基于BP-遺傳算法的集電極Cu-Al超聲波焊接工藝研究①

王智海，王天根，姚 斌

(1.浙江農(nóng)業(yè)商貿(mào)職業(yè)學院汽車技術系，浙江 紹興 312088；2.中國計量大學裝甲材料實驗室，浙江 杭州 310018)

1 引言

新能源汽車上下游產(chǎn)業(yè)迅速發(fā)展，與之配套的汽車鋰電池隨之需求旺盛，而由于銅和鋁具有較高的電導率和熱導率等優(yōu)點，使得其作為電池集電極材料應用十分廣泛，其中鋰電池正負極集電極的連接亦成了一項研究熱點[1](正極集電極材料為鋁箔，負極集電極材料為銅箔)。

但是，銅-鋁異種金屬間的焊接依然存在諸多問題，比如純鋁焊接過程中表面極易氧化，會導致超聲焊接連接力大幅下降，金屬銅與金屬鋁焊接熔焊過程中會產(chǎn)生不同的金屬間化合物(Intermetallic Compound，簡稱IMC)，另外銅-鋁兩種金屬的線膨脹系數(shù)也存在差異，極易導致焊接接頭熱穩(wěn)定性差和出現(xiàn)裂紋等[2]。傳統(tǒng)熔焊方法在用于銅-鋁異種金屬間焊接時基本無效，熔焊時兩種金屬晶粒尺寸極難控制，極易對焊接接頭的力學性和質量產(chǎn)生負面影響，因此導致了線性摩擦焊和超聲波點焊等固相焊接方法在集電極銅-鋁異種金屬間焊接方面的應用。

其中超聲波焊接技術因其低能量高頻率的工作特點，可以減少脆性金屬間化合物層的出現(xiàn)，從而提高銅鋁焊接接頭的質量。超聲波焊接技術如今已在連接多種異種材料上得到應用，比如金屬和陶瓷，金屬和玻璃[2]。目前主流認為銅-鋁異種金屬其焊接機制為引入的超聲能量會在連接界面間形成“漩渦狀”塑性變形和局部的機械自鎖，隨著焊接能量的輸入，使得異種金屬間晶粒融合和金屬元素相互擴散[3]。

焊接壓力、焊接振幅和焊接能量等關鍵焊接工藝參數(shù)直接決定了超聲焊接能量的輸入，焊接能量的大小和時域分布直接決定了焊接質量，因此對其優(yōu)化十分必要。而這些參數(shù)對焊接影響的關系為非線性和互相影響，BP神經(jīng)網(wǎng)絡和遺傳算法正好完全匹配進行綜合優(yōu)化[4]。BP人工神經(jīng)網(wǎng)絡由于擁有優(yōu)異的非線性映射泛化能力，因此可對復雜過程建立高精度預測模型[5]，從而獲得較好的銅-鋁超聲波焊接接頭的質量和焊接參數(shù)組合。本文利用BP神經(jīng)網(wǎng)絡-遺傳算法對純銅(厚度為0.5 mm的99.9%銅片)與純鋁(厚度為0.5 mm的99.9%鋁片)的超聲波焊接工藝參數(shù)進行預測及優(yōu)化，同時，采用銅-鋁超聲焊接后的最大拉剪載荷來衡量焊接的質量好壞，并對優(yōu)化后的超聲焊接參數(shù)組合試驗，分析計算值與試驗值的相對誤差百分比，并進行驗證。

2 實驗部分

2.1 試驗材料

試驗材料選擇的兩種金屬厚度均為0.5 mm，純銅薄片和純鋁薄片的純度也均為99.9%。其主要材料成分如表1和表2所示。

表1 試驗材料純鋁的化學成分

表2 試驗材料純銅的化學成分

按試樣尺寸制作完成后，必須去除純鋁表面的致密Al2O3氧化膜，即在進行超聲波焊接前需要對純鋁試樣表面進行處理，先采用800目砂紙粗打磨，再使用1 200目砂紙打磨薄鋁片重疊區(qū)域，打磨完成后，立即將薄鋁試樣放在酒精內，直至焊接前取出，取出后需用棉紗布擦拭干凈，并迅速進行焊接，以免二次氧化。

