（电气工程专业论文）基于神经网络遗传算法的焊接变形预测模型研究与应用.pdf

连丕堂王捏! 亟迨竖 摘要 焊接变形在船舶制造过程中是普遍存在的问题，焊接变形不仅影响船舶的 外观质量，而且严重影响船体结构及水动力性能。焊接过程是一个高度非线性、 多变量耦合作用、同时具有大量随机不确定因素的复杂过程。在这种复杂的环 境下，应用数值方法和解析方法预测焊接变形需要大容量计算机和极为耗时的 运算，而且缺乏适应环境的灵活性，很难应用到实际焊接变形预测中。 笔者在广泛了解国内外有关焊接变形预测方面研究情况的基础上，结合船 舶制造过程中钢板焊接的实际，分析了影响焊接变形量的种种因素，提出了用 遗传算法与人工神经网络相结合的方法来建立焊接变形预测模型，实现对焊接 变形量的快速预报，提高焊接质量。 本文在介绍应用b p ( b a c k p r o p a g a t i o n ) 神经网络建立焊接变形预测模型 的基础上，重点介绍了为克服b p 神经网络收敛速度慢，容易陷入局部极小点 的缺点，应用遗传算法来优化b p 神经网络的连接权值和阈值，从而提高b p 神经网络的收敛速度和预测精度的建模过程。用遗传算法与神经网络相结合方 法建立的焊接预测模型，仿真结果表明其优于单纯b p 神经网络建立的焊接变 形预测模型。笔者为了进一步验证用遗传算法与神经网络相结合建立起来的焊 接变形预测模型的正确性和有效性，还应用径向基函数r b f ( r a d i a lb a s i s f u n c t i o n ) 网络建立焊接变形预测模型，进行分析，其结果使其正确性和有效 性得以证明。 笔者在建模和仿真过程中，充分应用了m a t l a b 的有关工具箱，并运用 m a t l a b 提供的编程语言，实现了将预测模型用于实际的人机接口，使其具 有实用性。 关键词：焊接变形b p 神经网络r b f 预测遗传算法 土连盎堂王搓亟三! 三监窑 a b s t r a c t w e l d i n gd e f o n n a t i o ni sac o m m o np r o b l e mi ns h i p m a k i n gp r o c e s si tn o to n l y a f f e c t st h ee x t e r n a la p p e a r a n c eo fas h i pb u ta l s os e r i o u s l ya f f e c t st h es t r u c t u r eo f t h eb o d yo fa s h i pa n dh y d r o d y n a m i cp e r f o r m a n c e t h ew e l d i n gp r o c e s si s a c o m p l i c a t e dp r o c e s sw h i c hc o n t a i n sh i g hn o n l i n e a r i t y ，m u l t i v a r i a b l ec o u p l i n ga n d p l e n t yo fr a n d o mu n c e r t a i nf a c t o r s f a c e dw i t ht h i sc o m p l i c a t e ds i t u a t i o n ，u s i n g n u m e r i c a lm e t h o da n da n a l y t i cm e t h o dt op r e d i c tt h ew e l d i n gd e f o r m a t i o nn o to n l y r e q u i r e sah i g h c a p a c i t yc o m p u t e ra n dt i m e - c o n s u m i n go p e r a t i o nb u ta l s ol a c k s f l e x i b i l i t yi na d a p t i n gt ot h ee n v i r o n m e n t t h e r e f o r e ，i ti sv e r yd i f f i c u l tt oa p p l yt h e m e t h o d st ot h ep r e d i c t i o no f w e l d i n gd e f o r m a t i o n b a s e do nt h es t u d i e so nt h ew e l d i n gd e f o r m a t i o np r e d i c t i o na th o m ea n d a b r o a da n dc o m b i n e dw i t ht h ea c t u a ls i t u a t i o n ，t h ea u t h o ra n a l y z e sv a r i o u sf a c t o r s a b o u tw e l d i n gd e f o r m a t i o nq u a n t i