铁路技术的快速发展,离不开钢轨焊接技术。钢轨焊接是一个串行的工作方式,其主要包括八道工序,每个工序都与钢轨焊接的质量有着密不可分的联系。在其生产过程中,最主要的工序是焊接工序,焊接工序也是整个焊接过程中消耗能量最多的一个环节。通过选择合理的焊接参数可以使企业做到节能减排、降低生产成本,但由于焊接过程具有强耦合性、不确定性和非线性等特点,导致很难对其进行机理建模。如何确定焊接参数和错边量之间的关系,是热点问题也是难点问题。钢轨焊接过程中包括众多指标,每一个指标的好坏都会影响整体钢轨焊接的质量。钢轨焊接的整体质量关乎着企业的能耗和成本,焊接过程比较繁琐,其个体评价与整体评价又存在不同,如何处理好个体与整体之间的评价关系是要待解决的问题。每道工序都有各自的评价指标,指标中的数据精细程度不同,给评价带来很大的困难,如何利用现有数据对钢轨焊接过程进行评价也是要待解决的问题。针对以上问题,本文具体研究内容如下:首先通过阅读和查找文献,掌握了焊接过程中每个工序的作用及相关的技术指标。通过对焊接工序中的焊接参数和错边量进行相关性分析并结合BP神经网络和PSO-BP神经网络建立了错边量预测模型,模型命中率较高,具有很强的预测能力,为改善焊接参数和降低企业成本提供了理论依据。其次,通过对焊接过程进行分析构建了多层评价体系,为了解决评价过程中各个指标和工序重要程度不同的问题,依据层次分析法确定了各个指标和工序的权值并利用三角隶属度函数构建评价矩阵。最后,通过单层模糊评价对各个工序进行评价模型构建,利用多层模糊评价对焊接整体质量构建评价模型,评价结果与实际数据相符合,有利于提高资源的利用率、节约成本和降低能量损耗。