本文摘要：發(fā)表學(xué)術(shù)論文網(wǎng) 辦的非常成功，極具口碑。在這里，你可以找到最具時(shí)事性的文章和最具代表性的各類文章。當(dāng)然，因?yàn)槊赓M(fèi)和開源，大家都可以學(xué)習(xí)、借鑒和共同使用，如果你需要專屬于個(gè)人的原創(chuàng)文章，請(qǐng)點(diǎn)擊鏈接獲得專業(yè)文秘寫作服務(wù)。 摘要：本文提出了一種利用
發(fā)表學(xué)術(shù)論文網(wǎng)辦的非常成功，極具口碑。在這里，你可以找到最具時(shí)事性的文章和最具代表性的各類文章。當(dāng)然，因?yàn)槊赓M(fèi)和開源，大家都可以學(xué)習(xí)、借鑒和共同使用，如果你需要專屬于個(gè)人的原創(chuàng)文章，請(qǐng)點(diǎn)擊鏈接獲得專業(yè)文秘寫作服務(wù)。
摘要：本文提出了一種利用神經(jīng)網(wǎng)絡(luò)優(yōu)化點(diǎn)焊機(jī)的參數(shù)方法。以實(shí)驗(yàn)數(shù)據(jù)為樣本，通過神經(jīng)網(wǎng)絡(luò)建立焊接工藝參數(shù)與焊接質(zhì)量的之間的復(fù)雜模型，利用神經(jīng)網(wǎng)絡(luò)對(duì)工藝參數(shù)進(jìn)行優(yōu)化。充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力。仿真顯示了該方法的優(yōu)越性和有效性。
關(guān)鍵詞：電阻點(diǎn)焊;神經(jīng)網(wǎng)絡(luò);消音鋸片
0序言
電阻點(diǎn)焊過程是一個(gè)高度非線性，既有多變量靜態(tài)疊加又有動(dòng)態(tài)耦合，同時(shí)又具有大量隨機(jī)不確定因素的復(fù)雜過程。這種復(fù)雜性使得傳統(tǒng)方法確定最佳工藝參數(shù)存在操作復(fù)雜、精度低等缺陷。
本文通過深入研究提出了一種神經(jīng)網(wǎng)絡(luò)優(yōu)化消音鋸片電阻點(diǎn)焊工藝參數(shù)方法。以試驗(yàn)數(shù)據(jù)為樣本，通過神經(jīng)網(wǎng)絡(luò)，建立焊接工藝參數(shù)與焊接性能之間的復(fù)雜模型，充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的非線性映射能力。為準(zhǔn)確預(yù)測(cè)點(diǎn)焊質(zhì)量提高依據(jù)。在運(yùn)用試驗(yàn)手段、神經(jīng)網(wǎng)絡(luò)高度非線性擬合能力結(jié)合的方式，能在很大程度上克服傳統(tǒng)方法的缺陷，完成網(wǎng)絡(luò)的訓(xùn)練、檢驗(yàn)和最優(yōu)評(píng)價(jià)，為電阻點(diǎn)焊過程的決策和控制提供可靠依據(jù)。
1原理
人工神經(jīng)網(wǎng)絡(luò)是用物理模型模擬生物神經(jīng)網(wǎng)絡(luò)的基本功能和結(jié)構(gòu)，可以在未知被控對(duì)象和業(yè)務(wù)模型情況下達(dá)到學(xué)習(xí)的目的。建立神經(jīng)網(wǎng)絡(luò)是利用神經(jīng)網(wǎng)絡(luò)高度并行的信息處理能力，較強(qiáng)的非線性映射能力及自適應(yīng)學(xué)習(xí)能力，同時(shí)為消除復(fù)雜系統(tǒng)的制約因素提供了手段。人工神經(jīng)網(wǎng)絡(luò)在足夠多的樣本數(shù)據(jù)的基礎(chǔ)上，可以很好地比較任意復(fù)雜的非線性函數(shù)。另外，神經(jīng)網(wǎng)絡(luò)的并行結(jié)構(gòu)可用硬件實(shí)現(xiàn)的方法進(jìn)行開發(fā)。目前應(yīng)用最成熟最廣泛的一種神經(jīng)網(wǎng)絡(luò)是前饋多層神經(jīng)網(wǎng)絡(luò)(BP)，通常稱為BP神經(jīng)網(wǎng)絡(luò)。
