基于BP神经网络的钢轨闪光对焊接头灰斑面积预测

(1. 兰州理工大学 电气工程与信息工程学院,兰州 730050； 2. 兰州铁路局 兰州工务机械段,兰州 730050)

摘 要：针对钢轨闪光对焊的特点，根据GAAS80/580焊机记录的压力、电流和动端位移随时间而变化的曲线，从中提取了10个主要影响接头灰斑面积的特征参数作为BP神经网络预测模型的输入量，建立了钢轨闪光对焊接头的灰斑面积预测模型． 采用粒子群算法优化了BP神经网络的权值和阈值，并利用优化后的BP网络模型对接头灰斑面积进行了预测． 结果表明，提取的特征参数能较好地反映焊接接头灰斑情况，粒子群算法优化的BP神经网络预测模型能较准确地预测出焊接接头灰斑面积．

关键词：钢轨闪光对焊；灰斑面积；BP神经网络；预测模型；粒子群算法

0 序 言

随着列车运行速度的不断提高，为了保证线路的使用寿命和行车安全，对钢轨焊接接头质量提出了更高的要求． 闪光对焊是国内钢轨焊接的发展方向，其具有焊接质量优良、力学性能接近钢轨母材、便于自动化控制等优点[1]． 灰斑缺陷是影响闪光对焊接头质量的主要缺陷，而用X射线或其它无损检测方法均不能准确地检测出灰斑缺陷[2,3]． 因此至今仍普遍采用破坏性抽样检测的方法判断闪光对焊接头质量，其检测结果并不能完全反映同批次全部接头的焊接质量，并且抽样检测会造成人力和物力的大量浪费． 落锤试验是最简便最有效的抽检方式． 国内标准规定闪光对焊必须进行落锤试验． 统计研究表明，落锤试验不合格的钢轨焊接接头中通常含有灰斑缺陷． 当灰斑面积超过标准的规定值时接头性能大大降低，灰斑往往成为接头断裂的起裂源． 为此，探寻一种预测灰斑面积的方法，将对评判钢轨闪光对焊接头质量具有重要意义．

钢轨闪光对焊过程是一个非常复杂、多参数耦合的非线性系统，而人工神经网络具有自组织、自学习、任意逼近连续函数等能力． 因此，可以用神经网络来解决非线性预测问题． 文献[4]采用BP神经网络对钢轨交流闪光对焊接头质量进行了预测． 目前，瑞士生产的GAAS80/580型钢轨直流闪光焊机大量用于长钢轨焊接，为克服BP神经网络存在易陷入局部极值点和收敛速度慢等问题，文中采用粒子群优化算法(particle swarm optimization， PSO)优化的BP神经网络建立预测模型对GAAS80/580焊机焊接接头灰斑面积进行预测．

1 试验数据获取与特征参数确定

1.1 试验数据的获取

试验所用材料为U71MnG钢轨，其化学成分和力学性能如表1和表2所示． 利用GAAS80/580焊机对U71MnG钢轨进行不同工艺的焊接，共焊48个接头，焊后进行落锤试验． 按国家标准规定，让重量10 000 N的锤头从3.1米高度自由落体，砸到接头上，若两锤不断，则从钢轨底部锯开，再通过落锤将其砸断，记录每个接头的灰斑面积． 通常灰斑区域要比其周围的母材基体平坦，且颜色呈暗灰色，灰斑的宏观形貌如图1所示． GAAS80/580焊机具有三通道记录装置，焊接过程中能分别独立记录压力、电流和动端位移随时间而变化的曲线． 文中利用落锤试验获得接头灰斑面积，利用焊接曲线获取影响接头灰斑面积的特征参数，落锤试验接头对应的焊接曲线来自与实验室合作单位的焊接生产现场．

表1 U71MnG钢轨化学成分(质量分数，%)

