí)金屬氧化物初始顆粒的團(tuán)聚體[1-2]，人體吸入這些焊接煙塵會(huì)誘發(fā)嚴(yán)重的肺病[3]。焊接工藝是影響焊接發(fā)塵率大小的關(guān)鍵因素之一[4-5]， 通過(guò)優(yōu)化焊接工藝參數(shù)可以達(dá)到降低焊接發(fā)塵率的效果。

焊接發(fā)塵率的影響因素復(fù)雜繁多，存在非線性特征，而人工神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的自學(xué)習(xí)和高速尋找優(yōu)化解的能力，對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行訓(xùn)練后，即可模擬預(yù)測(cè)出試驗(yàn)結(jié)果，實(shí)現(xiàn)復(fù)雜非線性關(guān)系映射，在焊接質(zhì)量檢測(cè)和工藝參數(shù)優(yōu)化等領(lǐng)域使用廣泛[6-8]。Vimal等人[9]以焊條電弧焊工藝參數(shù)為輸入變量，建立了以發(fā)塵率程度等級(jí)、飛濺熔渣、煙塵總量等多個(gè)輸出的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。該模型預(yù)測(cè)結(jié)果準(zhǔn)確度較高，但并未對(duì)發(fā)塵率的具體數(shù)值進(jìn)行預(yù)測(cè)。

為了提高預(yù)測(cè)的準(zhǔn)確性，研究將基于GMAW藥芯焊絲焊接發(fā)塵率的實(shí)測(cè)數(shù)據(jù)，通過(guò)選用合適的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并采用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，建立焊接主要工藝參數(shù)與焊接發(fā)塵率之間的預(yù)測(cè)模型。該模型對(duì)優(yōu)化焊接工藝，控制藥芯焊絲的發(fā)塵率，減少焊接煙塵的排放，具有理論指導(dǎo)意義。

1 試驗(yàn)步驟

1.1試驗(yàn)裝置及材料

基于濾膜稱重法，采用自行設(shè)計(jì)的焊接發(fā)塵率測(cè)量裝置進(jìn)行試驗(yàn)，試驗(yàn)裝置如圖1所示[10]。該裝置由運(yùn)動(dòng)控制系統(tǒng)、數(shù)據(jù)采集系統(tǒng)以及測(cè)塵室腔體組成，滿足ISO 15011-1:2009[11]國(guó)際標(biāo)準(zhǔn)要求,氣密性良好，可有效采集焊接煙塵，且能夠?qū)崿F(xiàn)試驗(yàn)參數(shù)的記錄和儲(chǔ)存。使用測(cè)量精度至0.1 mg的電子天平(JA5003B)來(lái)測(cè)量煙塵質(zhì)量。試驗(yàn)材料涉及到母材、藥芯焊絲和濾紙3種材料。選用尺寸為300 mm×150 mm×20 mm的母材Q235B，直徑為1.2 mm的藥芯焊絲E501T-1和直徑為280 mm的濾紙JK14058作為試驗(yàn)材料。

圖1 焊接發(fā)塵率測(cè)量裝置

1.2焊接發(fā)塵率的測(cè)試方法

測(cè)試前先對(duì)濾紙進(jìn)行稱重，每張濾紙測(cè)量3次后取平均值，測(cè)量完成后放入密封袋中保存。在半封閉條件下對(duì)焊接煙塵進(jìn)行抽濾，并通過(guò)濾紙收集焊接煙塵，最后再次測(cè)量濾紙的重量，通過(guò)濾紙前后的質(zhì)量變化及焊接時(shí)間，即可計(jì)算發(fā)塵率。

焊接發(fā)塵率是在焊接過(guò)程中單位時(shí)間產(chǎn)生的焊接煙塵質(zhì)量，表示為：

(1)

式中：RFF為焊接發(fā)塵率，mg/min；m1為焊接前濾紙的質(zhì)量，mg；m2為焊接后濾紙的質(zhì)量，mg；Δt為焊接時(shí)間，s。

GMAW焊接工藝參數(shù)見(jiàn)表1，根據(jù)ISO 15011-1: 2009的測(cè)試要求和規(guī)程，測(cè)量了139組數(shù)據(jù)。

表1 GMAW焊接工藝參數(shù)