神經(jīng)網(wǎng)絡(luò)方法的基本思想是：神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與神經(jīng)網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系用以表示系統(tǒng)的結(jié)構(gòu)參數(shù)與系統(tǒng)動(dòng)態(tài)參數(shù)之間的復(fù)雜的物理關(guān)系，即訓(xùn)練。我們發(fā)現(xiàn)利用經(jīng)過訓(xùn)練的模型進(jìn)行權(quán)值和閾值的再修改和優(yōu)化(稱之為學(xué)習(xí))時(shí)，其計(jì)算速度要大大快于基于其他優(yōu)化計(jì)算的速度。
BP神經(jīng)網(wǎng)絡(luò)一般由大量的非線性處理單元——神經(jīng)元連接組成的。具有大規(guī)模并行處理信息能力和極強(qiáng)的的容錯(cuò)性。每個(gè)神經(jīng)元有一個(gè)單一的輸出，但可以把這個(gè)輸出量與下一層的多個(gè)神經(jīng)元相連，每個(gè)連接通路對(duì)應(yīng)一個(gè)連接權(quán)系數(shù)。根據(jù)功能可以把神經(jīng)網(wǎng)絡(luò)分為輸入層，隱含層(一或多層)，輸出層三個(gè)部分。設(shè)每層輸入為ui(q)輸出為vi(q)。同時(shí)，給定了P組輸入和輸出樣本 ，dp(p=200)。
(6)
該網(wǎng)絡(luò)實(shí)質(zhì)上是對(duì)任意非線性映射關(guān)系的一種逼近，由于采用的是全局逼近的方法，因而BP網(wǎng)絡(luò)具有較好的泛化的能力。
我們主要是利用神經(jīng)網(wǎng)絡(luò)的非線性自適應(yīng)能力，將它用于消音鋸片的電阻點(diǎn)焊過程。訓(xùn)練過程是：通過點(diǎn)焊實(shí)驗(yàn)獲得目標(biāo)函數(shù)與各影響因素間的離散關(guān)系，用神經(jīng)網(wǎng)絡(luò)的隱式來表達(dá)輸入輸出的函數(shù)關(guān)系，即將實(shí)驗(yàn)數(shù)據(jù)作為樣本輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立輸入輸出之間的非線性映射關(guān)系，并將知識(shí)信息儲(chǔ)存在連接權(quán)上，從而利用網(wǎng)絡(luò)的記憶功能形成一個(gè)函數(shù)。不斷地迭代可以達(dá)到sse(誤差平方和)最小。
我們這次做的消音金剛石鋸片電焊機(jī)，通過實(shí)驗(yàn)發(fā)現(xiàn)可以通過采用雙隱層BP神經(jīng)網(wǎng)絡(luò)就可以很好的反應(yīng)輸入輸出參數(shù)的非線性關(guān)系。輸入神經(jīng)元為3，分別對(duì)應(yīng)3個(gè)電阻點(diǎn)焊工藝參數(shù)。輸出神經(jīng)元為1，對(duì)應(yīng)焊接質(zhì)量指標(biāo)參數(shù)。設(shè)第1隱含層神經(jīng)元取為s1，第2隱含層神經(jīng)元取為s2。輸入層和隱含層以及隱層之間的激活函數(shù)都選取Log-Sigmoid型函數(shù)，輸出層的激活函數(shù)選取Pureline型函數(shù)。
2點(diǎn)焊樣本的選取
影響點(diǎn)焊質(zhì)量的參數(shù)有很多，我們選取點(diǎn)焊時(shí)的控制參數(shù)，即點(diǎn)焊時(shí)間，電極力和焊接電流，在固定式點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)。選用鋼種為50Mn2V，Φ600m的消音型薄型圓鋸片基體為進(jìn)行實(shí)驗(yàn)。對(duì)需要優(yōu)化的參數(shù)為點(diǎn)焊時(shí)間，電極力和焊接電流3個(gè)參數(shù)進(jìn)行的訓(xùn)練。最后的結(jié)果為焊接質(zhì)量，通常以鋸片的抗拉剪載荷為指標(biāo)。