Table 1 Chemical compositions of U71MnG

CSiMnPS0．65～0．750．15～0．580．70～1．20≤0．025≤0．025

表2 U71MnG钢轨力学性能

Table 2 Mechanical properties of U71MnG

抗拉强度Rm/MPa断后伸长率A(%)硬度H(N·mm-2)≥880≥12260～300

图1 灰斑宏观形貌

Fig.1 Macro morphology of gray-spots

1.2 特征参数的确定

闪光稳定性、焊接接头的温度场和顶锻量是影响闪光对焊接头灰斑面积的主要因素． GAAS80/580焊机焊接工艺流程包括以下四个阶段．

闪平阶段主要目的是使两对接的钢轨端面充分接触，为进一步的焊接过程做准备． 一般认为该阶段对灰斑面积影响较小．

预热阶段是热量输入最主要的阶段，热量输入的目的是加热钢轨端面并获得合适的温度场，有效热量输入不同，接头的温度场也就不同． 预热电流关系到接头的温度场分布宽度，在第一次短路时预热电流最大，随后由于电阻上升而逐次减小．

烧化阶段目的是进一步提高温度场的梯度，为下一步的顶锻过程做充分准备． 要获得质量良好的焊接接头，要求该阶段闪光过程表现得既激烈又稳定，闪光稳定性由闪光率和短/断路权重因子来反映． 烧化量和焊接过程中损失的热量成正比，烧化量是指焊接过程开始到顶锻阶段开始时刻动端的位移量．

顶锻阶段目的是将融熔金属层及氧化夹杂物迅速挤出，并用一个很大的顶锻力使两对接钢轨端面发生塑性变形和重结晶，形成一个牢固的焊接接头． 有电流顶锻是接头排杂的重要过程，顶锻过程中合理利用有电流顶锻可以减少灰斑． 顶锻量会影响接头塑性变形程度和杂质的挤出程度． 文献[5]指出，顶锻速度过小也会使焊接接头质量下降． 此外，焊接接头灰斑面积还受焊接时间影响．

综上所述，钢轨闪光对焊接头灰斑面积主要受以下10个特征参数的影响：焊接接头的有效热量输入、预热电流、烧化阶段闪光率、烧化阶段短/断路权重因子、烧化量、顶锻力、顶锻电流、顶锻量、顶锻速度和焊接时间．

文中提取的10个特征参数中，顶锻力、焊接时间可通过GAAS80/580焊机记录的压力曲线得出; 预热电流、顶锻电流可通过电流曲线得出; 烧化量、顶锻量和顶锻速度可通过位移曲线得出． 烧化阶段闪光率、烧化阶段短/断路权重因子、焊接接头的有效热量输入分别按式(1)、式(2)和式(3)计算[4,6,7]，即

闪光率

(1)

(2)

式中：k为烧化阶段的短/断路权重因子；n为该阶段的短路次数；m为断路次数；ti短路时间为每次短路持续的时间；ti短路时刻为每次短路开始的时刻；tj断路时间为每次断路持续的时间；tj断路时刻为每次断路开始的时刻．

Q有效=Q输入-Q烧化

(3)

式中：Q输入为总的热量输入；h为焊接过程中电压的调节次数；Ux为每次调节后的电压值；Ix为每个电压值对应的平均电流；Tx为该电压的持续时间；Q烧化为焊接过程中由于烧化而损失的热量，Q烧化=72L；L为烧化量．

2 BP神经网络构建及优化

2.1 BP神经网络的构建

理论上已经证明三层神经网络可以以任意精度逼近任何有理函数，所以文中选用三层拓扑结构的BP神经网络． 以提取的影响焊接接头灰斑面积的10个特征参数作为BP神经网络的输入量，以焊接接头的灰斑面积作为输出量建立闪光对焊灰斑面积预测模型． 根据Kolmogorov定理，取隐含层节点数目为m=2n+1，其中n为输入层节点数，因此隐含层单元数确定为21．

2.2 数据归一化

在神经网络训练过程中可能会遇到较大的输入变量抑制较小输入变量的情况，这会导致部分神经元达到饱和状态，使网络的训练时间增加，甚至无法收敛． 为了解决上述问题，首先对数据进行归一化处理，在MATLAB编程过程中应用mapminmax函数对数据进行归一化处理，该函数将数据分布在[-1,1]范围内，然后再应用newff函数创建BP神经网络，获得输出结果后再对预测输出值进行反归一化处理得到灰斑面积实际预测值．