t ya n da d v a n c e saw e l d i n gd e f o r m a t i o np r e d i c t i o n m o d e lb ym e a n so ft h ec o m b i n a t i o no fg e n e t i ca l g o r i t h ma n da r t i f i c i a ln e u r a l n e t w o r k ，t h e r e b yr e a l i z i n gf a s tp r e d i c t i o no fw e l d i n gd e f o r m a t i o nq u a n t i t ya n d i m p r o v i n gt h eq u a l i t yo f w e l d i n g t h ep a p e ri n t r o d u c e st h ee s t a b l i s h m e n to ft h ew e l d i n gd e f o r m a t i o np r e d i c t i o n m o d e lb yw a yo fb p ( b a c k - p r o p a g a t i o n ) n e u r a ln e t w o r ka n dm a i n l yf o c u s e so n t h ea p p l i c a t i o no fg e n e t i ca l g o r i t h mt ot h eo p t i m i z a t i o no ft h es y n a p t i cw e i g h ta n d t h r e s h o l dv a l u eo fb pn e u r a ln e t w o r ki no r d e rt oo v e r c o m et h ed i s a d v a n t a g e so ft h e s l o wc o n v e r g e n c er a t ea n db e i n ge a s i l yt r a p p e di nal o c a lm i n i m u mi nb pn e u r a l n e t w o r k ，t h e r e b yi m p r o v i n gt h ec o n v e r g e n c er a t e o fb pn e u r a ln e t w o r ka n d m o d e l i n gp r o c e s so fp r e d i c t i o np r e c i s i o n t h ee m u l a t i o nr e s u l ts h o w st h a tt h e w e l d i n gd e f o r m a t i o np r e d i c t i o nm o d e le s t a b l i s h e db yt h ec o m b i n a t i o no fg e n e t i c a l g o r i t h ma n dn e u r a ln e t w o r ki so b v i o u s l ys u p e r i o rt ot h ew e l d i n gd e f o r m a t i o n p r e d i c t i o nm o d e le s t a b l i s h e dm e r e l yb pn e t w o r k i no r d e rt of u r t h e rv e i l f yt h e e x a c t n e s sa n de f f e c t i v e n e s so ft h ew e l d i n gd e f o r m a t i o np r e d i c t i o nm o d e l e s t a b l i s h e db yt h ec o m b i n a t i o no fg e n e t i ca l g o r i t h ma n dn e u r a ln e t w o r k ，t h ea u t h o r a l s og i v e sa na n a l y s i sb yu s i n gr b f ( r a d i a lb a s i sf u n c t i o n ) n e t w o r kt oe s t a b l i s ht h e w e l d i n gd e f o r m a t i o np r e d i c t i o nm o d e la n dt h er e s u l tp r o v e si t s e x a c t n e s sa n d e f f 色c t j v e n e s s i i 查盔芏工程丝：皇监童 i nt h ec o u r s eo fm o d e l i n ga n de m u l a t i n g ，t h ea u t h