2.2 試驗設備

該試驗使用的超聲波焊機為LT-1532型焊機，最大工作功率為3.2 kW，振動頻率為15 kHz，工作焊頭的形狀如圖1所示，齒的頂角為90°，齒間距為0.79 mm，齒深為0.4 mm，尺寸為8×8 mm，齒數(shù)為10×10。

圖1 10×10焊頭尺寸圖(a)焊頭模型和(b)焊頭尺寸

將0.5 mm厚的純薄鋁片和0.5 mm厚的純銅薄片通過線切割制成100 mm×30 mm的長條形薄片試樣。如圖2所示，按上述要求切割完成后，銅薄片和鋁薄片部分重疊放置，其重疊長度為30 mm，純銅薄片放置于純鋁薄片的下方(即鋁上銅下)。

圖2 試樣尺寸及焊接布置圖

2.3 BP神經(jīng)網(wǎng)絡模型訓練及預測樣本

焊接壓力、焊接振幅和焊接能量為三個主要的超聲波焊接關鍵工藝參數(shù)，以往大量試驗可得出大致的三個數(shù)值范圍：焊接壓力范圍在0.21 MPa～0.42 MPa，焊接振幅范圍在41 μm～61 μm，焊接能量范圍在300 J～1 000 J。如果焊接參數(shù)值過小，會出現(xiàn)接頭焊接不牢(虛焊)，而當焊接輸入能量較大時，又會導致試樣材料與焊頭之間過分粘接。根據(jù)表3所示的超聲波焊接工藝參數(shù)組合進行試驗，并且采用最大拉伸剪切載荷結果用于后續(xù)神經(jīng)網(wǎng)絡模型訓練與預測。采用萬能試驗機(WAW-2000D)進行拉伸剪切試驗銅-鋁焊接接頭處的最大拉伸剪切載荷，設置試驗速率為0.5 mm/min。每組相同的焊接工藝參數(shù)組合下進行5次一致性試驗，并且以5次試驗平均值代表焊接工藝參數(shù)組合下的接頭質量。

3 BP-遺傳算法優(yōu)化

3.1 BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是類似于大腦神經(jīng)突觸連接的結構，是目前人工智能算法和智能學習中使用最多的算法之一[6]。神經(jīng)網(wǎng)絡不需要明確地給出輸入與輸出間的函數(shù)關系，在之前通過試驗得到的全部試驗數(shù)據(jù)中，選擇部分試驗數(shù)據(jù)進行BP神經(jīng)網(wǎng)絡訓練，另外的數(shù)據(jù)可對算法計算樣本進行預測，因此，可建立三個工藝參數(shù)與最大拉剪載荷對應的映射關系，通過控制迭代次數(shù)，采用均方誤差評價BP神經(jīng)網(wǎng)絡的好壞。本文主要以Python編程語言對BP神經(jīng)網(wǎng)絡進行輸入、輸出、中間層數(shù)據(jù)處理，圖3為神經(jīng)網(wǎng)絡模型的結構。

圖3 BP神經(jīng)網(wǎng)絡模型

輸入層為三個神經(jīng)元節(jié)點，包含焊接壓力、焊接振幅、焊接能量工藝參數(shù)，輸出層節(jié)點數(shù)為焊接接頭處的抗拉剪載荷。多次對隱含層神經(jīng)元數(shù)量和激活函數(shù)的不斷調整，發(fā)現(xiàn)單層隱含層的網(wǎng)絡模型計算值與試驗值的誤差較大，不能滿足計算精度要求。逐漸調整隱含層數(shù)目，最終以四層BP神經(jīng)網(wǎng)絡模型計算，同時各層隱含層神經(jīng)元數(shù)目也不相同，第一層的個數(shù)為14，第二層個數(shù)為10，第三層個數(shù)為8，第四層個數(shù)為6，第五層個數(shù)為4。

從訓練樣本中隨機選取8組數(shù)據(jù)歸一化(表3)，表4為歸一化后的工藝參數(shù)數(shù)據(jù)，其訓練算法采用L-M誤差擬合法進行，學習速率設置為0.025，發(fā)現(xiàn)網(wǎng)絡訓練1 200次左右收斂，其平均方差為4.78×10-14，如圖4所示。

