基于RBF神经网络与DE-NSGAII算法的钢轨闪光焊工艺参数多目标优化
摘要：钢轨闪光焊是无缝线路建设的关键工序，其焊接质量直接决定线路运行的安全性与平顺性。本文提出一种结合径向基函数（RBF）神经网络与差分进化-非支配排序遗传算法（DE-NSGAII）的多目标优化方法，以高压电压、高压基值电流、送进速度和回拉速度四个工艺参数为决策变量，以最大化热输入和热效率为优化目标，实现钢轨闪光焊工艺参数的高效寻优。
1. 研究背景与意义
1.1 钢轨闪光焊概述
钢轨闪光焊接是目前高速铁路与重载铁路无缝线路建设中应用最为广泛的焊接工艺之一。其基本原理是利用电流通过对接钢轨端面产生的电阻热，将接头区域加热至塑性状态或熔化状态，随后施加顶锻力完成焊接。
焊接质量的优劣主要取决于两个核心指标：
- 热输入 Q（MJ）：表征焊接过程中输入接头的总能量。热输入不足会导致未焊透、冷焊等缺陷；热输入过高则会造成晶粒粗化、热影响区软化。
- 热效率 η（%）：有效焊接能量与总输入能量之比。热效率直接反映能源利用水平与焊接工艺的经济性。
上述两个目标本质上存在 矛盾冲突 ------过高的热输入往往伴随能量耗散增加，导致热效率下降；而单纯追求高热效率又可能导致接头加热不足。因此，钢轨闪光焊工艺参数优化本质上是一个多目标优化问题（Multi-Objective Optimization Problem, MOP）。
1.2 传统方法的局限性
传统工艺参数优化主要依赖正交试验与响应面法（RSM），存在以下不足：
- 试验成本高昂：每组参数组合需要实际焊接试验，人力物力消耗大；
- 离散寻优精度低：正交试验只能在预设水平组合中选取"相对最优"，无法实现连续空间精细搜索；
- 多目标处理能力弱：通常将多目标加权为单目标，权重的选取高度依赖经验；
- 工艺-质量关系建模困难：焊接过程涉及电-热-力多场耦合，输入输出间存在复杂的非线性映射，传统回归模型表达能力有限。
1.3 本文研究思路
针对上述问题，本文提出RBF神经网络 + DE-NSGAII算法的双层优化架构：
- 下层（代理模型层）：利用径向基函数（Radial Basis Function, RBF）神经网络建立工艺参数→焊接质量的高精度非线性代理模型，替代昂贵且耗时的物理试验。
- 上层（多目标优化层）：采用融合差分进化（Differential Evolution, DE）机制的NSGA-II算法，在代理模型构建的连续参数空间中进行多目标寻优，输出Pareto最优前沿解集。
2. 数据来源与参数设定
2.1 试验数据
数据集来源于参考论文中的25组正交试验，涵盖四种工艺参数与两种质量指标。数据以4输入-2输出的形式组织，具体如下表所示：
| 序号 | 高压电压 U (V) | 高压基值电流 I (A) | 送进速度 v1 (mm/s) | 回拉速度 v2 (mm/s) | 热输入 Q (MJ) | 热效率 η (%) |
|---|---|---|---|---|---|---|
| 1 | 350 | 200 | 1.3 | 0.5 | 5.726 | 97.49 |
| 2 | 350 | 250 | 1.7 | 0.7 | 6.484 | 97.89 |
| 3 | 350 | 300 | 1.6 | 0.9 | 6.763 | 97.45 |
| 4 | 350 | 350 | 1.5 | 0.6 | 7.593 | 98.39 |
| 5 | 350 | 400 | 1.4 | 0.8 | 8.685 | 99.83 |
| ... | ... | ... | ... | ... | ... | ... |
| 25 | 390 | 400 | 1.5 | 0.9 | 8.669 | 86.63 |
2.2 决策变量及约束范围
四个决策变量的可行范围（与论文表8一致）：
| 决策变量 | 符号 | 下界 | 上界 | 单位 |
|---|---|---|---|---|
| 高压电压 | U | 350 | 390 | V |
| 高压基值电流 | I | 200 | 400 | A |
| 送进速度 | v₁ | 1.3 | 1.7 | mm/s |
| 回拉速度 | v₂ | 0.5 | 0.9 | mm/s |
2.3 优化目标
本文设定两个最大化优化目标：
- 最大化热输入 Q ------ 保证充分焊接能量
- 最大化热效率 η ------ 提升能源利用水平
多目标优化的数学形式为：
maxF(x)=f1(x),f2(x)T=Q(x),η(x)T\max \quad F(x) = f_1(x), f_2(x)^T = Q(x), \\eta(x)^TmaxF(x)=f1(x),f2(x)T=Q(x),η(x)T
s.t.xiL≤xi≤xiU,i=1,2,3,4\text{s.t.} \quad x_i^L \leq x_i \leq x_i^U, \quad i = 1,2,3,4s.t.xiL≤xi≤xiU,i=1,2,3,4
3. RBF神经网络建模
3.1 背景与动机
在工程优化中，直接以物理实验或有限元仿真作为适应度函数评估手段，将导致"一次性评估"成本极高。代理模型（Surrogate Model） 的思想是以少量试验数据训练一个计算成本极低的近似模型，替代高成本的评估过程。