2.3 PSO算法优化BP神经网络

利用PSO算法可以对BP神经网络的权值和阈值进行优化． PSO算法与BP神经网络结合的方法是将BP网络的各个权值和阈值编码成为粒子位置的各个分量，粒子的维数就是所有权值和阈值的数量． PSO算法优化BP神经网络的流程如图2所示． 应用PSO算法优化BP神经网络的过程中有两个重要的步骤：个体的编码和适应度函数的确定．

图2 PSO算法优化BP神经网络的流程

Fig.2 Optimizing process of BP neural network with PSO

2.3.1 编码方案

个体编码选用实数编码方案，每个粒子由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值和输出层阈值四部分组成． 初始权值和阈值设为随机数，并设置粒子位置和速度的限制范围，这样每个粒子就反映了神经网络权值和阈值的初始分布． 由BP神经网络结构为10-21-1可得，共有10×21+21×1=231个权值，21+1=22个阈值，所以粒子维度为231+22=253．

2.3.2 适应度函数确定

在完成编码以后，需要确定适应度函数． 适应度用来反映粒子的优劣性，文中把落锤检验焊接接头的灰斑面积实际值和预测值之间的误差绝对值和作为粒子适应度值F，即

(4)

式中：n为样本数；yi为BP神经网络第i个样本的灰斑面积实际值；ti为第i个样本的灰斑面积预测值．

2.3.3 参数控制

建立的钢轨闪光对焊接头灰斑面积预测模型中，BP神经网络参数设置为：隐含层传递函数为tansig，输出层的传递函数为purelin，最大训练步数为2 000，训练目标误差为0.001，网络学习速率为0.1；粒子群算法参数设置为：种群规模为30，进化代数为50，学习因子c1=c2=1.8，惯性权重w=0.7，粒子位置和速度取值范围分别为[-1,1]和[-0.5,0.5]．

3 PSOBP模型的训练及预测

从落锤试验的48个接头中，选取38个作为训练样本，对PSO算法优化的BP网络(记为PSOBP)预测模型进行训练，再利用余下的10个作为测试样本进行预测． 在测试样本中，样本2和样本8的灰斑面积预测结果为负值，但实际中灰斑面积只能是非负值，所以将这两个样本的灰斑面积按0处理． 对10个测试样本进行预测得到结果如图3所示．

图3 PSOBP预测结果

Fig.3 BP prediction results by PSO

从图3可以看出PSO算法BP预测模型对测试样本的预测结果总体与落锤试验结果是比较接近的． 其中样本2,5,6,7,8,9的灰斑面积预测误差在1 mm2以内，样本1,3,4,10的灰斑面积预测误差在4 mm2以内． 应用corrcoef函数求得10个测试样本的灰斑面积预测值和实际值之间的相关系数达到0.957 1，表明PSO算法BP模型的预测值与实际值具有较高的一致性，建立的PSO算法BP模型能较准确地预测出焊接接头的灰斑面积．

4 讨 论

灰斑是闪光对焊接头中最突出的缺陷，灰斑的存在会导致接头的脆性断裂． 因此，对灰斑面积做出预测是评判接头质量的关键． 文献[4]用BP神经网络对闪光对焊接头质量进行了预测，但由于BP网络建立时随机产生权值和阈值，这会导致每次的预测结果总是不一样． 文中利用PSO算法得到了BP网络的最优权值和阈值，建立的PSO算法BP灰斑面积预测模型能解决BP网络每次预测结果不同的问题．