o rm a k e sf u l l u s eo fs o m e r e l e v a n tt o o lk i t so fm a t l a ba n du s e s p r o g r a m m i n gl a n g u a g ep r o v i d e db y m a t l a b ，t h e r e b yr e a l i z i n gt h ea c t u a la p p l i c a t i o no ft h ep r e d i c t i o nm o d e lt oh u m a n i n t e r f a c ei no r d e rt om a k ei tp r a c t i c a l k e y w o r d ：w e l d i n gd e f o r m a t i o n ；b pn e u r a ln e t w o r k ；r b f ；p r e d i c t i o n ；g e n e t i c a l g o r i t h m i i 原创性声明 本人声明：所呈交的论文是本人在导师指导下进行的研究工作。 除了文中特别加以标注和致谢的地方外，论文中不包含其他人已发表 或撰写过的研究成果。参与同一工作的其他同志对本研究所做的任何 贡献均已在论文中作了明确的说明并表示了谢意。 签名：盟日期：型! ：兰 本论文使用授权说明 本人完全了解上海大学有关保留、使用学位论文的规定，即：学 校有权保留论文及送交论文复印件，允许论文被查阅和借阅；学校可 以公布论文的全部或部分内容。 ( 保密的论文在解密后应遵守此规定) 签名：纽导师签名：碰董丛日期 例白o 土篷盘堂王捏强监塞 1 1 课题来源 第一章绪论 本课题来源于江苏省自然科学基金项目，项目编号：b k 2 0 0 3 0 3 4 1 2 课题研究的目的和意义 焊接变形是焊接结构制造过程中最常见的问题之一。焊接变形在船舶制造 过程中同样是普遍存在的问题，不仅影响船舶的外观质量，而且严重影响船体 结构及水动力性能。焊接变形预测技术的发展与焊接变形控制技术的发展密切 相关，深入研究焊接变形的机理有助于实现对焊接变形的精确控制。 焊接过程是一个高度非线性、多变量耦合作用、同时具有大量随机不确定 因素的复杂过程。焊接变形种类繁多，情况复杂，主要有横向收缩、纵向收缩、 弯曲变形、角变形及翘曲变形等等。焊接变形的存在严重影响着焊接结构的制 造过程和使用性能。焊接过程中材料的不均匀受热、板厚方向的热梯度、材料 的局部非协调塑性应变以及焊接残余应力的作用是产生各种焊接变形的根本 原因。具体来说，影响焊接变形的因素大体可以分为两部分，即设计相关量和制 造相关量。设计相关量主要包括母材性能、接头形式、根部间隙、板的厚度、 加强筋间距及约束情况等。制造相关量主要包括热源形式、焊接速度及焊接顺 序等。焊接变形预测对焊接结构的生产和使用具有重要意义，然而进行准确的 焊接变形预测较为困难。导致焊接变形预测不准确的主要因素有：焊接变形机 理的复杂性；一些重要的物理数据在材料处于高温时难于测定；热力分析过程 中的误差积累。传统的焊接变形预测依赖于试验和统计基础上的经验曲线或经 验公式。在造船工业中，掌握和控制焊接变形是相当困难的，钢板受到焊接线 能量、常温一 熔化温度一 常温热循环的影响。熔化板材因受到整个钢板限制， 产生复杂的残余变形。尤其是为提高生产效率，采用大线能量的焊接方法，变 形更加明显。这种复杂性决定了其数学模型建立的困难性，造成了在实际生产 中对焊接变形变化规律的认识不足和难以掌握。至今我国在许多情况下对焊接 ：垦盥古坐工握地：i 监童 变形的认识仍然是凭借经验，以及通过一些实验数据统训出来的简单公式，因 此往往难以达到要求的精度和性能。以船舶焊接为例，世界主要造船大国日本 和韩国，他们对全新的焊接工艺和焊接变形的控制研究开发最为突出，不但提 高了焊接质量和外形美观，而且保证了装配中的无余量装配。这样一来，质量 提高，生产成本降低，大大提高了造船竞争力。但是，国内一些主要造船企业 仍然是凭借焊接师傅们的工作经验积累来预留焊接余量，这就使得受经验等人 为因素影响很大，而且只能对一些简单的特殊构件焊缝做出预估。因此，要降 低生产成本，提高无余量装配的水平，增强在世界造船业中的竞争力，船体结 构焊接产生变形是个不可回避的问题，是亟待解决的问题，因为焊接变形不仅 影响船舶的外观质量，而且也严重影响船体结构及水动力性能。近年来，随着计 算机技术的飞速发展，有限元法成了研究复杂结构力学的主要的数值方法，许多 焊接残余应力和焊接变形的研究都采用计算机模拟技术。计算焊接力学的发展， 热弹塑性有限元法和固有应变法在焊接变形预测中的成功应用，使焊接变形预 测有了坚实的理论基础。有限元方法虽从原理上可以解决复杂焊接结构的变形 和应力问题，例如，发生尺寸超差，导致焊接裂纹等。但在这种复杂的环境下， 应用数值方法和解析方法预测的焊接变形需要大容量计算机和极为耗时的运 算，而且缺乏适应环境的灵活性，很难实际应用到焊接变形中，尤其对于大型 复杂的船体焊接结构即使可以应用也是很不经济的。 1 3 焊接变形预测技术的最新研究进展 焊接变形预测的发展2 0 世纪中叶以来，不少学者对薄壁结构焊接变形问 题进行了研究。