表3 BP模型訓練及預測樣本表

表4 焊接工藝參數(shù)數(shù)據(jù)樣本歸一化

圖4 L-M法誤差擬合曲線

在BP神經(jīng)網(wǎng)絡模型完成學習后，從試驗數(shù)據(jù)中隨機選取4組進行預測(表3中序號3、8、10和12)，預測得到4組試驗的抗剪載荷值后，通過算法預測值與實際試驗值的數(shù)據(jù)對比，即可完成學習預測模型的準確性檢驗，其對比曲線如圖5所示?？辜糨d荷的平均誤差百分比數(shù)值為0.35%，最大誤差百分比數(shù)值為0.5%，兩種誤差精度符合工程預測需求，即得到遺傳算法所需的目標函數(shù)。

圖5 算法模擬值與真實拉伸試驗值對比

3.2 遺傳算法

遺傳算法是一種針對非線性問題的數(shù)學算法，通過之前已經(jīng)完成訓練的BP神經(jīng)網(wǎng)絡模型預測結果與個體適應度進行對應，對染色體操作尋得函數(shù)極值為全局最優(yōu)值[7]。

將焊接壓力、焊接振幅、焊接能量形成基因染色體，將染色體基因實數(shù)值與超聲波焊接參數(shù)進行相互對應，即每條染色體均為一組焊接參數(shù)，再由染色體進行選擇、交叉與變異進行尋優(yōu)，即為工藝參數(shù)的優(yōu)化，反復迭代后便可確定擁有最好適應值的個體，該算法對問題本身不依賴，因而可避免陷入局部最優(yōu)和不收斂的情況出現(xiàn)[8]。

運用Python編程編寫遺傳算法與已學習完成的BP神經(jīng)網(wǎng)絡模型相結合，圖6為組合算法流程。在該算法中，設置遺傳算法的迭代次數(shù)為50，種群規(guī)模大小為20，適應度函數(shù)為學習完成的神經(jīng)網(wǎng)絡模型，選擇過程由輪盤賭法進行，設置交叉值為0.2，變異概率為0.4。

圖6 BP神經(jīng)網(wǎng)絡-遺傳算法組合流程圖

4 結果與討論

采用遺傳算法快速找到非線性函數(shù)的極值，可以得到最優(yōu)個體的適應度變化，圖7適應度收斂變化情況，反復循環(huán)迭代后，個體適應度逐漸減小，在110次時，適應度最小值出現(xiàn)，為0.004 1，便可得到的最優(yōu)超聲焊接工藝參數(shù)組合為焊接壓力0.293 MPa、焊接振幅49.1 μm和焊接能量730.5 J。取可執(zhí)行解焊接壓力0.29 MPa、焊接振幅49 μm和焊接能量731 J進行3組超聲波焊接試驗，銅鋁焊接接頭成形外觀平整，未發(fā)現(xiàn)其他質量缺陷。

圖7 適應度收斂變化曲線

同訓練樣本試驗條件一致，依然采用拉伸試驗機進行試驗，表5為三組拉伸試驗的結果值與優(yōu)化值對比。驗證焊接接頭最大抗剪載荷為1 701.4 N，優(yōu)化算法的預測值與優(yōu)化組合試驗值間的最大誤差百分比為0.61%，誤差和精度均滿足要求。

表5 優(yōu)化組合焊接參數(shù)與拉伸測試結果對比

5 結論

通過BP神經(jīng)網(wǎng)絡與遺傳算法的組合運用，對動力鋰電池銅-鋁集電極的超聲波焊接工藝參數(shù)進行組合研究。所得最優(yōu)可執(zhí)行焊接工藝參數(shù)組合為焊接壓力0.29 MPa、焊接振幅49 μm和焊接能量731 J，此時焊接接頭抗剪載荷平均值達到1 701.4 N。BP神經(jīng)網(wǎng)絡組合后能夠較為精確地預測計算優(yōu)化，完成銅-鋁集電極焊接接頭處的力學性能優(yōu)化，與傳統(tǒng)試驗優(yōu)化方法相比，精度和速度上具有十分明顯的優(yōu)勢，因此，非常適用于解決現(xiàn)實工程應用中的非線性多種參數(shù)組合問題。