关键词:
微电阻点焊
核极限学习机
质量预测
参数优化
摘要:
【目的】为了提高小样本数据条件下微电阻点焊焊接质量预测的精度和泛化能力,提出了一种基于交叉验证(Leave one out,LOO)与粒子群优化算法(Particle swarm optimization,PSO)协同优化核极限学习机(Kernel extreme learning machine,KELM)的回归预测方法(LOO-PSO-KELM)。【方法】首先,采用正交试验方法开展电阻点焊工艺试验,建立小样本数据集,并采用留一法交叉验证对数据集进行分类。然后,基于验证数据集的绝对误差和与核极限学习机预测模型,利用粒子群优化算法对核极限学习机的参数进行寻优,获得可靠稳定的预测模型。最后,以选取的焊接工艺参数和LOO-PSO-KELM模型为基础,采用粒子群算法对工艺参数进行优化,获取最优工艺参数。【结果】与传统的PSO-BP神经网络和PSO-KELM算法对比,LOO-PSO-KELM算法在各类标准上表现优异,其预测的熔核直径和拉剪力的均方根误差分别为0.0199和4.4249;基于选取的焊接工艺参数对LOO-PSO-KELM模型进行验证,LOO-PSO-KELM模型预测值与试验验证结果的相对误差均小于3%,与正交试验下的最佳参数比较,拉剪力提高了2%。【结论】与传统方法相比,LOO-PSO-KELM预测模型具有更强的预测性能。在小样本数据集下,体现了较强的泛化性能,所提出的方法在微点焊的锂电池连接中具有良好的应用价值。