焊接参数与电弧能量特征神经网络模型分析

BP神经网络应用的关键在于网络结构的选取与参数的设计^[8-10]，因此BP网络的设计过程实际上是一个网络参数不断调整的过程。

1.网络输入/输出节点参数确定

输入/输出节点参数与样本直接相关，因此只要样本格式确定，则BP网络的输入/输出节点参数可由样本格式得到。在第5章所述埋弧焊电弧信息处理，以前后丝电弧电流信号的LMD能谱熵值作为表征电弧稳定性的特征量，因此，取前后丝电流信号的LMD能谱熵值作为BP神经网络的输出。影响双丝埋弧焊电弧稳定性的因素主要为电源特性及焊接参数的搭配等，而电源特性受电源本身设计制造过程影响，在出厂时已经基本确定。因此，本章主要研究焊接参数的搭配对双丝埋弧焊电弧稳定性的影响。在保持后丝电弧交流频率和占空比以及焊丝直径不变的情况下，主要考察前后丝电流、电压的大小以及双丝间距和焊接速度六个因子对焊接过程电弧稳定性和焊缝成形质量的影响规律。因此，取前后丝电流、电压的大小以及双丝间距和焊接速度等六组参数作为BP神经网络的输入。根据双丝埋弧焊的常用焊接参数，设置前丝电流取值分别为550A、600A、650A、700A和750A；前丝电压的取值分别为30V、32V、34V、36V和38V；后丝电流的取值分别为400A、450A、500A、550A和600A；后丝电压的取值分别为34V、36V、38V、40V和42V；双丝间距取值分别为15mm、20mm、25mm、30mm和35mm；焊接速度取值分别为60cm/min、80cm/min、100cm/min、120cm/min和140cm/min。在此基础上固定后丝方波交流的频率为80Hz，占空比为0.5，焊丝直径为4mm，伸出长度为25mm，板厚为20mm以及其他条件保持不变的情况下，按照6因素5水平正交表L₂₅（5⁶）组织工艺试验，所得25组焊接参数搭配及其前后丝电流信号的LMD能谱熵作为BP神经网络的训练样本。

为了让BP网络的预测结果更加合理，首先需要对输入输出样本进行归一化处理，即采用简单线性变换的方式，使网络的输入输出数据均处在[0，1]范围之内。假设x_max和x_min是一组数据的最大值和最小值，则将这组数据进行归一化的方法为

由于网络输出为电流信号的LMD能谱熵，其取值均在[0，2]之间，因此只需对网络输入样本进行归一化处理。

2.隐含层及其节点数的确定

BP神经网络所具有的最大的特点是非线性函数的拟合。由于BP神经网络是通过网络输入到网络输出的计算来实现其非线性拟合功能的，所隐含层数的增多虽然可能会使预测结果更精确，但程序在实际应用中需要花费更长的运行时间。在隐含层数的确定上，有理论分析表明：隐含层数最多为两层即可。具有单隐含层的BP神经网络已经能够实现所有连续函数的映射，只有在对不连续函数进行逼近时，才需要大于一个隐含层的神经网络。所以，本章采用输入层-隐含层-输出层三层的结构模式来进行BP神经网络设计。

如何合理地选择隐含层节点的数目是神经网络设计过程中比较关键的问题，因为隐含层节点数直接关系到所设计网络预测性能的好坏。关于如何选取合适的隐含层节点数目前并无严格的理论指导。对于隐含层节点数量如何确定的问题，有学者提出隐含层节点数应等于输入与输出节点数之和的二分之一或者二次根的大拇指规则：

式中 m——输入节点数；

n——输出节点数。

另外关于隐含层节点的确定，有Komogorov定理指出：对于任意连续函数，可以由一个三层网络来精确实现它，其中网络输入有m个节点，隐含层有2m+1个节点，输出层有n个节点。(www.xing528.com)

但目前最常用的还是试验尝试法，即首先根据一定的规则确定隐含层节点的初始取值，然后在该初始值附近采用相同的样本训练具有不同隐含层节点数的网络，直到网络权值稳定不变为止。根据Komogorov定理，分别设置隐含层节点数为12、13、14来对网络进行训练，相应的误差收敛曲线如图6-2所示。从图中对比可以看出，当隐含层节点数为13时网络收敛速度最快。

图6-2 不同隐含层节点下的网络训练误差曲线

图6-2 不同隐含层节点下的网络训练误差曲线（续）

3.初始权值和学习速率的选择

在对网络进行初始化时，需要给各连接权值、阈值设定一个初始值。权值的初始值设置是否合理直接影响所设计网络能否最终达到设定的误差范围。如果权值初始值设置太高，会增加部分神经元的净输入，削弱了权值的调整作用。因此，对于初始权值的选取，尽量使其在输入累加时每个神经元的状态接近于零，这样可防止f（x_i）在开始时落到曲线的平坦处而使其微商接近于零。而且研究表明，若权值的初始值相等，则在学习过程中它们将保持恒定，从而无法使网络训练误差降到最小，所以权值的初始值不能全相同。设计的BP神经网络初始权值取[-1，1]之间的随机数，权值取值既小又各不相同，这样可以保证每个神经元一开始都在它们转换函数变化最大的地方进行。

BP算法的有效性和收敛性在很大程度上取决于学习速率_η的取值。η的最优值与具体问题相关，没有对任何问题都适合的η值。为了避免网络在训练过程中陷入局部极小，设定训练次数的上限为10000次，并确定训练目标误差为0.000001来进行网络训练。通过取不同的_η参数值不断地训练网络，当权值达到较稳定状态后，发现学习速率初始值_η=0.03时网络学习效果最理想。

4.焊接参数与电弧能量特征非线性映射模型

根据以上内容，设计双丝埋弧焊焊接参数与电弧能量稳定性特征BP神经网络非线性映射模型结构如图6-3所示。其中e₁、e₂分别为前后丝电流信号对应的LMD能谱熵值。

图6-3 焊接参数与电弧能量特征非线性映射模型结构