将PSO算法BP预测结果和传统的BP网络、遗传算法优化的BP网络(记为GABP)预测结果作比较，如图4、图5和表3所示．

图4 三种模型预测结果

Fig.4 Three kinds of models prediction results

图5 三种模型预测误差

Fig.5 Three kinds of models prediction error

表3 三种方法预测精度比较

Table 3 Three methods of prediction accuracy

预测方法PSOBPGABPBP均方误差MSE2．12963．61774．1361

图4和图5分别表示了三种预测模型对10个测试样本的灰斑面积预测值和预测误差． 在GABP预测模型中，BP神经网络参数设置与PSOBP模型中相同，遗传算法参数设置为种群规模为20，进化代数为50，交叉概率为0.7，变异概率为0.4． 由图可看出，GABP模型的预测结果优于传统的BP模型的预测结果，而PSOBP模型的预测结果比GABP模型的预测结果更好． 从表3可知，PSOBP模型的均方误差最小，预测可靠性最高．

5 结 论

(1) 建立的PSOBP预测模型能较准确地预测出U71MnG钢轨焊接接头的灰斑面积． 灰斑面积预测值和实际值之间的相关系数达到0.957 1,说明提取的特征参数能够反映接头灰斑情况．

(2) 采用PSO优化了BP神经网络的权值和阈值，并将钢轨闪光对焊接头灰斑面积的PSOBP预测模型与BP预测模型和GABP预测模型做了比较． 结果表明，PSOBP模型预测精度最高．

(3) 预测误差的存在有多方面原因：一是特征参数计算存在误差；二是样本个数少，覆盖范围不全面；三是PSOBP预测模型的参数还未最优． 后续将不断地充实样本数据，寻找最优匹配的模型参数，提高PSOBP预测模型的泛化能力，使该模型预测结果更加精确．

参考文献：

[1] 卢庆华， 徐培全， 于治水， 等. 钢轨焊接技术及质量控制[J]. 焊接技术，2010, 39(1): 66-68． Lu Qinghua， Xu Peiquan， Yu Zhishui， et al． A welding and quality control technology of rail[J]. Welding Technolog， 2010， 39(1)： 66-68．

[2] 陈 凡． 闪光对焊接头质量监控、 判断的新方法[J]. 特钢技术， 2006， 11(2)： 45-51． Chen Fan． New technique for quality monitory and estimationon flash butt weld[J]． Steel Technology， 2006， 11(2)： 45-51．

[3] Robin C. Rail flaw detection: overview and needs for future developments[J]. NDT & E International, 2004， 37(2)： 111-118．

[4] 吕其兵， 戴 虹， 谭克利， 等． 基于BP人工神经网络的钢轨交流闪光焊焊接接头质量预测[J]. 焊接学报， 2005， 26(5)： 65-68． Lü Qibing， Dai Hong， Tan Keli， et al． Quality prediction of alternating current flash butt welding of rail based on improved BP neural network[J]. Transactions of the China Welding Institution， 2005， 26(5)： 65-68．

[5] 王志中． 钢轨焊接工[M]． 北京： 中国铁道出版社， 1995．

[6] 吕其兵， 谭克利， 骆德阳， 等． 基于RBF神经网络的钢轨交流闪光焊接头灰斑面积预测[J]． 焊接学报， 2008， 29(2)： 93-96． Lü Qibing， Tan Keli， Luo Deyang， et al． Prediction of area of gray-spots flaw in alternate rail flash butt welded joint based on RBF neural network[J]． Transactions of the China Welding Institution， 2008， 29(2)： 93-96．

[7] 丁 韦， 宋宏图， 骆德阳， 等． U75V钢轨闪光焊工艺研究[J]． 热加工工艺， 2010， 39(9)： 135-137． Ding Wei， Song Hongtu， Luo Deyang， et al． Study on flash-butt welding processfor U75V rail[J]． Hot Working Technology， 2010， 39(9)： 135-137．

收稿日期：2014-10-29

基金项目：国家自然科学基金资助项目(50775105)

作者简介：张爱华，女，1964年出生，博士，教授，博士研究生导师. 主要从事电子信息科学与技术、检测技术与自动化装置方面的教学与科研工作. 发表论文80余篇. Email: [e-mail]

中图分类号：TG 115.28

文献标识码：A

文章编号：0253-360X(2016)11-0011-04