基于神经网络与食物链算法的工艺参数的优化

谢玉婷，张 华，鄢 威，张 辉

（武汉科技大学机械自动化学院，湖北武汉430081）

基于神经网络与食物链算法的工艺参数的优化

谢玉婷，张 华，鄢 威，张 辉

（武汉科技大学机械自动化学院，湖北武汉430081）

为了减少堆焊过程中的能源消耗和提高批量加工的焊件合格率，建立了一种批量加工的堆焊工艺参数优化方法。首先选择焊条直径、焊接电流、电弧电压、焊接速度、焊接层数作为待优化工艺参数，焊接过程中的能源消耗和焊件合格率作为优化目标，并设置约束条件，在试验中获得优化目标与待优化工艺参数之间的离散关系并建立“黑箱”函数模型，然后用神经网络的隐式来表达输入、输出的函数关系。并利用食物链算法对形式未知的函数求优化解，求得的最优解所对应的工艺参数即为一定工艺条件下的最优工艺参数。在此堆焊工艺参数下进行批量生产可以减少能源消耗并提高产品合格率。

批量；合格率；能耗；神经网络；食物链

0 前言

堆焊是用焊接方法在被焊金属表面制备具有特殊性能的堆焊层，具有效率高、周期短、成形美观、厚度均匀的特点，因此应用广泛，尤其在阀门零件的批量加工中应用较多。批量加工的产品，生产过程中能耗巨大，产品的合格率也需提升，这些都是堆焊工艺中急需要解决的问题，影响能耗和合格率的因素主要是堆焊的工艺参数。在现有技术中，已有文献对工艺参数的确定[1]，或是对工艺参数与焊接质量的关系进行了研究[2-3]，而能耗极少被考虑在内，参数的选取并没有一个确定的统一标准，在实际的选取中存有主观性，容易造成耗能高和总产品合格率低。

针对这一技术不足，研究出一种堆焊工艺参数优化的方法，使得堆焊过程耗能少，产品的合格率高，避免人为操作的主观性。此优化方法的总体流程如图1所示。

图1 总体工艺流程框图

首先，通过试验获得目标函数与各影响因素间的离散关系并建立函数模型，用神经网络的隐式来表达输入、输出的非线性的“黑箱”函数关系，即将试验数据作为样本输入网络进行训练，建立输入、输出之间的非线性映射关系，并将信息存储在链接权上，从而利用网络的记忆功能形成一个“虚拟”函数[4]；将建好的各函数模型组合成一个综合函数模型并作为食物链算法的目标函数，将参数限定范围作为初始种群的参考选择范围。利用食物链算法的类生命特征以及效率高、鲁棒性，在优化过程中不依赖于优化问题本身的严格数学问题，即不需要目标函数和约束条件的精确数学描述等优点对形式未知的函数求优化解[5]，求得的最优解所对应的工艺参数即为一定工艺条件下的最优工艺参数。

1 工艺参数的选择

焊接工艺参数是指焊接时为保证焊接质量以及减少能源消耗、环境污染而选取的一些物理量的总称，焊接规范中常见的工艺参数有焊条直径D、焊接电流I、电弧电压U、焊接速度v，对于堆焊工艺，研究中将焊接层数n也作为待优化工艺参数。通过优化堆焊工艺参数，达到节约能源、提高批量产品的合格率的目的。在加工过程中，这些工艺参数之间以及与能耗和焊件合格率也存在关联：首先根据待焊件厚度H来确定所需焊条的焊条直径D，不同的焊条直径适用于不同的焊接电流I，电流决定能源的消耗量，也影响焊条的熔化速度和母材的熔深，使产生的熔池形状不同，直接影响焊件的质量；电弧电压U与电流有一定的匹配关系，共同影响能源的消耗；焊接速度v直接决定生产率，但焊接速度过大会造成未焊透等现象，影响焊件质量，进而影响批量产品的合格率；对质量有要求的焊缝，焊层n每层厚度不大于4～5 mm，也可根据经验公式n=H/D（n为层数，H为焊件厚度，D为焊条直径）来确定[6]。研究中建立了工艺参数相关的数组，记作{D，U，I，v，n}。

