谢威,季丹丹

牡丹江师范学院,黑龙江牡丹江市157001

基于改进BP神经网络收割机铆接接头力学性能预测

谢威,季丹丹

牡丹江师范学院,黑龙江牡丹江市157001

针对收割机结构钢铝材料的铆接接头力学性能差和技术难度大问题，使用改进的BP神经网络模型研究钣金结构厚度、硬度、接头底部直径等接头技术参数与材料自身剪切力与剥离力强度等力学参数的映射关系。结果表明，训练后的神经网络模型能够准确有效地预测收割机铆接接头力学性能，剪切强度最大相对误差从7.44﹪下降到0.73﹪，剥离强度相对误差从6.35﹪下降到0.65﹪，证实改进神经网络应用于收割机铆接接头力学性能预测的可行性与可靠性，为收割机钢铝材料铆接接头设计提供参考依据。

收割机;改进BP神经网络;铆接接头;力学性能

近年来随着科学发展节能、绿色的设计思路越来越得到广泛的运用，而针对农用收割机设计中的轻量化则成为实现这一目标的一种手段和途径。目前对于收割机研究还局限在结构原理等方面[1,2]，伴随着先进农用收割机框架及轻量化替代材料的出现，钢铝合金混合结构已经成为收割机轻量化的重点，具体详见图1。

传统的连接方法包括螺纹连接、焊接和铆接。螺纹连接与铆接由于预先在板材上冲钻孔故容易出现连接压力控制不良的问题，焊接由于要对板材进行加热容易对板材的机械性能进行恶性改变。无铆钉自冲铆技术克服了螺纹、焊接连接技术的缺点故在汽车领域运用逐渐变广，而现有BP预测模型存在训练精度低、收敛速度慢及泛化能力差等缺点[3,4]。因此，本文对BP神经网络下的收割机铆接接头力学性能进行修正性研究，并对改进后的模型的力学预测进行研究，通过运用以上修正理论得到新模型的各项性能得到大大提高，为以后对铆接接头的优化设计研究提供一定的理论依据。

1 收割机无铆钉自冲铆工作原理

试验所用的产品为BTM公司提供的Toy-L-Loc气动无铆钉冲压铆接机如图2所示，主要部件有一个冲头、一个活动凹模和弹性压紧装置。关于铆接接头质量的检验，BTM公司使用手册中说明使用游标卡尺测试板件冲压成形后的底部直径(简称BD值)来评价[5]。

BTM装置工作过程如图3所示。第一步，板件被弹性夹紧装置固定；第二步，冲头将板件冲入凹模中；第三步，板件被挤压“流动”，凹模张开，防止回弹，实现板件间的套嵌锁死。

2 BP-ALM混合算法预测模型

2.1 动量系数计算

图1 收割机Fig.1 Harvester machinery

图2 铆接接头Fig.2 Clinching joint

图3 铆接接头成型过程Fig.3 Process of forming clinching joint

通过以上公式关系我们可以对学习比率和动量进行分别定义，

式中：n表示迭代次数，η表示学习比率，ζ表示动量系数。

2.2 BP-ALM算法

根据Kolmogorov定理，一个三层BP网格即可完成任意n维空间到m维空间的映射，如图4所示。整个网络结构包括输入节点、中间节点和输出节点组成，Sigmoid公式被引入中间层和输出层[6-8]。

图4 BP-ALM的冲铆预测模型Fig.4 BP-ALM prediction models of clinching joint

模型均方差由下式定义：

式中：ypj预期输出节点值opj实际输出节点值。

为了提出新的模型这里使用Sigmoid公式：

式中：dpj参考了L层节点j的误差信号，而Opi参考了（L-1）层输出节点i信号。

对此，整体的算法过程如下所示：

第一步：在区间[0,1]之间随机选取wji，wkj，qj，qk的初始值。

第二步：将初始向量Xp施加于输入节点。

第三步：计算网络节点输入中间层节点值和中间层j节点输出值：

第七步，更新输出层的权值和偏差：

第八步，更新中间层的权值和偏差：

第九步，回到第二步重复进行操作，直到总体误差足够小，计算终止。

3 收割机铆接接头模型验证与分析

针对铆接接头机理特性，通过BP-ALM算法进行计算分析后得到程序计算结果，训练次数为250，总的均方根误差如图5所示。由图5可知，随着训练次数的增加，平均总均方误差和最小总均方误差都先减小后基本保持不变，且训练完之后平均总均方误差与最小总均方误差相等。图6为BP网络训练误差曲线，由图6可以看出，经过415次训练以后，BP-ALM的训练目标误差为，运行时间为7.6 s。传统的BP算法的预测模型在训练目标误差为的条件下，训练次数为2988，运行时间为96 s。改进BP-ALM混合算法不仅比传统的BP算法训练次数少，而且预测精度高。