2 0 世纪5 0 年代，w a t a n a b em 和s a t o hk 【】开始关注低碳钢薄 板结构焊接变形的翘曲现象，他们第一次提出了焊缝收缩的概念，并给出了一系 列预测焊接变形的公式。1 9 7 6 年，s a t o hk 2 i 在系统研究的基础上得出了低碳钢、 高强钢、铝合金及不锈钢等不同材料制造的焊接结构中残余应力、角变形、横 向收缩与焊接热输入之间的简单关系式。多年来，k a r l s s o nl 【”、m a s u b u e h ik t 4 】 与m cd i l ljmj 5 j 等许多专家学者对大型复杂焊接结构进行三维热弹塑性有限 元分析，他们建立了很多复杂的数学模型。这些模型有助于认识焊接变形机理， 土基盔芏王捏班三! 三监童 能够较为准确地预测焊接结构的变形。中国关于焊接变形模拟的研究始于2 0 世纪8 0 年代。哈尔滨工业大学的田锡唐 6 教授，上海交通大学的汪建华【7 】教授 等做过不少关于焊接热力过程有限元模拟方面的研究。另外，航空制造： 程研 究所的关桥院士在焊接变形预测与控制方面进行了深入的探讨，并在薄壁焊接 结构低应力无变形控制技术方面取得诸多研究成果日1 。近年来靖华大学的鹿 安理教授在焊接力学模拟的动态可逆自适应网格技术、移动热源形式、相似理 论及分布式并行计算等方面进行了很多创新性研究 ”。 1 4 人工神经网络在焊接中的应用现状 焊接过程具有高度非线性，多变量混合且伴随有大量随机不确定因素的特 点，正是该过程的复杂性，随机性和不确定性，使得过程监测，性能预测和自 动控制极为困难，随着人工智能，计算机技术及信息科学的飞速发展，焊接过 程智能控制也取得了长足的进步。 由于人工神经网络在解决高度非线性和严重不确定性系统方面的巨大潜 力，使其在焊接领域的应用倍受青睐【1 。目前，人工神经网络在焊接工艺参数 设计、焊接接头性能估测、点焊质量控制、m i g 焊( 直流反极性熔化极气体保 护焊) 过程控制等方面都已获得一定的效果。 近年来有关焊接工艺智能设计方法的研究己在国内外普遍展开，并且推出 了多种类型的焊接工艺专家系统，但基于符号推理的传统专家系统技术并不能 十分满意地解决焊接工艺设计问题。首先，在于知识获取、知识表达及机器学 习的困难；其次，由于系统缺乏对经验知识的容错及对多个专家不同经验的协 调能力；再次，系统仅能在其知识库范围内处理问题| 止匕外，当要求对工艺参数 做精确设计时，还存在着大容量知识库与专家系统运行速度之间的潜在矛盾。 人工神经网络是巨量信息并行处理和大规模平行计算的基础，它既是一个 具有高度非线性的超大规模连续时间的动力系统，又是自适应自组织系统，可 用来描述认知、决策及控制的智能行为。它的中心问题是智能的认知和模拟， 其最主要特征为连续时间非线性动力学、网络的全局作用、大规模并行分布处 理及高度的鲁棒性和学习联想能力。同时它又具有一般非线性动力系统的共 ：e 龌盔芏工程亟土监兰 性，即不可预测性、吸引性、非平衡性、不可逆性、高难性、广泛联结性与自 适应性等。由于神经网络的自适应、自学习能力及其信息容量大、处理速度快、 容错性好的特点可以弥补专家系统的不足，人工神经网络在焊接主要领域的应 用已日渐广泛。 1 5 预测方法的选择 焊接变形进行预测的几种常用理论和方法，包括热弹塑性有限元分析、残 余塑性应变有限元方法、相似理论、人工神经网络等。 热弹塑性有限元分析【“】，是应用最为广泛的焊接过程计算方法，涵盖了焊 接过程的各个方面，包括不同的焊接类型、焊接材料和接头形式，既用于对焊 接变形的分析，也用于分析残余应力、裂纹、疲劳和断裂等。热弹塑性有限元 分析由于热弹塑性有限元分析计算复杂、收敛困难，很难用于实际焊接结构的 应力与变形分析。热弹塑性有限元分析的缺点是运算量很大，特别是对大型构 件和复杂结构，有些即使能够分析也很不经济，有些则不得不采用其他简化方 法。 残余塑性应变有限元方法。由于焊接时焊缝及其附近材料的热膨胀受到附 近低温材料拘束，产生大量的压缩塑性应变，冷却后形成残余塑性应变，其大 小和分布决定了最终的残余应力和变形。因此如果知道了残余塑变的大小和分 布，就可以通过一次弹性分析求得整个构件的焊接应力和变形 1 2 1 。如何确定残 余塑变是问题的关键，每种材料的残余塑变是不同的。 运用相似理论可以将模型试验和数值模拟方法结合起来，按照相似关系对 焊接构件进行一定转换，减小复杂性后再进行数值计算，也可以减少运算量。 清华大学的蔡志鹏等研究了相似理论在焊接温度场、应力应变场以及焊接变形 预测等方面的应用，推导了温度场和高斯热源的相似准则，并得到模型与实际 构件焊接残余变形的相似关系式 i ”。在实际生产中，因为受到焊接条件的限制， 模型与实物间的相似准则很难同时满足，而且对二者之间准确的对应关系还缺 乏足够的研究，因此应用受到很大限制。 实际焊接过程中，影响焊接结构变形的因素是非常复杂的，呈现明显的非 ：匕直盔堂工摧蜘监塞 线性特性。人工神经网络具有自组织、自学习、白适应及非线性特性，适合非 线性系统建模及性能预报。神经网络通过学习实际船舶生产中的焊接数据，就 可以映射其中的变形规律，得到船舶钢结构焊接变形模型，以实现对其焊接变 形量的快速预报，为船舶焊接生产实践提供理论指导。