基于模糊径向基神经网络焊接接头力学性能预测方法的研究

获得高质量高性能接头是焊接结构安全可靠运行的根本保证，是焊接工作者长期努力的目标。以钛合金TIG焊为例，研究焊接工艺参数、焊缝化学成分对接头显微组织、焊接缺陷的主要作用，丰富焊接专家知识，并对决定接头力学性能的显微组织、焊接缺陷量化处理，获取样本数据。利用专家知识设计模糊规则、推理方式，分析模糊逻辑、神经网络的机理与特点，研究模糊逻辑和神经网络三种不同融合方式，构建新型模糊径向基神经网络预测模型。设计适合该模型的学习训练算法与优化算法，将焊接专家知识融入到建模与学习训练过程中，研究模型预测精度、收敛速度、稳定性和泛化能力，进而提高模型的预测精度，改善其各项性能。开发应用软件实现更准确地预测接头力学性能，优化焊接工艺参数，为提高和控制焊接接头质量提供依据。本项目属于交叉学科，研究成果不仅为焊接接头力学性能预测开辟新途径和方法，还拓展模糊神经网络技术新的应用领域，具有重要的学术意义和实用价值。

获得高质量高性能接头是焊接结构安全运行的保证，是焊接工作者长期努力的目标。由于焊接过程高度非线性、多变量、强耦合，建立数学模型困难，难以获得合理焊接工艺和准确预测接头力学性能，无法表征焊接质量的优劣。建立融合径向基（ RBF）神经网络和模糊逻辑各自优点的模糊径向基神经网络模型，用于预测焊接接头的力学性能并优化焊接工艺。以不同厚度TC4钛合金TIG焊接试验为基础，从焊接工艺、焊缝化学成分、显微组织结构、焊接缺陷等方面对影响接头力学性能的因素进行了深入研究，获得建模所需训练样本与仿真样本。.以焊接参数作为模型的输入参数，接头力学性能作为输出参数，对基于模糊RBF神经网络焊接接头力学性能预测方法进行研究。构建了三种基于模糊聚类算法，分别是基于模糊C均值（FCM）聚类、减法聚类和熵模糊聚类（EFC）的模糊RBF神经网络模型。利用实验样本仿真，结果表明：构建的三种网络模型均达到了较高的预测精度，其中 FCM聚类、减法聚类和EFC聚类的预测精度依次由高到低。但是确定聚类算法初始化参数的难度也如此排列。所建立模型具有结构简单、训练速度快、预测精度高和泛化能力强的优点。在此基础上进一步构建了减法聚类和EFC聚类分别与FCM聚类混合的模糊RBF神经网络预测焊接接头力学性能，所建模型能够发挥FCM聚类预测精度高和减法聚类与及EFC聚类算法初始参数容易确定的特点，建模速度快且模型预测精度高，适用于样本数据较多的情况。利用数学解析的方法将模糊RBF神经网络进行分解，建立起焊接工艺参数与接头力学性能之间关系的映射函数，用来预测接头力学性能并优化焊接工艺参数，克服了神经网络“黑箱”模型中各节点蕴含知识难以理解和不易调整的不足，使之变成“透明”，为模型能够融入焊接专家经验知识开辟了新的途径。针对模糊神经网络模型结构预先设定，训练过程中对于新增样本只能重新训练，而对动态样本适应性不足的缺陷，尝试性探索了动态模糊RBF神经网络（D-FRBFNN）和广义动态模糊RBF神经网络（GD-FRBFNN）模型与算法，用于接头力学性能预测的建模，期望用于焊接过程的在线控制。.利用Matlab与Delphi混合编程技术，开发了基于模糊RBF神经网络模型预测焊接接头力学性的软件，并可优化焊接工艺。