2 优化目标的确定

研究中针对批量生产，将焊接过程中的能耗和焊接产品的合格率作为优化的目标，其与待优化工艺参数之间的关系可分别做如下分析。

（1）工艺参数与能耗之间的关系。

焊接过程中主要的能耗出现在施焊过程，能源的消耗受焊接电流的影响，焊接电流根据焊条直径、焊接层次等来选择，焊条直径越粗，熔化焊条所需的热量越大，必须增大焊接电流；电弧电压与电流有一定的匹配关系，共同影响能源的消耗，电弧电压大小取决于电弧长度，电弧长度又与焊条的直径有关，一般电弧长度等于焊条直径的1/2～1倍为好；焊接速度与焊接[6]电流和电弧电压相关。

由此得出焊接过程中的能耗会受到焊条直径、焊接电流、电弧电压、焊接速度、焊接层数的综合影响。可建立单个焊件的能量消耗函数模型为

EC（X）=EC（D，I，U，v，n）

批量生产中，焊接能耗为所有产品焊接过程中消耗能量的总和。基于此，建立了批量生产过程中能耗与待优化工艺参数的“黑箱”函数模型

式中EC（X）为能量消耗；M为M台设备；N为N件产品。

（2）工艺参数与焊件合格率的关系。

随着焊接电流的增大，热输入增加，焊条的熔化速度加快，电弧压力和熔滴冲击力提高，从而使熔池的下凹变形、隆起等增大，熔池的表面变形也更加严重，熔池形态是影响焊接质量的主要因素之一，因此焊接质量的高低也受到所选择的工艺参数的影响。

批量加工的焊接产品质量用合格率来表现，合格率=合格产品数/总产品件数。研究中将工艺参数与合格率联系起来，建立了合格率与工艺参数的“黑箱”函数模型

式中Q（X）为批量生产的焊接产品的合格率。

在实际焊接过程中，提高焊接速度可以提高生产率，减少能量消耗，但会影响焊件的质量进而影响批量产品的合格率；提高质量即增大合格率能够减少废品的出现，但会增加能量的消耗，所以应该综合考虑各参数与焊件合格率和能量消耗的关系，即将能耗和合格率两个目标转化为一个目标进行优化，可建立综合优化模型

Ymin为最优模型。

3 约束条件的确定

利用堆焊工艺焊接一批产品，焊件厚度一定的情况下，焊条直径便有一个可选择的范围，D（单位：mm）为常用的焊条直径；每种焊条都有一个最适合的电流范围，电流范围上限为I2，下限为I1；根据焊条直径和焊接电流可以确定电弧电压的适用范围，电弧电压范围上限为U2，下限为U1；根据所选择的电流电压并结合实际热输入情况可以确定焊接速度的范围，焊接速度范围上限为v2，下限为v1；焊层每层厚度不大于4～5 mm，也可根据经验公式n=H/D（n为层数，H为焊件厚度，D为焊条直径）来确定，焊接层数范围上限n2，下限n1。因此可以设置约束条件如下：

约束条件中，D给出的是一定板厚下常用的焊条的直径。

4 参数优化方法选择

通过试验获得优化目标与焊接工艺参数之间的离散关系，并建立“模糊”函数模型，对函数进行求解之前，需要获得输入、输出的拟合函数，并对比拟合预测的结果与实测结果，保证结果的准确性。

获得拟合函数的方法一般有：最小二乘法、正交多项式法、最佳平方逼近法、神经网络等，相较于其他方法，神经网络的训练速度快，在样本数据较少的情况下优势明显，并且是解决黑箱函数的一种很好的方法，所以本研究选择了神经网络的方法来拟合输入、输出之间的关系。

通过建立“黑箱”函数关系，用神经网络的隐式来表达输入、输出之间的模糊函数关系，即将试验数据作为样本输入网络进行训练，建立输入、输出之间的非线性映射关系，并将信息存储在连接权上，利用网络的记忆功能形成虚拟函数，在后续的计算中可以直接调用此虚拟函数，无须明确的函数关系式。

然后对此综合函数实施最优值求解，研究中利用食物链算法进行最优值求解，和其他算法相比较，食物链算法在函数优化方面有很强的优势[7]。食物链算法采用自上而下的原则与突现集群的思想[8]，具有很强的类生命特征，比如自治、进化、自适应性等；效率高；无须过多的集中约束，更具鲁棒性；在优化过程中不依赖于优化问题本身的严格数学问题，即不需要目标函数和约束条件的精确数学描述；具有潜在的并行性，可以同时从多个点进行搜索；算法实现简单，能够高效、准确地求解出最优值。其步骤如下[9]：

