测试与验证非线性映射模型

为了在合理控制试验次数的同时，保证试验样本所得信息的完整性，采用正交设计方法来组织焊接试验。将正交试验样本集作为BP神经网络的训练样本，用来对网络进行训练。网络输入为前后丝电弧电流、前后丝电弧电压以及前后丝间距和焊接速度六组焊接参数，输出为前后丝各自电流信号对应的LMD能谱熵值。

根据正交试验设计原理组织工艺试验来进行网络训练样本的采集。在保证双丝埋弧焊电弧稳定和焊缝成形良好的情况下，保持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。

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；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水平正交表组织双丝埋弧焊工艺试验，所得试验数据见表6-1。有研究表明，采用完备的正交试验样本集来对BP神经网络进行训练，则通过该网络可以把与训练本具有相同影响因子的所有样本对应的取值高精度地预测出来，训练流程如图6-4所示。

表6-1 正交试验表

（续）

图6-4 BP神经网络训练流程

以正交试验表中所示I₁、U₁、I₂、U₂、l、v六组焊接参数作为BP神经网络的输入，I₁和I₂的LMD能谱熵值作为目标向量，对所设计的BP神经网络进行训练。确定网络学习速率设为0.03，目标函数均方误差为0.000001，隐含层节点数为13。隐含层传递函数选logsig对数S形函数，输出层采用purelin线性传递函数。网络训练误差收敛曲线如图6-5所示，经276步训练后达到所设定的目标误差。

图6-5 网络训练误差收敛曲线(www.xing528.com)

为了对所设计BP神经网络预测性能进行测试，设计了与正交样本集有相同影响因子和水平，但搭配不同的十组焊接参数进行焊接试验，同样采集两根电弧的电流信号进行LMD能谱熵的计算，结果见表6-2。从表中LMD能谱熵计算结果可知，编号为2、5、7、9的四组参数对应的前后丝电弧电流信号的LMD能谱熵值明显要比其他六组要大，因此这四组参数对应的电弧稳定性较差。同时从焊缝成形情况也可以看出，第2、5、7、9组参数对应的焊缝成形较其他六组要差。

表6-2 网络测试样本

图6-6 双丝电流信号LMD能谱熵预测结果

将以上测试样本输入已训练好的BP神经网络模型进行测试，所得预测结果如图6-6所示。其中图6-6a所示为前丝电流I₁所对应的LMD能谱熵计算值和预测值对比图，图6-6b所示为后丝电流I₂所对应的LMD能谱熵计算值和预测值对比图。从两图中可以很清楚地看出，对应于LMD能谱熵的计算结果，第2、5、7、9组参数下的电弧电流信号能谱熵预测值同样较其他几组要大。两组电流信号LMD能谱熵预测相对误差分别为5.83%和4.79%，表明所设计的双丝埋弧焊焊接参数与电弧能量特征BP神经网络模型能够满足精度要求，可以实现对双丝电弧稳定性的有效预测。双丝电流信号LMD能谱熵计算与预测结果见表6-3。

图6-6 双丝电流信号LMD能谱熵预测结果（续）

表6-3 双丝电流信号LMD能谱熵计算与预测结果