径向基函数（RBF）神经网络因其局部逼近能力强、训练速度快、不易陷入局部最优的特点，特别适合于中小规模数据集的非线性函数逼近。
3.2 RBF网络结构
RBF神经网络由三层组成：
- 输入层：4个神经元（对应四个工艺参数）
- 隐含层：以高斯函数为径向基函数，神经元数量由训练过程自适应确定（最大25个）
- 输出层：2个神经元（对应热输入Q和热效率η）
隐含层神经元的高斯径向基函数为：
φj(x)=exp(−∥x−cj∥22σ2)\varphi_j(x) = \exp\left(-\frac{\|x - c_j\|^2}{2\sigma^2}\right)φj(x)=exp(−2σ2∥x−cj∥2)
其中，cjc_jcj 为第 jjj 个隐含层神经元的中心向量，σ\sigmaσ 为扩展常数（spread），xxx 为输入向量。
网络输出为各隐含层输出的线性加权组合：
yk(x)=∑j=1mwjk⋅φj(x)+bky_k(x) = \sum_{j=1}^{m} w_{jk} \cdot \varphi_j(x) + b_kyk(x)=j=1∑mwjk⋅φj(x)+bk
其中 wjkw_{jk}wjk 为连接权重，bkb_kbk 为偏置项，mmm 为隐含层神经元数量。
3.3 训练参数设定
| 参数 | 取值 | 说明 |
|---|---|---|
| spread（扩展速度） | 2.2 | 控制高斯函数的宽度，影响网络的平滑性与泛化能力 |
| goal（目标MSE） | 0.001 | 均方误差训练目标，达到即停止添加神经元 |
| MN（最大神经元数） | 25 | 隐含层最大神经元数，等于训练样本数 |
| DF（显示间隔） | 1 | 每添加一个神经元显示一次训练信息 |
3.4 训练策略
采用MATLAB newrb 函数的逐步增长策略：网络从零个隐含层神经元开始，每次迭代添加一个使误差下降最大的神经元，直至达到目标MSE或最大神经元数。
数据预处理方面，所有输入输出均归一化至 0,1 区间：
xnorm=x−xminxmax−xminx_{norm} = \frac{x - x_{min}}{x_{max} - x_{min}}xnorm=xmax−xminx−xmin
4. DE-NSGAII多目标优化算法
4.1 NSGA-II算法核心思想
非支配排序遗传算法（NSGA-II）是解决多目标优化问题的最经典算法之一，由Deb等人于2002年提出。其核心机制包含三个层次：
4.1.1 Pareto支配关系
在最大化问题中，解 AAA 支配解 BBB（记作 A≻BA \succ BA≻B）当且仅当：
∀i∈{1,2,...,M}:fi(A)≥fi(B)且∃j:fj(A)>fj(B)\forall i \in \{1,2,...,M\}: f_i(A) \geq f_i(B) \quad \text{且} \quad \exists j: f_j(A) > f_j(B)∀i∈{1,2,...,M}:fi(A)≥fi(B)且∃j:fj(A)>fj(B)
即 AAA 在所有目标上不劣于 BBB，且至少在一个目标上严格优于 BBB。
4.1.2 快速非支配排序
将种群按支配关系分层：
- 找出所有 np=0n_p = 0np=0（不被任何个体支配）的个体，构成第一非支配层（Front 1）；
- 移除Front 1个体，更新剩余个体的支配计数，重复上述过程；
- 直至所有个体被分配到不同层级。
算法复杂度为 O(MN2)O(MN^2)O(MN2)，其中 MMM 为目标数，NNN 为种群大小。
4.1.3 拥挤度距离
为维护Pareto前沿的均匀分布性，定义拥挤度距离：
di=∑m=1Mfm(i+1)−fm(i−1)fmmax−fmmind_i = \sum_{m=1}^{M} \frac{f_m(i+1) - f_m(i-1)}{f_m^{max} - f_m^{min}}di=m=1∑Mfmmax−fmminfm(i+1)−fm(i−1)
边界解的拥挤度设为 ∞\infty∞（始终保留）。选择操作中，层级编号越小越优先；同层内拥挤度越大越优先。
4.2 差分进化（DE）融合机制
传统NSGA-II使用模拟二进制交叉（SBX）与多项式变异产生子代。本文采用差分进化（DE）算子替换上述遗传操作，以增强全局搜索能力。
DE算子包含三个步骤：
（1）变异（Mutation）
对于每个目标向量 xix_ixi，从种群中随机选取三个互不相同的个体 xr1,xr2,xr3x_{r1}, x_{r2}, x_{r3}xr1,xr2,xr3：
vi=xr1+F⋅(xr2−xr3)v_i = x_{r1} + F \cdot (x_{r2} - x_{r3})vi=xr1+F⋅(xr2−xr3)
其中 F∈0,1F \in 0,1F∈0,1 为缩放因子，控制差分向量的扰动幅度。该操作使得算法能够自适应地探索搜索空间------初期种群分散时差分向量较大（全局探索），后期种群收敛时差分向量较小（局部开发）。
（2）交叉（Crossover）
对变异向量 viv_ivi 和目标向量 xix_ixi 进行二项式交叉，生成试验向量 uiu_iui：