（1）初始化。设置优化变量及初始样本，将焊接产品合格率和能量消耗的综合优化函数模型作为优化目标函数。

（2）觅食。设置邻域大小作为每一次寻优的范围，通过比较Y值大小作为觅食行为，保留较小的值，记作Ymin，若所有人工生命都完成一次搜索，算法进入下一步。

（3）更新位置。所有的生命个体均完成一次觅食行为之后，构成新的人工生命，这个过程相当于通过寻优机制，各人工生命个体实现了更新与优化。

（4）成熟个体的选择。按比例确定成熟及死亡人工生命个体，将所有的人工生命个体按其目标函数值从小到大排序，选取前半部分的人工生命个体作为成熟个体进入下一步，即进行新陈代谢活动；后半部分的人工生命个体作为死亡个体，从人工生命世界中淘汰。

（5）新陈代谢。设置随机数生成函数，生成和成熟生命个体数量相同的子代人工生命个体，并与成熟的生命个体共同组成新的人工生命集体。

（6）循环控制。当循环总代数不小于设定的最大循环代数，算法结束。

算法流程如图2所示。

输出算法结束时的全局最优解即为综合函数模型的最优值，对应的各参数值即为最优的工艺参数，然后将参数代入已经训练好的神经网络模型，便可得到优化的合格率和能量消耗值。

图2 神经网络与食物链算法结合的流程框图

5 应用实例

本研究搜集某阀门公司安全阀阀瓣的堆焊工艺批量加工过程中的数据，有3台型号为AX的直流弧焊机焊接100件安全阀的阀瓣，焊件厚度均为10 mm。工艺参数优化的步骤如下：

（1）选择焊条直径D、焊接电流I、电弧电压U、焊接速度v、焊接层数n作为堆焊工艺待优化的工艺参数，并建立工艺参数数组，记作{D，U，I，v，n}。

（2）选择堆焊中能源消耗EC和焊件合格率Q作为优化目标，堆焊过程中能源消耗与堆焊工艺参数相关。在批量生产中，能源消耗为焊接所有产品的焊接过程中所消耗的能源的总和，可建立能源消耗的“黑箱”函数模型

式中EC（X）为能量消耗；M为M台设备；N为N件产品。

单个焊件的质量也同样受所选择工艺参数的影响。批量加工的焊接产品，所有产品的质量用合格率来表现，合格率=合格产品数/总产品件数。研究中将工艺参数与合格率联系，建立了合格率与工艺参数的“黑箱”函数模型：

式中Q（X）为批量生产的焊接产品的合格率。

在实际焊接过程中，提高焊接速度可以提高生产率，减少能量消耗，但会影响焊件的质量进而影响批量产品的合格率；提高质量即增大合格率可以减少废品的出现，但会增加能量的消耗，所以综合考虑各参数与焊件合格率和能量消耗的关系，将能耗和合格率两个目标转化为一个目标进行优化，可建立综合优化模型

Ymin为最优模型。

（3）利用堆焊工艺焊接一批产品，焊件厚度一定的情况下，焊条直径便有一个可选择的范围，D（单位：mm）为给出的常用的焊条直径；每种焊条都有一个最适合的电流范围；根据焊条直径和焊接电流可以确定电弧电压的适用范围；根据所选择的电流电压并结合实际热输入情况可以确定焊接速度的范围；焊层每层厚度不大于4～5 mm，也可根据经验公式n=H/D（n为层数，H为焊件厚度，D为焊条直径）来确定。焊条直径与焊件厚度和焊接电流的关系如表1和表2所示[6]。

表1 焊条直径与焊件厚度的关系/mm

表2 焊条直径与焊件厚度的关系

根据理论依据和具体的工艺情况，确定各参数的取值范围如下：

（4）从实验中搜集工艺参数和优化目标的数据作为样本数据，每次取出20组数据作为神经网络的训练样本，另外2组作为验证，具体数据如表3所示。

表3 输入样本与输出样本

将焊条直径、焊接电流、电弧电压、焊接速度、焊接层数5个焊接工艺参数作为人工神经网络的输入，输出为焊接产品的合格率和焊接过程中能量的消耗。由于表格中的数据单位不同，数据跨度较大，需要对样本数据进行归一化处理，处理的方法为：将表格中的数据带入公式x=（xi-xmin）/（xmax-xmin）进行计算，式中的x指处理后的数据，xi为待处理的数据，xmax，xmin分别为待处理数据中的最大值和最小值。处理后的数据输入神经网络，通过神经网络拟合工艺参数和优化目标、综合优化目标之间的函数关系，设置光滑因子r=0.1，可得到网络的预测误差如图3所示。