b p ( b a c k p r o p a g a t i o n ) 网络是神经网络中应用最广的一种网络，具有很强的推广能力和联想能力。采 用人工神经网络模型可以快速地预测焊接过程中产生的变形量，是研究焊接结 构变形的一种有效途径。 1 6 本课题研究的内容 焊接变形在工业制造过程中普遍存在，船舶焊接也不例外，如果船舶甲板 及上层建筑焊接变形过大，直接影响船舶外观质量，因此众多船舶制造厂均在 此下了很大功夫来克服焊接变形，提升产品的外观质量，但是由于船舶甲板及 上层建筑往往板厚较薄，结构较好，局部位置焊接热输入量较大，焊接应力使 薄板容易产生失稳，因此很容易出现变形。焊接变形不仅影响船舶的外观质量， 而且严重影响船体结构及水动力性能是亟待解决的问题。建立较精确焊接变形 预测模型有助于实现对焊接变形的精确控制。本课题将神经网络理论运用到焊 接变形预测中，以船舶高强钢为对象，根据影响焊接变形的主要参数( 焊接种 类、板材厚度、焊接电流、焊接电压、焊喉尺寸、焊接顺序) ，用b p 神经 网络建立焊接变形预测模型。在b p 神经网络建模的基础上，为克服b p 网络 收敛速度慢，容易陷入局部极小点的缺点，选择了用遗传算法优化神经网络的 策略。遗传算法具有全局收敛、并行性及鲁棒性等特点，将遗传算法与神经网 络结合，用遗传算法优化神经网络的权值和阈值，不仅发挥神经网络的广泛映 射能力，而且也使神经网络具有全局收敛性，实现全局最优。笔者为了进一步 验证用遗传算法与神经网络相结合建立起来的焊接变形预测模型的正确性和 有效性，还应用r b f ( r a d i a lb a s i sf u n c t i o n ) 神经n 络建立焊接变形预测模型， 进行分析，其结果使其j e 确性和有效性得以证明。 上毖盔堂工理亟论毫 第二章神经网络概述 2 1 神经网络的发展概况 神经网络这门学科是受了人脑这部高度智能发达的“思维”的启发，而逐渐 发展起来的一门前沿技术科学。人脑思维的创造能力的确是宇宙中的一大奇迹， 重要的是它的能力还可以随着不断的学习新东西而不断发展着，也就是说它的 认知能力几乎是无穷的。人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，a n n ) 是在对 人脑神经网络的基本认识的基础上，用数理方法和信息处理的角度对人脑神经 网络进行抽象，建立的某种简化模型。人工神经网络可以认为是一种由许多简 单的并行工作的处理单元组成的系统，其功能取决于网络的结构、连接强度以 及各单元的处理方式。人工神经网络的发展可分为四个时期。第一个时期为启 蒙时期，开始于1 8 9 0 年美国著名心理学家w j a m e s 关于人脑结构与功能的研 究，结束于1 9 6 9 年m i n s k y 和p a p e r t 发表感知器一书。第二个时期为低潮 时期，开始于1 9 6 9 年，结束于1 9 8 2 年h o p f i e l d 发表著名文章“神经网络和物 理系统”( “n e u r a ln e t w o r ka n dp h y s i c a ls y s t e m ”) 。第三个时期为复兴时期，开 始于j j h o p f i e l d 的突破性研究论文，结束于1 9 8 6 年d e r u m e l h a r t 和 j l m c c l e l l a n d 为首的研究小组发表的并行分布式处理( p a r a l l e ld i s t r i b u t e d p r o c e s s i n g ) 。第四个时期为新时期，从1 9 8 7 年首界国际人工神经网络学术会 议在美国加州圣地亚哥召开至今，在全世界范围内掀起了人工神经网络的研究 应用热潮。在这次会议上成立了国际神经网络学会，并于1 9 8 8 年在美国波士 顿召开了年会。自1 9 8 8 年起，国际神经网络学会和国际电气工程师与电子工 程师学会联合召开每年一次的国际学术会议。至今，神经网络理论已成为涉及 生理科学、认识科学、数理科学、心理学、信息科学、计算机科学、微电子学、 光学、生物电子学等多学科交叉、综合的前沿学科。人工神经网络的应用已渗 透到信号处理、模式识别、图像处理、非线性优化、语音处理、自动目标识别、 机器人、专家系统等各个领域，被广泛的应用到各行各业，例如语音识别、 土篷左堂工捏丝监奎 实时语音翻译、矿藏勘探、临床医学上脑电图和心电图的分析、国防方面的武 器的操纵、目标的跟踪的识别、工业方面的过程控制、故障的智能诊断等。从 神经网络的应用可以看到，无论是工业应用还是科学研究它都是一个有力的工 具，有着巨大的潜力。神经网络就目前的应用来说，主要还是偏重于特征的提 取、过程的控制和状态的预测。它的主要优势就是在于它的学习性和自动调整 性，所以非常适合处理非线性的问题。 2 2 人工神经网络的基本功能与结构特征 人工神经网络是由许多功能简单的神经元组成的，各个神经元在运行的过 程中是独立的和并行的。虽然一个神经元功能是简单而有限的，但是由无数神 经元组成的神经网络功能却是丰富多彩的。