建立BP神經(jīng)網(wǎng)絡(luò)時(shí)，選擇樣本非常重要。樣本的選取關(guān)系到所建立的網(wǎng)絡(luò)模型能否正確反映所選點(diǎn)焊參數(shù)和輸出之間的關(guān)系。利用插值法，將輸入變量在較理想的區(qū)間均勻分布取值，如果有m個(gè)輸入量，每個(gè)輸入量均勻取n個(gè)值(即每個(gè)輸入量有m個(gè)水平數(shù)), 則根據(jù)排列組合有nm個(gè)樣本。對(duì)應(yīng)于本例，有3個(gè)輸入量，每個(gè)變量有5個(gè)水平數(shù)，這樣訓(xùn)練樣本的數(shù)目就為53=125個(gè)。
我們的實(shí)驗(yàn)，是以工人的經(jīng)驗(yàn)為參考依據(jù)，發(fā)現(xiàn)點(diǎn)焊時(shí)間范圍為2~8s，電極力范圍為500~3000N，點(diǎn)焊電流范圍為5~20kA時(shí)，焊接質(zhì)量比較好。我們先取點(diǎn)焊電流，電極力為定量，在合理的范圍內(nèi)不斷改變點(diǎn)焊時(shí)間，得到抗拉剪載荷。如此，可以得到不同點(diǎn)焊電流和電極力的抗拉剪載荷。根據(jù)點(diǎn)焊數(shù)據(jù)的發(fā)布情況，我們共選用200組數(shù)據(jù)。部分測(cè)試數(shù)據(jù)如表1：
神經(jīng)網(wǎng)絡(luò)建模的關(guān)鍵是訓(xùn)練，而訓(xùn)練時(shí)隨著輸入?yún)?shù)個(gè)數(shù)的增加樣本的排列組合數(shù)也急劇增加，這就給神經(jīng)網(wǎng)絡(luò)建模帶來了很大的工作量，甚至于無法達(dá)到訓(xùn)練目的。
3神經(jīng)網(wǎng)絡(luò)
我們用200組訓(xùn)練樣本對(duì)進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以err_goal=0.01為目標(biāo)。調(diào)用Matlab神經(jīng)網(wǎng)絡(luò)工具箱中的函數(shù)編程計(jì)算，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練，訓(xùn)練完成后便得到一個(gè)網(wǎng)絡(luò)模型。
程序
x1=[2.1 2.5 3 3.5 4……]; %點(diǎn)焊時(shí)間輸入，取200組
x2=[1.3 1.5 1.9 2.1 2.3……];%電極力輸入，取200組
x3=[9 10 11 12 13……];%點(diǎn)焊電流輸入，取200組
y=[2756 3167 3895 3264 2877……]; %輸出量，取200組
net=newff([1 10;0.5 3;5 20],[10 10 1],{‘tansig‘‘tansig‘‘purelin‘});
%初始化網(wǎng)絡(luò)
net.trainParam.goal = 0.01;%設(shè)定目標(biāo)值
net=train(net,[x1;x2;x3],y);%訓(xùn)練網(wǎng)絡(luò)
figure; %畫出圖像
選取不同的s1,s2，經(jīng)過不斷的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，發(fā)現(xiàn)當(dāng)s1=8,s2=6時(shí)，神經(jīng)網(wǎng)絡(luò)可以達(dá)到要求。工具箱示意圖如下圖1。
圖 1工具箱示意圖
工具箱示意圖非常清晰地表示了本實(shí)驗(yàn)的神經(jīng)網(wǎng)絡(luò)的輸入，輸出以及訓(xùn)練的過程。
神經(jīng)網(wǎng)絡(luò)的訓(xùn)練結(jié)果，如圖2所示:
圖2神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程
圖中可以看出雙層網(wǎng)絡(luò)訓(xùn)練的sse在訓(xùn)練100次時(shí)，已經(jīng)接近0.0001，效果較理想。
為了驗(yàn)證經(jīng)過訓(xùn)練的網(wǎng)絡(luò)模型的泛化能力，在輸入變量所允許的區(qū)域內(nèi)又另選多個(gè)樣本進(jìn)行了計(jì)算。發(fā)現(xiàn)：利用BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算的測(cè)試輸出與期望輸出值相符，誤差小于2%。