ui,j={vi,j,if rand(0,1)≤CR or j=jrandxi,j,otherwiseu_{i,j} = \begin{cases} v_{i,j}, & \text{if } rand(0,1) \leq CR \text{ or } j = j_{rand} \\ x_{i,j}, & \text{otherwise} \end{cases}ui,j={vi,j,xi,j,if rand(0,1)≤CR or j=jrandotherwise
其中 CR∈0,1CR \in 0,1CR∈0,1 为交叉概率，jrandj_{rand}jrand 为随机选取的维度索引（确保至少一个分量来自变异向量）。
（3）边界约束处理
ui,j={xjL,if ui,j<xjLxjU,if ui,j>xjUu_{i,j} = \begin{cases} x_j^L, & \text{if } u_{i,j} < x_j^L \\ x_j^U, & \text{if } u_{i,j} > x_j^U \end{cases}ui,j={xjL,xjU,if ui,j<xjLif ui,j>xjU
4.3 算法参数设定
| 参数 | 符号 | 取值 | 说明 |
|---|---|---|---|
| 种群规模 | NNN | 50 | 每代参与优化的个体数 |
| 最大迭代代数 | GmaxG_{max}Gmax | 100 | 优化终止条件 |
| 缩放因子 | FFF | 0.5 | DE变异步长控制，平衡探索与开发 |
| 交叉概率 | CRCRCR | 0.8 | 控制DE交叉的信息继承程度 |
| 决策变量数 | DDD | 4 | 待优化的工艺参数数量 |
| 目标函数数 | MMM | 2 | 热输入Q与热效率η |
5. 技术路线与算法流程
5.1 总体技术路线
text
┌────────────────────────────────────────────────────────┐
│ 25组正交试验数据（4输入 → 2输出） │
└────────────────────────┬───────────────────────────────┘
│
▼
┌────────────────────────────────────────────────────────┐
│ 步骤一：数据预处理 --- 归一化至 [0,1] 区间 │
└────────────────────────┬───────────────────────────────┘
│
▼
┌────────────────────────────────────────────────────────┐
│ 步骤二：RBF神经网络训练 --- 建立工艺参数→质量的代理模型 │
│ · 输入层: 4个工艺参数 │
│ · 隐含层: 高斯径向基函数 (spread=2.2) │
│ · 输出层: Q(热输入), η(热效率) │
└────────────────────────┬───────────────────────────────┘
│
▼
┌────────────────────────────────────────────────────────┐
│ 步骤三：DE-NSGAII多目标优化 │
│ ┌──────────────────────────────────────────────┐ │
│ │ 3.1 种群初始化 (N=50) │ │
│ └──────────────┬───────────────────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────┐ │
│ │ 3.2 RBF网络预测 → 适应度评估 │ │
│ └──────────────┬───────────────────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────┐ │
│ │ 3.3 非支配排序 + 拥挤度计算 (NSGA-II) │ │
│ └──────────────┬───────────────────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────┐ │
│ │ 3.4 锦标赛选择 → DE变异/交叉 → 子代生成 │ │
│ └──────────────┬───────────────────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────┐ │
│ │ 3.5 父代+子代合并 → 环境选择 → 新种群 │ │
│ └──────────────┬───────────────────────────────┘ │
│ ▼ │
│ ┌──────────────────────────────────────────────┐ │
│ │ 3.6 Pareto前沿更新 │ │
│ └──────────────┬───────────────────────────────┘ │
│ │ │
│ 重复 3.2~3.6，共 G_max=100 代 │
└────────────────────────┬───────────────────────────────┘
│
▼