神经网络的基本功能结构如图2 1 所示 图2 1 神经网络的基本功能结构 一个神经网络的具体功能是通过神经元之间的不同连接决定的，也就是通 过调整连接就可以使整个神经网络具有不同的功能。这个连接叫权值，这个调 整过程叫神经网络的训练。通过网络输出和期望的输出目标进行比较，然后对 权值作出调整，直到输出和目标完全一致或基本一致，这样就完成了对这个网 络的训练，称为有导师学习。所以为了使网络具有特定的功能，常常需要很多 的输入和目标样本来对网络进行训练。神经网络法视传统函数的自变量和因变 量为输入和输出，将传统的函数关系转化为高维的非线性映射，而不是显式的 数学表达式。 人工神经网络的有五个基本功能：联想记忆，非线性映射，分类与识别， 土盘盘兰王捏亟论塞 优化计算，知识处理。其中联想记忆和非线性映射是最重要是两个功能。由于 神经网络具有分布存储信息和并行计算的性能，因此它对外界刺激信息和输入 模式具有联想记忆的能力，这种能力是通过神经元之间的协同结构及信息处理 的集体行为而实现的。联想记忆功能是指神经网络能够通过预先存储信息和学 习机制进行自适应训练，从不完整的信息和噪声干扰中恢复原始的完整信息。 在客观世界中，许多系统的输入与输出之间存在复杂的非线性关系，对于这类 系统，往往很难用传统的数理方法建立其数学模型。非线性映射功能是指神经 网络能够通过对系统输入输出样本对的学习自动提取蕴涵其中的映射规则，从 而以任意精度拟合任意复杂的非线性函数。神经网络的这一性能使其可以作为 多维非线性函数的通用数学模型。 人工神经网络的有两个基本特征，其一是结构特征：并行处理、分布存储 及容错性。人工神经网络是由大量简单处理单元相互连接构成的高度并行的非 线性系统，结构上的并行性使神经网络的信息存储必然采用分布方式，即信息 是分布在网络所有的连接权中，而不是某个局部。处理单元的高度并行性与分 布性，使神经网络在信息处理方面具有分布存储、并行计算及存储与处理一体 化的特点。这些特点必然给神经网络带来较快处理速度和较强的容错能力。其 二是能力特征：自学习、自组织及自适应性。自适应性是指一个系统能改变自 身的性能以适应环境变化的能力。自学习是指当外界环境发生变化时，经过一 段时间的训练，神经网络能通过自动调整网络结构参数，使得对于给定输入能 产生期望的输出。神经系统能在外部刺激下按一定规则调整神经元之间的突触 连接，逐渐构建起神经网络，这一构建过程称为网络的自组织。神经网络的自 组织能力与自适应性相关，自适应性是通过自组织实现的。 人工神经网络是一种模拟人脑信息处理算法的非线性系统，具有知识分布 式存储、并行处理、记忆和联想的功能，且有较强的容错能力，任何局部的损坏， 不影响整体结果，对于一个不完整或模糊的信息，人工神经网络可以联想出存 储在记忆中的某个完整的清晰的图像。人工神经网络具有较强的非线性映射能 力，可以通过对给定样本的学习，实现输入和输出集合之间的非线性映射，达 到对所研究体系内部结构的模拟。 匕盔盔生工程亟迨室 利用神经网络消除系统模型中的不相关变量，其基本原理是：由于神经网 络是实现一种非线性映射关系，各变量之间的相互关系经过训练可以隐含于网 络的权值之中，因此对于一对无关数据之间的训练，网络不会收敛。相反，如 果数据之间存在着某种非线性关系，那么它必然可以由网络训练出来。这一点 是常用的回归方法所不能比拟的。原因是如果要做一非线性回归，首先要大致 了解数据之间存在何种类型的关系，然后再确定各个参数。然而，当不能很清 楚地发现数据之间的关系，或者数据之间的关系非常复杂时，这种回归方法的 成效就非常有限了。 神经网络在非线性建模方面具有独特优势。从功能特性和学习特性来分， 典型的神经网络类型主要包括感知器、线性神经网络、b p 网络、径向基函数 网络、自组织竞争网络以及回归神经网络等。 2 3 神经网络类型 一、感知器 感知器( p e r c e p t o m ) 神经网络是由美国科学家f r o s e n b l a t t 于1 9 5 7 年提 出的。其目的是为了模拟人脑的感知和学习能力。感知器最早提出的是一种神 经网络模型 ，它是一个具有单层神经元的网络，网络的激活函数是线性阈值 单元。由于单层感知器神经网络在结构和学习规则上的局限性，其应用被限制 在一定的范围内，感知器有以下局限性： 1 、由于感知器的激活函数是阈值函数，则感知器神经网络的输出只能取0 或1 。所以感知器只能用于简单的分类问题。 2 、感知器神经网络只能对线性可分的向量集合进行分类。理论上已证明， 只要输入向量是线性可分的，感知器在有限的时间内总能达到目标向量。但是 如何确定输入向量是否线性可分，至今还没有有效的解决方法，尤其当输入向 量增多时，更难以确定。 3 、当感知器神经网络的所有输入样本中存在奇异的样本，即该样本向量 同其他所有的样本向量比较起来特别小时，网络训练所花费的b , j 间将很长。 为解决单元层感知器的局限性，6 0 年代末人们找到了解决的方法：采用多 ：e 盔丛生工理亟土监丛 层网络结构。从而解决了单层感知器解决不了的异或问题。多层感知器可以解 决分类问题。 二、线性神经网络 线性神经网络是最简单的一种神经网络，它可以由一个或多个线性神经元 构成。5 0 年代末由w i d r o w 和h o f f 提出的自适应线性元件( a d a l i n e ) 是线性 神经网络最早的典型代表。