2 神經(jīng)網(wǎng)絡(luò)模型

2.1BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種梯度下降單向傳播算法，運(yùn)用誤差反向傳遞的多層前饋神經(jīng)網(wǎng)絡(luò)。其由輸入層、隱含層和輸出層組成，每一層都連接到下一層。在學(xué)習(xí)過(guò)程中，每個(gè)輸入節(jié)點(diǎn)與某個(gè)權(quán)值相關(guān)聯(lián)，此權(quán)值將一部分輸入帶到神經(jīng)元進(jìn)行處理。輸入信號(hào)通過(guò)隱含層非線性變化作用于輸出節(jié)點(diǎn)，借助激活函數(shù)和傳遞函數(shù)將其轉(zhuǎn)換為輸出信號(hào)。輸出與期望輸出不相符時(shí)，則轉(zhuǎn)入誤差的反向傳播過(guò)程，以調(diào)整連接的權(quán)值和閾值，從而使輸出層的均方誤差(MSE)的總和最小[12]。隱含層神經(jīng)元數(shù)量主要是通過(guò)試錯(cuò)法確定的。

模型將以GMAW的4個(gè)主要參數(shù)：焊接電流、電弧電壓、焊接速度和保護(hù)氣體流量作為輸入量，焊接發(fā)塵率的預(yù)測(cè)值作為輸出量，即輸入層和輸出層的神經(jīng)元個(gè)數(shù)分別為4和1。隱含層的神經(jīng)元個(gè)數(shù)a2由公式確定：

(2)

式中：a1和a3分別為輸入層和輸出層的神經(jīng)元個(gè)數(shù)；n為區(qū)間[0，10]之間常數(shù)，用試錯(cuò)法確定隱含層最佳神經(jīng)元個(gè)數(shù)為7個(gè)。激活函數(shù)選擇雙曲正切函數(shù)，其表達(dá)式為：

(3)

在算法迭代調(diào)整誤差的過(guò)程中，如果連續(xù)迭代 6 次無(wú)法降低誤差值，則結(jié)束訓(xùn)練任務(wù)。

2.2Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上增加了一個(gè)承接層，其特征是延時(shí)和存儲(chǔ)隱含層的輸出，并反饋到隱含層的輸入。這種自反饋模式增加了神經(jīng)網(wǎng)絡(luò)處理動(dòng)態(tài)信息的能力。Elman神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的神經(jīng)元個(gè)數(shù)與BP神經(jīng)網(wǎng)絡(luò)相同，分別為4個(gè)和1個(gè)，隱含層的神經(jīng)元數(shù)目參考BP神經(jīng)網(wǎng)絡(luò)，以試錯(cuò)法選取為15個(gè)，激活函數(shù)同樣選擇雙曲正切函數(shù)。承接層神經(jīng)元數(shù)目與隱含層神經(jīng)元數(shù)目相同。Elman神經(jīng)網(wǎng)絡(luò)使用BP算法進(jìn)行權(quán)值校正。

建立的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。ω1為承接層到隱含層的權(quán)值矩陣，ω2為輸入層到隱含層的權(quán)值矩陣,ω3為隱含層到輸出層的權(quán)值矩陣。

圖2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.3遺傳算法優(yōu)化的BP和Elman神經(jīng)網(wǎng)絡(luò)

在實(shí)際應(yīng)用中，BP和Elman神經(jīng)網(wǎng)絡(luò)有易陷入局部最小值的缺點(diǎn)[13-14]，通過(guò)引入遺傳算法來(lái)優(yōu)化2種神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，能夠提高預(yù)測(cè)精度和收斂速度，解決陷入最小值的問(wèn)題[15]。圖3為GA-BP算法步驟。

圖3 GA-BP算法步驟

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)分為確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、 遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)3個(gè)部分。遺傳算法中，種群中的每一個(gè)個(gè)體都包含了一個(gè)網(wǎng)絡(luò)所有的權(quán)值和閾值，個(gè)體適應(yīng)度值通過(guò)適應(yīng)度函數(shù)計(jì)算，遺傳算法通過(guò)選擇、 交叉和變異操作找到最優(yōu)適應(yīng)度值對(duì)應(yīng)個(gè)體。BP神經(jīng)網(wǎng)絡(luò)用遺傳算法得到最優(yōu)個(gè)體對(duì)網(wǎng)絡(luò)初始權(quán)值和閾值賦值, 經(jīng)訓(xùn)練后輸出預(yù)測(cè)值。