┌────────────────────────────────────────────────────────┐
│ 步骤四：结果分析 --- Pareto前沿可视化、最优解选取、 │
│ 参数敏感性分析、优化前后性能对比 │
└────────────────────────────────────────────────────────┘5.2 环境选择详细过程
环境选择是将父代种群（N个）与子代种群（N个）合并（2N个），从中选出N个作为下一代的关键步骤：
- 对合并种群（2N）执行快速非支配排序；
- 从Front 1开始逐层纳入新种群，直至某层无法完整纳入；
- 对最后一个无法完整纳入的层级，按拥挤度从大到小选取剩余名额；
- 非支配排序保证了收敛性（精英保留），拥挤度排序保证了多样性。
6. 运行环境
| 项目 | 配置 |
|---|---|
| 编程语言 | MATLAB（R2016b及以上版本） |
| 核心工具库 | Neural Network Toolbox / Deep Learning Toolbox |
| 操作系统 | Windows 10/11、macOS、Linux |
| 依赖函数 | newrb（RBF创建）、sim（网络仿真） |
| 随机数种子 | rng(42)，确保结果可重复 |
| 推荐内存 | ≥ 4 GB RAM |
跨平台移植建议 ：RBF神经网络模块可采用 Python 的 Scikit-learn
RBFSampler或自定义实现替代；DE-NSGAII 部分已有成熟的 Python 开源库（如pymoo、Platypus），可无缝迁移至 Python 生态以降低部署成本。
7. 应用场景与工程价值
7.1 直接应用场景
- 高速铁路无缝线路焊接：京沪高铁、京广高铁等时速350km/h线路的钢轨焊接工艺优化；
- 重载铁路焊接质量提升：大秦线、朔黄线等年运量超3亿吨的重载运煤专线，对焊接接头强度有极高要求；
- 城市轨道交通建设：地铁与轻轨线路的无缝化改造中，焊接参数需要根据钢轨型号与现场条件快速调整。
7.2 方法论推广价值
本文提出的"神经网络代理模型 + 进化多目标优化"架构具有较强的可迁移性，可推广至：
- 电阻点焊工艺参数优化（汽车白车身制造）
- 激光焊接功率-速度-离焦量多目标寻优
- 电弧增材制造（WAAM）路径规划与热输入控制
- 注塑成型工艺参数优化（熔体温度、注射压力、保压时间等）
- 3D打印工艺参数组合优化（填充率、层高、打印速度、喷嘴温度）
7.3 实际效益
通过本方法优化后的工艺参数组合，可在保持焊缝充分热输入的前提下显著提升热效率（本案例中有效热输入改善幅度显著），意味着：
- 直接经济效益：降低电耗成本，以高铁线路焊接基地日均焊接数十个接头计，年节电可观；
- 质量效益：减少焊接缺陷率，降低返工与后期维护成本；
- 标准化效益：为不同钢种、不同轨型的焊接参数快速优选提供可复用的方法论框架。
8. 总结与展望
8.1 本文工作总结
本文系统性地实现了一套基于 RBF神经网络代理模型 与 DE-NSGAII多目标优化算法 的钢轨闪光焊工艺参数优化方案：
- 以25组正交试验数据为基础，训练RBF神经网络建立工艺参数与焊接质量之间的非线性映射模型，实现了对热输入和热效率的精确预测（预测误差达到极小水平）；
- 将差分进化（DE）算子融合至NSGA-II算法框架，构建DE-NSGAII混合多目标优化器，充分利用DE的全局搜索能力和NSGA-II的多目标排序机制；
- 通过Pareto最优前沿分析、参数敏感性分析和优化前后性能对比，验证了方法的有效性和工程实用性。
8.2 未来展望
- 多保真度代理模型：融合低精度（数值仿真）与高精度（物理试验）数据，进一步提升模型泛化能力；
- 鲁棒优化：考虑工艺参数波动（电压波动、材料批次差异等），引入区间优化或概率约束；
- 在线自适应优化：结合焊接过程实时监测数据（红外热像、电参数波形），实现动态工艺参数调整；
- 三维以上目标扩展：将落锤强度、硬度分布、残余应力等更多质量指标纳入优化目标体系；
- 数字孪生集成：将优化框架嵌入焊接数字孪生系统，实现工艺设计与现场生产的闭环联动。
参考文献
1 基于神经网络与NSGA-Ⅱ算法的钢轨闪光焊工艺参数优化
2 Deb K, Pratap A, Agarwal S, et al. A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation , 2002, 6(2): 182-197.
3 Storn R, Price K. Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization , 1997, 11: 341-359.
4 Broomhead D S, Lowe D. Multivariable Functional Interpolation and Adaptive Networks. Complex Systems, 1988, 2: 321-355.
本文所述代码已开源，包含完整的RBF模型训练、DE-NSGAII优化求解、结果可视化分析模块，欢迎同行交流与引用。
声明：本文为原创技术文章，未经许可禁止转载。文中部分数据来源于公开学术论文，已标注参考文献。