车身镀锌钢板点焊性能预测人工神经网络模型优化.pdfVIP

1 车身镀锌钢板点焊性能预测人工神经网络模型优化 赵 欣，张延松，陈关龙 （上海交通大学 机械与动力工程学院，上海 200030） E-mail ：zhxin@ 摘 要：本文针对汽车车身镀锌钢板的点焊性能预测问题进行了研究：引入人工神经网络模 型，来描述点焊规范参数空间同焊点接头质量空间的映射关系；在对普通BP网络存在的缺 陷问题进行深入分析的基础上，结合大量实验综合考虑，对网络模型进行了优化改进；然后 将实验得到的大量点焊规范参数与相应点焊接头质量的试验数据提供给神经网络学习。结果 表明，学习后的优化BP神经网络能够准确有效地预测焊接电流对点焊熔核直径、压痕深度 以及拉剪强度比的影响规律，且预测精度和准确率较高，符合工程需要，具有一定实用价值。 关键词：车身镀锌钢板；点焊；人工神经网络；优化 1. 前言 作为现代汽车车身制造中应用最广泛的装配工艺方式，电阻点焊占据了整个车身装配工 作量的 90%以上。如一辆轿车白车身约由 3000～6000 个焊点将数百个薄板冲压零件拼装而 成。因此，对电阻点焊质量进行良好的监测和控制是十分必要的。由于电阻点焊过程是一个 热、电、磁多场耦合的复杂过程，各工艺参数间关系复杂，干扰因素多，尤其是焊接过程的 短时性和形核过程的不可见性，使得对其建立精确的数学模型非常困难。目前工程上采用的 恒流控制法、电极位移检测法等动态质量监控方法均无法达到令人满意的效果[1]。 人工神经网络（ANN ）在焊接中的应用始于上世纪九十年代，起初主要应用于弧焊， 现已推广到点焊，在过程控制、焊接缺陷检测以及接头性能预测等方面均有应用[2]-[4]。利用 ANN 很强的非线性映射能力和适用于多信号融合的特点，在无假设情况下，通过网络训练， 学习大量的实验数据，利用其非线性映射的泛化能力自动抽取所学习数据的关键特征，描述 点焊的工艺参数空间与焊点接头质量空间的映射关系, 最终实现对接头质量的预测[3]。目前 国内外的相关研究主要针对不同材料，各种焊接类型进行建模仿真，在模型优化及预测效果 上尚待进一步提高[4]。 本文针对在车身制造中使用比重日益增大的镀锌钢板进行研究，由于锌层的影响，其点 焊性能较之普通低碳钢板差异较大；在国内外现有相关研究的基础上，将实验所得的大量镀 1 本课题得到国家自然科学基金项目资助。 - 1 - 锌钢板点焊规范参数与相应接头质量的试验数据提供给 ANN 学习，并结合学习情况对所建 立的 ANN 模型进行优化，从而改善其预测精度及准确率。通过大量的试验和仿真，所用 ANN 模型可实现较为理想的预测精度及准确率。 2. 实验系统简介 本文所用的实验材料是由北美 GM 公司生产的标准镀锌钢板，含 GMW2 和 DP600 两种 规格，抗拉强度 p 分别为 350MP 和 600MP，单位面积锌层质量ρ＝60g/m2 。通过改变焊接 压力、焊接电流和焊接时间，进行大量的点焊实验，确定了这两种材料的点焊规范，即保持 焊接时间为 10 个周波，焊接压力为 2.2KN ，焊接电流在一定范围内变化。 焊接设备为集成在机器人上的新型 SRTC 型伺服焊机。相对于传统的气动焊机，该伺服 焊机能实现对电极速度、位置、压力、电流和时间的精确控制[5]，有利于产生更精确的焊接 参数输入样本，保证对 ANN 模型更有效的训练。此外，利用焊机的伺服编码器反馈的电极 位移还可以在线获得焊点压痕值。相关研究表明，压痕也能表征点焊接头的质量信息[6]。 实验方法为在各有效的焊接规范下，通过金相试验测量焊点的熔核直径 d ；通过万能材 料试验机测量焊点的拉剪强度 Ft ；通过伺服焊机获得焊点压痕深度 s 。取d、s 以及拉剪强度 比n 为点焊接头的质量评价参数（其中 n ＝Ft/