遺傳算法優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的算法步驟與BP神經(jīng)網(wǎng)絡(luò)相同。在適應(yīng)度函數(shù)中，承接層權(quán)值和閾值的提取方法與隱含層編碼方法相同。

神經(jīng)網(wǎng)絡(luò)模型的試驗(yàn)數(shù)據(jù)被劃分為訓(xùn)練集和測(cè)試集，由124組數(shù)據(jù)和15組數(shù)據(jù)組成。GA-BP和GA-Elman的參數(shù)設(shè)置見(jiàn)表2。根據(jù)均方誤差MSE，通過(guò)試錯(cuò)法選擇合適的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和最優(yōu)參數(shù)。為了降低GA-Elman的均方誤差，遺傳算法的迭代次數(shù)調(diào)整為50次，Elman神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)調(diào)整為6 000次。

表2 GA-BP和GA-Elman的參數(shù)設(shè)置

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)前，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，消除每個(gè)焊接參數(shù)本身的差異，使數(shù)據(jù)范圍變換不失真。歸一化區(qū)間為[0，1]，表達(dá)式如下：

(4)

式中：xmin和xmax分別為某一工藝參數(shù)數(shù)據(jù)中的最小值和最大值；x為該參數(shù)取值范圍內(nèi)的任意值。

3 試驗(yàn)結(jié)果

表3是試驗(yàn)數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)，圖4是4種預(yù)測(cè)模型的誤差。依據(jù)焊接發(fā)塵率測(cè)試國(guó)際標(biāo)準(zhǔn)，要求相同條件下的發(fā)塵率誤差不超過(guò)±10%，因此將誤差超過(guò)10%視為不合格。BP神經(jīng)網(wǎng)絡(luò)模型中不合格數(shù)據(jù)為第2、第4、第7組，合格率為80%。Elman神經(jīng)網(wǎng)絡(luò)模型中不合格數(shù)據(jù)為第1、第2、第4、第7組，合格率為73.3%。GA-BP和GA-Elman模型中不合格數(shù)據(jù)分別為第4、第7組和第2、第7組，合格率均為86.7%。

表3 實(shí)測(cè)數(shù)據(jù)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)數(shù)據(jù)

遺傳算法優(yōu)化后，BP和Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果明顯比未優(yōu)化的好，預(yù)測(cè)合格率分別提升了6.7%和13.4%，且GA-BP的預(yù)測(cè)準(zhǔn)確度優(yōu)于GA-Elman。對(duì)比幾種預(yù)測(cè)結(jié)果，Elman神經(jīng)網(wǎng)絡(luò)模型相較于其它模型，大部分預(yù)測(cè)值比試驗(yàn)值小，有些數(shù)據(jù)存在較大誤差，這是因?yàn)镋lman神經(jīng)網(wǎng)絡(luò)的自聯(lián)方式對(duì)歷史數(shù)據(jù)具有敏感性，在訓(xùn)練數(shù)據(jù)量不大的情況下，其動(dòng)態(tài)特性并不能很好的體現(xiàn)，易陷入局部最小值。

圖4 4種預(yù)測(cè)模型的誤差

對(duì)于神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果可以采用均方誤差EMS和平均絕對(duì)百分比誤差EMAP這個(gè)評(píng)價(jià)指標(biāo)進(jìn)行評(píng)價(jià)，計(jì)算方法表達(dá)式為：

(5)

(6)

式中：Xi是預(yù)測(cè)值；xi是實(shí)測(cè)值；EMS是神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)值與實(shí)測(cè)值的整體偏差，EMS值越小越好。EMAP可以消除量綱的影響，用于評(píng)價(jià)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力，EMAP值越小，預(yù)測(cè)能力越好。表4是4種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果的性能。