图3 神经网络的拟合曲线

由图3可知，通过神经网络可以较好地得到输入与输出之间的关系，即工艺参数与优化目标能源消耗、合格率之间的“模糊”函数关系。运用食物链算法求解此函数的最优解。

对比通过神经网络得到的预测值与样本值，如表4所示。

表4 焊条直径与焊件厚度的关系

由表4可知，可以通过神经网络拟合使输出结果接近于最优回归面，然后实施食物链算法求解函数的最优值。

食物链初始参数设置如下：待优化变量个数为5，从限定范围的参数中选择样本作为初始人工生命个体，各级初始样本数为10，各级样本数最大为40，最大循环次数为200次。

当达到最大循环次数算法停止时，得到的最佳目标函数值Ymin=0.043，此时得到的各参数的值分别为D=4.5 mm，I=180 V，U=21 V，v=53 cm/min，n=2。将以上参数带入到人工神经网络中，作为输入参数，可直接得到输出为Q（X）=94.8％，EC（X）=10 300.2 kJ，即为研究中工艺参数以及优化目标的最优化解。在此堆焊工艺参数下进行批量安全阀的阀瓣生产，可以减少能源消耗并提高产品的合格率。

6 结论

运用神经网络和食物链算法结合的参数优化方法，把堆焊工艺批量生产过程中的能耗总和以及焊件的合格率作为优化目标，对堆焊工艺的工艺参数进行优化，优化结果可以使堆焊过程耗能少，产品合格率高，避免人为操作的主观性，提高生产效率。

[1]周志军，候淑芳.埋弧自动堆焊工艺参数的确定[J].南通航运职业技术学院学报，2006（3）：81-85.

[2]刘政军，慈鸿钢.工艺参数对堆焊层组织性能的影响[J].焊接学报，2009（12）：49-52.

[3]鲜玉强，周英俊.堆焊工艺参数对焊缝质量和合金过渡的影响[J].重庆建筑大学学报，1999（3）：78-81.

[4]罗毅，曹华军.基于GRNN网络的CO2气体保护焊工艺碳排放建模与参数优化[J].中国机械工程，2013，17（9）：2398-2402.

[5]喻海飞，汪定伟.食物链算法及其与实编码遗传算法性能比较研究[J].系统工程理论与实践，2007，6（6）：143-148.

[6]中国工程机械学会焊接学会.焊接手册[M].北京：机械工业出版社，2007.

[7]Cariani，Peter.Emergence and artificial life[C]//Artificial life II.Addison-Wesley,1992：775-797.

[8]喻海飞，汪定伟.食物链算法及其在供应链计划中的应用[J].系统仿真学报，2005，17（5）：1195-1198.

Optimization of welding process parameters based on the neural network and food chain algorithm

XIE Yuting，ZHANG Hua，YAN Wei，ZHANG Hui
（Institute of Mechanical Automation，Wuhan University of Science and Technology，Wuhan 430081，China）

：To reduce the energy consumption and improve the weldment pass rate of welding batch processing，set up a welding process parameter optimization method for batch processing.First select the electrode diameter，the welding current，arc voltage，welding speed，the number of layers as welding process parameters to be optimized，choice the energy consumption of welding process and the weldment pass rate as the optimization goal，and set the constraints.In the tests to obtain discrete relationship between the optimization goal and process parameters to be optimized and establish a"black box"function model，and then use the implicit function neural network to express the relationship between input and output.And use the food chain to find the optimal solution of the function algorithm, corresponding to the optimal solution obtained is the optimal process parameters for the process parameters under certain conditions. In the welding process parameters under batch production can reduce energy consumption and improve the pass rate.

batch；pass rate；energy consumption；neural networks；food chain

TG409

A

1001-2303（2015）08-0189-06

10.7512/j.issn.1001-2303.2015.08.41

2014-07-06；

2014-12-26

国家863计划项目（2012AA040101）；国家自然科学基金项目（51275365）

谢玉婷（1989—），女，湖北十堰人，硕士，主要从事绿色制造方面的研究工作。