线性神经网络与感知器神经网络的不同之处在于每 个神经元的传递函数为线性函数，因此线性神经网络的输出可以取任意值，而 感知器神经网络的输出值只能是1 或0 。线性神经网络可以采用w i d r o w h o f f 学习规则，也称为l m s ( l e a s t m e a ns q u a r e ) 算法来调整网络的权值和阈值。 线性神经网络的学习算法比感知器神经网络的学习算法的收敛速度和精度都 有较大的提高。线性神经网络主要用于函数逼近、信号处理滤波、预测、模式 识别和控制等方面。 三、b p ( b a c k p r o p a g a t i o n ) 神经网络 r u m e l h a r t ，m c c l e l l a n d 和他们的同事于1 9 8 2 年成立了一个p d p 小组，研 究并行分布信息处理方法，探索人类认知的微结构。1 9 8 5 年发展了b p 网络 ( b a c k - p r o p a g a t i o nn e t w o r k ) 学习算法，实现了m i n s k y 的多层网络设想。目 前，在神经网络应用领域中，绝大部分的神经网络模型采用的是b p 网络和它 的变化形式。b p 网络主要用于：函数逼近，即用输入矢量和相应的输出矢量 训练一个网络逼近一个函数；模式识别，即用一个特定的输出矢量将它与输入 矢量联系起来；分类和数据压缩等。 四、径向基函数网络 径向基函数r b f ( r a d i a l b a s i s f u n c t i o n ) 网络由三层组成。主要用于函数 逼近、分类等。 五、自组织竞争网络 白组织竞争网络是一种以无教师学习方式进行网络训练具有自组织功能 的神经网络，网络通过自身训练，自动对输入模式进行分类。在网络结构上， 一般只有输入层和竞争层的两层网络，没有隐层，两层之间各神经元实现双向 连接，竞争层各神经元之间还存在横向连接。在学习算法上，它模拟生物神经 占盘三! 三堂：l 理塑土亚塞 系统依靠神经元之间的兴奋、协调与抑制、竞争的作用来进行信息处理的动力 学原理，指导网络的学习和工作。自组织竞争网络的基本思想是网络竞争层各 神经元竞争对输入模式的响应机会，最后仅一个神经元成为竞争的胜者，并对 那些与获胜神经元有关的各连接权朝着更有利于它竞争的方向调整，这一获胜 的神经元就表示对输入模式的分类。自组织竞争网络主要用模式识别、分类方 面等。 六、回归神经网络 回归神经网络也称递归网络，在这类网络中，多个神经元互联组成一个神 经网络，神经元的输出可以被反馈至同层或前层神经元，因此信息能正反向流 通。h o p f i e l d 网络和e l m a n 网络是回归神经网络最有代表性的例子。h o p f i e l d 神经网络是美国物理学家j j h o p f i e l d 于1 9 8 2 年首先提出的。它主要用于生物 神经网络的记忆机理。h o p f i e l d 网络有离散型和连续型两种。 2 4 人工神经网络在预测方面的应用 人工神经网络，具有能够模拟生物体中神经网络的某些结构与功能，进行 大规模并行信息处理的非线性模型系统。由于它擅长处理非线性、数量关系不 确定、难于用数学模型描述的复杂系统， 9 8 7 年，l a p e d e s 和f a r b e r 首先将神 经网络应用于预测领域，之后，这种预测方法得到了广泛的重视和研究。 人工神经网络在经济学领域中的应用主要是在1 9 9 0 年以后，尤其是1 9 9 3 年以后，各种处理经济问题的人： 神经元网络模型广泛出现。由于神经网络本 身具有以下特点： f n 它能逼近任意次幂可积函数： f 2 ) 它采用并行分布信息处理，具有很强的容错性； f 3 ) v j 以用硬件实现； f 4 ) 具有学习能力和自适应性，受适当训练的网络有能力泛化： f 5 ) 可以同时对定性和定量的数据进行操作； ( 6 ) 具有多输入和多输出，适用于多变量系统。 神经网络的非线性逼近能力使它在复杂系统的建模方面具有广阔的发展 ：巴壶盘堂3 ：程亟：l = 地塞 前景。用于复杂非线性系统建模的神经网络模型主要是基函数网络，如正交函 数网络、样条函数网络、径向基网络、子波网络、b p 网络、自回归网络、时 间延迟网络等等。其中b p 网络是应用最广泛的网络。 神经网络用于预测时，需要研究如下问题： ( 1 ) 对于不同的非线性对象，如何选择神经网络模型和结构，如隐含层个数， 每层节点个数，网络参数设定等，即如何把对象信息用于网络辩识。 ( 2 ) 在神经网络系统辩识方面，需要研究算法的快速性和收敛性等。b p 算 法和动态学习算法均为非线性优化方法，存在局部最优的问题，因此需研究更 好的算法。 ( 3 ) 神经网络泛化能力，即选择的网络是否具有推广能力。 2 5 本章小结 本章分别介绍了神经网络的基本概念和发展历史，各种类型神经网络的特 点及应用领域；着重介绍了神经网络在预测方面的应用。 土直盔堂王程亟监塞 3 1 建模对象 第三章样本集的设计 本课题预测对象是国产的船用高强钢在焊接过程中的变形量，选用船体上 层建筑、船体分段钢结构部分，其典型单元如图3 1 所示，实际对象如图3 2 所示。 