表4 神經(jīng)網(wǎng)絡(luò)的性能

由表4中的數(shù)據(jù)可知，GA-BP預(yù)測(cè)模型的EMS值為586.21，EMAP為3.01%，是4種神經(jīng)網(wǎng)絡(luò)模型中預(yù)測(cè)能力最好的，其次是GA-Elman。BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力比Elman 神經(jīng)網(wǎng)絡(luò)模型好，GA-BP模型的預(yù)測(cè)能力比GA-Elman模型好。 其原因是Elman神經(jīng)網(wǎng)絡(luò)不能很好的修正隱含層和承接層構(gòu)成的遞歸權(quán)值和閾值矩陣，陷入局部最小值，因而其預(yù)測(cè)結(jié)果比BP神經(jīng)網(wǎng)絡(luò)差。通過(guò)遺傳算法對(duì)BP和Elman神經(jīng)網(wǎng)絡(luò)的輸入層到隱含層的權(quán)值和閾值，隱含層到輸出層的權(quán)值和閾值進(jìn)行優(yōu)化，同時(shí)增加迭代次數(shù)，收斂精度等參數(shù)，使得BP和Elman模型性能有了明顯的提升。通過(guò)分析各模型的EMS和EMAP值，GA-BP均為最小，因此GA-BP模型預(yù)測(cè)藥芯焊絲GMAW不同工藝的發(fā)塵率更為準(zhǔn)確可靠。

相關(guān)研究結(jié)果表明，焊接電流和電弧電壓對(duì)焊接發(fā)塵率的影響最為顯著[16]。為深入探討兩者對(duì)焊接發(fā)塵率的影響規(guī)律，根據(jù)焊接電流范圍170～380 A，間隔10 A取22個(gè)點(diǎn)，電弧電壓范圍24～34 V，間隔1 V取11個(gè)點(diǎn)，兩者互相匹配后，共獲得242組輸入數(shù)據(jù)，此時(shí)焊接速度為20 cm/min，保護(hù)氣流量為20 L/min，再采用GA-BP模型進(jìn)行焊接發(fā)塵率預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖5所示。焊接發(fā)塵率的最大值和最小值對(duì)應(yīng)的坐標(biāo)分別為(24 V，380 A，1 413 mg/min)和(26 V，170 A，270 mg/min)。

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

圖6為焊接發(fā)塵率隨焊接電流的變化曲線。焊接發(fā)塵率整體變化趨勢(shì)隨焊接電流的增大而增大。焊接電流較小時(shí)，焊接發(fā)塵率有一定的增長(zhǎng)但不顯著，電流增大到一定Ic后，焊接發(fā)塵率會(huì)有顯著的增長(zhǎng)，電弧電壓越大，Ic值也越大。電弧電壓U≥28 V時(shí)，焊接電流繼續(xù)增大，焊接發(fā)塵率將不再增長(zhǎng)，趨于平穩(wěn)；而電弧電壓U≤26 V時(shí)，焊接電流增大，焊接發(fā)塵率一直增長(zhǎng)，沒(méi)有平穩(wěn)區(qū)。

圖6 焊接電流對(duì)發(fā)塵率影響

圖7為焊接發(fā)塵率隨電弧電壓的變化曲線，結(jié)果表明，電弧電壓由24 V增至26 V時(shí)，焊接發(fā)塵率明顯下降；超過(guò)26 V后，焊接電流I≥270 A時(shí)，焊接發(fā)塵率會(huì)隨電弧電壓增大而有一定的減小，焊接電流I≤260 A時(shí)，會(huì)存在一個(gè)最小值。另外從整體來(lái)看，焊接電流越小，焊接發(fā)塵率越低。

圖7 電弧電壓對(duì)發(fā)塵率影響

4 結(jié)論

(1)4種神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果均能與試驗(yàn)數(shù)據(jù)良好的吻合，且遺傳算法優(yōu)化的模型在預(yù)測(cè)中具有更好的性能，其優(yōu)化后的BP和Elman神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)合格率分別提升了6.7%和13.4%。

(2)通過(guò)對(duì)比4種神經(jīng)網(wǎng)絡(luò)模型的EMS和EMAP，GA-BP模型的預(yù)測(cè)誤差最小，該模型用來(lái)預(yù)測(cè)焊接發(fā)塵率更為準(zhǔn)確可靠。

(3)應(yīng)用GA-BP模型，分析焊接電流和電弧電壓對(duì)焊接發(fā)塵率的影響，當(dāng)焊接速度為20 cm/min,保護(hù)氣流量為20 L/min時(shí)，焊接發(fā)塵率最小值出現(xiàn)在焊接電流為170 A，電弧電壓為26 V。