图5 次数与均方差曲线Fig.5 Curve of number and mean square error

图6 BP网络训练误差曲线Fig.6 Curve ofBP network training error

表1为传统与改进BP神经网络预测值与预测误差，由表1可知，传统BP神经网络对铆接接头剪切力强度预测最大值误差为7.44﹪，最小误差为1.1﹪；对铆接接头剥离力强度预测最大值误差为6.35﹪，最小误差为1.0﹪。而改进BP神经网络对铆接接头剪切力强度预测最大值误差为0.73﹪，最小误差为0.1﹪；对铆接接头剥离力强度预测最大值误差为0.65﹪，最小误差为0.1﹪。对比BP与BP-ALM预测模型，针对材料自身剪切力与剥离力强度预测与测试结果的相对误差。通过BP-ALM算法的预测模型在计算的稳定性和精确性要比传统BP算法具有优势。剪切强度最大相对误差从7.44﹪下降到0.73﹪，剥离强度相对误差从6.35﹪下降到0.65﹪，误差分布趋于合理，误差数值较小。

表1 传统与改进BP神经网络预测值与预测误差Tab.1 Traditional and improved BPneural network prediction value and prediction error

4 结论

（1）针对铆接接头力学性能的，接受样本训练后的BP-ALM混合预测模型，在考虑钣金件厚度、硬度以及接头底部直径等参数后，能够在一定训练数范围中能够正确的预测其力学性能。

（2）BP-ALM神经网络预测模型相对标准BP神经网络预测模型收敛时间较短，较稳定，预测精度较高。

（3）通过BP-ALM算法的预测模型在计算的稳定性和精确性要比传统BP算法具有优势。剪切强度最大相对误差从7.44﹪下降到0.73﹪，剥离强度相对误差从6.35﹪下降到0.65﹪，误差分布趋于合理，误差数值较小。

（4）训练后的BP-ALM神经网络预测模型的预测精度和泛化能力能够满足工程需要，能够对后期的钢铝铆接接头进行优化设计提供理论依据。

[1]李耀明,叶晓飞,徐立章,等.联合收割机行走半轴载荷测试系统构建与性能试验[J].农业工程学报,2013,29(6):35-39

[2]张成涛,谭彧,吴刚,等.谷物联合收割机电控全液压转向系统建模与仿真[J].农业工程学报,2012,29(20):11-16

[3]石玗,樊丁,陈剑虹.基于神经网络方法的焊接接头力学性能预测[J].焊接学报,2004,25(2):73-76

[4]张艳飞,董俊慧,张永志.基于自适应模糊神经网络焊接接头力学性能预测[J].焊接学报,2007,28(9):5-8

[5]龙江启,兰凤崇,陈吉清,等.基于神经网络无铆钉自冲铆接头力学性能预测[J].计算机集成制造系统,2009,15(8):1614-1620

[6]VARIS J P.The suitability of clinching as a joining method for high-strengh structural steel[J].Journal of material Processing Technology,2003,132:242-249

[7]PEDRESCHI R F,SINHA B P.An experimental study of cold formed steel trusses using mechanical clinching[J]. Construction and Building Material,2008,22:921-931

[8]LONG Jiangqi,LAN Fengchong,CHEN Jiqing.New technology on lightweighting&steel-aluminum hybrid structure car body[J].Chinese Journal of Mechanical Engineering,2008,44(6):27-35

PredictionoftheHarvesterMachineryClinchingJointsforMechanical PropertiesBasedonImprovedBPNeuralNetwork

XIE Wei,JI Dan-dan
Mudanjiang Normal University,Mudanjiang 157001,China

Steel and aluminum materials for harvester machinery optimizing the design and structure of clinching joints mixed material body joints technical problems,this paper use the improved BP neural network of sheet thickness,hardness, joint bottom diameter connector fitting technical parameters and the material itself shearing strength and peeling strength and other mechanical parameters of the mapping.For improved neural network prediction results test results indicate that the trained neural network model can accurately and efficiently predict the mechanical properties of clinching joints;confirmed the improved neural network used in predicting the mechanical properties of clinching joints feasibility and reliability for the design of steel and aluminum materials clinching joints provide a reference.

Harvester;improved BP neural network;clinching joints;mechanical properties

TH124

A

1000-2324(2015)03-0430-04

2013-06-11

2013-06-23

谢威(1981-),女,汉族,辽宁省葫芦岛市人,,硕士,讲师,研究方向:金融数学.