在已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)中找出最大值：
for i=2:10 %點(diǎn)焊時(shí)間選擇
for j=0.5:0.1:3%電極力選擇
fork=5:0.1:20%點(diǎn)焊電流選擇
a=sim(net,[i,j,k]);%仿真
ifan %比較仿真結(jié)果與最大值，取最大值n=a;
i(1)=i;%最大值的時(shí)間
j(1)=j;%最大值的電極力
k(1)=k; %最大值的電流
end
end
end
end
將i(1),j(1),k(1)以及n輸出，n為最大值。得到點(diǎn)焊時(shí)間為3.4s，電極力為12.7kN，點(diǎn)焊電流為11.8kA，此時(shí)的抗剪拉剪載荷為4381N，為訓(xùn)練結(jié)果的最大值。將點(diǎn)焊時(shí)間為3.4s，電極力為12.7kN，點(diǎn)焊電流為11.8kA在點(diǎn)焊機(jī)上進(jìn)行實(shí)驗(yàn)，得到結(jié)果為4297N。并且通過與實(shí)際的結(jié)果相比較，發(fā)現(xiàn)誤差也在2%以內(nèi)。
4結(jié)論
1)本文采用了插值法作為選取BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的方法。并且在數(shù)據(jù)變化劇烈的地方多選取了75組數(shù)據(jù)，這樣可以得到較高精度的網(wǎng)絡(luò)模型，使點(diǎn)焊模型的可行性。
2)基于此方法建立了三個(gè)點(diǎn)焊參數(shù)的BP神經(jīng)網(wǎng)絡(luò)模型，而且所建的BP模型具有較高的精度，可以很好的描述了這三個(gè)點(diǎn)焊參數(shù)與點(diǎn)焊質(zhì)量的映射關(guān)系。
3)由于神經(jīng)網(wǎng)絡(luò)模型將系統(tǒng)結(jié)構(gòu)參數(shù)與傳統(tǒng)動(dòng)態(tài)特性參數(shù)之間的物理關(guān)系，反映為神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)輸入與網(wǎng)絡(luò)輸出的數(shù)學(xué)關(guān)系，因此，在神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行結(jié)構(gòu)修正與優(yōu)化比在其他模型上更直接，簡(jiǎn)單與高效。
本文采用神經(jīng)網(wǎng)絡(luò)的方法優(yōu)化復(fù)合消音鋸片的點(diǎn)焊工藝參數(shù)，為分析點(diǎn)焊質(zhì)量提供了很好的輔助手段。通過與以前工藝相比較，提高了點(diǎn)焊質(zhì)量。
參考文獻(xiàn)：
[1] 方平,熊麗云.點(diǎn)焊電流有效值神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)計(jì)算方法研究.[J].機(jī)械工程學(xué)報(bào),2004(11).148-152.
徐明.用8089單片機(jī)測(cè)量非正弦點(diǎn)焊焊接電流有效值.[J].焊接技術(shù),1995(3):12-14.
胡德安,陳鵬展,陳益平,李唐柏.基于神經(jīng)網(wǎng)絡(luò)的點(diǎn)焊質(zhì)量評(píng)估專家系統(tǒng)研究[J].新技術(shù)新工藝,2001(10):9-10.
閱讀范文：電子通信論文征稿通信線路的現(xiàn)狀
論文摘要：電力電纜是電力通信網(wǎng)的基礎(chǔ)設(shè)施，也是電網(wǎng)現(xiàn)代化和自動(dòng)化的重要基礎(chǔ)之一，同時(shí)也是企業(yè)現(xiàn)代化管理的重要基礎(chǔ)之一，因此，針對(duì)通信光纜線路的現(xiàn)狀，做好維護(hù)工作，確保通信線路暢通無阻，具有重大意義。
論文關(guān)鍵詞：通信現(xiàn)狀 運(yùn)行 管理 對(duì)策
轉(zhuǎn)載請(qǐng)注明來自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/6212.html