图3 1 船舶分段钢结构单元示意图 l 割3 2 船体分段钢结构像片 钢 ：e 丝盔堂：i ：捏亟盐窑 其中船用高强钢板尺寸为1 5 0 0 m i n x 1 0 0 0 m m ，角钢尺寸为1 5 0 0 r a m 1 2 5 m r n 9 0 r a m 1 0 r a m ，两角钢间距为7 5 0 m m 、居中对称放置在船用高强钢板上， 两者之间采用定位焊钢性固定( 定位焊间距3 0 0m m 、长度5 0 r n m ) ；钢板每侧边 采用卡铁对称固定，两根角钢之间的钢板变形是研究对象。由于钢结构焊接是 一种局部加热的工艺过程，焊接时焊缝和焊缝附近受热区的金属发生膨胀，由 于四周较冷的金属阻止这种膨胀，在焊接区域内就发生压缩应力和塑性收缩变 形，产生了不同程度的横向和纵向收缩。由于这两个方向的收缩，造成了焊接 结构的各种变形，构件焊后一般都产生焊接变形。焊接的变形从焊接开始即发 生，并一直持续到焊件冷却至原始温度时才结束，最后形成的变形叫焊接残余 变形，简称焊接变形。焊接变形的种类很多，这里主要考虑钢板的最大变形。 影响焊接变形大小的因素有多种，这里主要考虑焊接种类、焊接顺序、焊接电 流、焊接电压、焊喉尺寸和板材厚度。其中选择通用的两种焊接：一种为二氧 化碳保护焊( s j q 5 0 1 焊丝0 1 2 r a m ) ，用a 表示：另一种为低氢型药皮焊条( e 5 0 1 5 焊丝巾3 2 m ) ，用b 表示。焊接顺序如图3 3 所示，其中( a ) 为一人操作，( b ) 、 f c ) 为两人操作，1 、2 、3 、4 表示焊接顺序。 图3 3 钢结构焊接顺序不意幽 影响钢结构焊接变形的最主要因素是焊接电压、焊接电流、焊喉尺寸及板 材厚度等。焊接变形量随焊接电压、焊接电流、焊喉尺寸增大而相应的增大， 如焊接电流升高，钢结构焊接变形增大，焊喉尺寸一般为选择3 5 7 r a m 。而板 材厚度增加，焊接变形量相应减小，板材厚度选择范围为6 1 5m m 的情况。此 外，影响钢结构焊接变形的其它重要因素有焊接种类、焊接顺序等，改变焊接 种类和改变焊接的顺序也会改变焊接变形量，如焊接种类取为a 时，钢板焊接 变形较小。 ；| 二丑丕堂工摆螗地童 3 2 训练样本的采集 焊接过程是一个高度非线性、多变量耦合作用的过程，也是具有大量随机 不确定因素的复杂过程。焊接过程中影响焊接位移量的因素众多，这种复杂性 决定了其数学模型建立的困难性。 一个模型系统的输入输出就是神经网络的输入输出变量。输入量必须选 择对输出有影响且能够检测或提取的变量，而且各输入变量之间互不相关或相 关性很小，根据此原则笔者分析了实际焊接过程中影响焊接的众多复杂、非线 性的因素，且对没有把握作为输入变量的输入，通过分别用含有和不含有该输 入的两个网络模型进行仿真，对其效果进行比较，最终选择了焊接种类、钢板 厚度、焊接电流、焊接电压、焊喉尺寸、焊接顺序作为输入变量，焊接最大 变型量作输出量。 神经网络建模的样本数据来源于实测数据( 见附图) ，笔者共采集了1 4 0 组样本数据，将其分为两组，1 1 2 0 组样本作为训练样本集，另l 一2 0 组作为 测试样本集，以检验模型的预测值与实测值的一致性。 样本采集界面如图3 4 所示。采集的数据保存到m 文件中。 焊接种类 焊接电流( a ) 焊喉尺寸( r a m ) 样本采集界面 f ! 獭姆度c m m ， t ：一 厂葡广一焊接电压( v ) | 3 2 一一 。 。 r 。? 一 厂r ri 埕冀顺序 a l。 钢板变形量( m m ) ! 兰三壁ii 苎竺竺兰! 查竺! 兰曼兰兰| 图3 4 样本采集界面 ；碰基堂王堡迥土监堂 3 3 样本的归一化处理 因为网络的各个输入样本数据之间具有不同的量纲，必须进行归一化处 理 1 5 1 。输入分量焊接电压的单位是v ，焊接电流的单位是a ，焊喉尺寸和板材 厚度的单位是i n m ，而且焊接种类、焊接顺序是非量化的数据，因为神经网络训 练是根据总误差来调整权值的，不同量纲的数据如不进行归一化处理会造成输 出值大的输出分量的绝对误差大，输出值小的输出分量的绝对误差小，结果会 在总误差中分额小的输出分量相对误差较大，如总误差为3 ，则焊接电压为2 0 0 v 相对误差为15 ，焊喉尺寸为5 m m 的相对误差为6 0 。焊接种类、焊接顺序 是非数值类型的数据，也必须按分类进行量化处理，量化后的部分数据如表3 1 所示。 表31 样本数据表( 部分原始数据及其归一化后的数据) 样本焊接板材厚度焊接电流焊接电压焊喉尺寸( m i l l )焊接顺变形量 la62 0 02 03 5a4 5 2 b 61 0 03 23 5a4 6 3a63 0 03 63b5 1 4b61 4 03 25b4 8 5a6 2 5 0 2 85c4 8 6b61 2 03 23 5c4 7 7 a72 0 02 03 5a4 2 8b7l o o3 23 5a4 4 9a 7 3 0 03 65 b 4 7 1 0 b71 4 0 3 2 5b4 7 1 1a72 5 02 85c4 5 1 2 b 7 1 2 0 3 2 3 5 c 4 5 归一化后的样本数据 输入样本输