文档介绍：/ ,

年第! 期大众科技( . !

/
∀总第!
期# ∃% & ∋∃( ) ∗+ , −∀0 1 2 1 345 67 8 39 ( . !
#
浅谈用神经网络预测摩擦焊接头性能
,
冯静’王玉
, 陈中中‘
/
, / ,
∀3 郑州大学机械工程学院河南郑州:
;
西北工业大学机电学院陕西西安<=
<
#
, ,
【摘要=文章提出以试验数据作为训练样本对现有的误差反向传播神经网络算法进行了改进构建了摩擦
, 。
焊主要工艺参数与摩擦焊接头性能∀强度#之间的非线性相关模型并采用该模型对接头强度值进行预测结果表
明, 预测值与试验结果吻合较好。
【关键词>神经网络; 摩擦焊; ? ≅算法
−中图分类号> Α) ΒΒΧΔ文献标识码」% Δ文章编号〕=
! 一
=∀
#
! 一
= ΕΕ一
、、、
摩擦焊以其优质高效环保工艺适应性广等特Φ结果与讨论
、。
性, 在高技术领域以及机械制造矿山机械等都有着Φ/ = 网络参数的选择三层? ≅网络中的隐含层
。
广泛的应用但是, 其生产过程中的多经验参数和惯的节点数可选范围为: 一=Φ, 本文选取为! ; 针对? ≅
, “”
用的破坏性检测接头性能方法已远远不能适应现代算法的不足引人式∀3# 所示再调整∀Κ8 一 4 ΛΜ 1Χ 56ΝΟ#
。
生产的需求本文采用改进后的? ≅算法构造了摩擦系数氏并采用式∀
# 所列新的误差函数使网络在修
焊的加工参数与接头性能值∀强度#之间的非线性相正权值时优先考虑使所有的输出误差趋向平均。
, 。
关模型并对接头性能∀强度#进行了有效预测
一Ν 8Π二
= 日户神经网络的原理畔畔
一Ρ
、、
? ≅模型是由输人层隐含层输出层组成的通过畔Θ你畔∀3#
神经元或节点高度连接而成的多层网络。每层网络中其中、分别为输人层到隐含层、隐含层到输出层
, 。“”
有若干个节点每一个节点通过连接权重与上一层节的初始化后的权值为再调整系数, 根据试算选取
。。
点相连接, 其输人值为前一层节点输出值的加权和
/ ! 比较合适
,
在学习过程中网络分为正向和反向传播两部凡一∀七# 一∀Σ# 一‘
,
。, 。卜, 呀,
分在正向传播时每一层神经元只影响下一层如果击耳干
, , 一、、, ,
实际输出和期望输出之间有差值就转人误差反传过其中。器ΗΤ为自然数且∀
≅ϑ= 匆“#Ρ
; 9
, ,
程将误差信号沿原路返回通过修改各层神经元的为各层实际输出, Α为各层目标输出, 根据试算 4 选
。
权值, 逐次向输人层传播, 并进行计算。接着, 再进行取于比较合适
、、。
正向传播, 正反过程的反复运用, 使误差信号最小, ΜΥ分别为各层节点数和层数
。
直至达到期望误差Φ/
样本数据预处理Δς= >
、

神经网络构建对作为输人量的摩擦压力∀ΓΗ 4 # 顶锻压力
/ 。 4 、Χ、Χ、

, 神经网络构建根据影响接头性能的因素选∀ΓΗ# 摩擦时间∀# 顶锻时间∀# 变形量∀2 2 #分别
、、、Ω
取摩擦压力∀ΓΗ 4 # 顶