CN101329169B - 一种电子束焊接熔凝区形状因子的神经网络建模方法 - Google Patents
一种电子束焊接熔凝区形状因子的神经网络建模方法 Download PDFInfo
- Publication number
- CN101329169B CN101329169B CN2008101345329A CN200810134532A CN101329169B CN 101329169 B CN101329169 B CN 101329169B CN 2008101345329 A CN2008101345329 A CN 2008101345329A CN 200810134532 A CN200810134532 A CN 200810134532A CN 101329169 B CN101329169 B CN 101329169B
- Authority
- CN
- China
- Prior art keywords
- factor
- consolidation
- neural network
- district
- consolidation district
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000003466 welding Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 238000010894 electron beam technology Methods 0.000 title claims abstract description 24
- 238000007596 consolidation process Methods 0.000 title claims description 119
- 238000013459 approach Methods 0.000 title claims description 6
- 238000000034 method Methods 0.000 claims abstract description 34
- 210000002569 neuron Anatomy 0.000 claims description 27
- 239000000463 material Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 20
- 230000035515 penetration Effects 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 17
- 230000001537 neural effect Effects 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000002787 reinforcement Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005498 polishing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 239000007769 metal material Substances 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 6
- 229910001069 Ti alloy Inorganic materials 0.000 description 4
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008676 import Effects 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 229910000926 A-3 tool steel Inorganic materials 0.000 description 1
- 238000003723 Smelting Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003913 materials processing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Images
Landscapes
- Welding Or Cutting Using Electron Beams (AREA)
Abstract
本发明属于一种神经网络建模方法,适用于各种金属材料的电子束焊接技术,涉及一种电子束焊接熔凝区形状因子的神经网络建模方法。本发明采用神经网络的方法系统建立电子束焊接熔凝区形状因子的数学模型,全面考虑了多种非关联因素作为输入层进行求解建模,属于一种处理非关联多输入多输出的建模方法。
Description
技术领域
本发明属于一种神经网络建模方法,适用于各种金属材料的电子束焊接技术,涉及一种电子束焊接熔凝区形状因子的神经网络建模方法。
背景技术
在高能束焊接领域,神经网络方法主要应用于激光焊接研究。熊建钢、张伟等建立了基于BP网络的钛合金(TI-6AL-4V)激光焊接工艺参数优化模型;该模型以激光功率、焊接速度和离焦量为输入,以熔深和焊缝宽度为输出,实现了由工艺参数预测焊缝形状(熊建钢,张伟,胡乾午.基于人工神经网络模型的钛合金YAG激光焊接工艺参数优化[J].应用激光,2001,4(21):243-246)。耿昌松等采用建立BP网络模型的方法,有效地实现了A3钢YAG激光深溶焊的熔深预测,相对误差绝对值的平均值在8%以内;模型以激光输出功率、焊接速度、保护气流量和焦点位置为输入,以熔深为输出(耿昌松,林泳,王旭友.YAG激光焊接参数的人工神经网络模型[J].焊接学报,2001,6,37-40)。于有生等人通过脉冲激光焊接10Mn镀镍板的实例建立了焊缝形状预测模型;模型以激光发射频率、脉冲宽度、激光功率和焊接速度为输入,以熔深和熔宽为输出(于有生,李文杰.神经网络方法在建立脉冲激光焊焊缝形状模型中的应用[J].焊接技术,2004,5:11~13)。林盾等运用BP网络预测1Gr18Ni97Si不锈钢YAG激光焊焊缝形状;网络输入为焊接速度、激光功率、离焦量,输出为焊缝熔深、熔宽(林盾,陈俐.BP神经网络在模拟非线性系统输出中的应用[J].武汉理工大学学报,2003,5:731-734)。Jeng-Ywan Jeng等建立了激光对接焊焊接质量预测模型,以材料厚度、对接间隙、激光功率、焊接速度为输入,以焊缝宽度、咬边、焊接变形量为输出。W.S.Chang等结合有限单元法与神经网络技术预测激光搭接焊焊点形状证明是成功的(CHANG W S,NA S J.Prediction of Laser-Spot-WeldShape byNumerical Analys is and Neural Network[J].Metallurgical andMaterials Transactions,2001,32B(3):723-731)。J.M.Vitek等研究了5754铝合金板YAG脉冲激光焊,以实验批次、平均能量、焊接速度、脉冲能量、脉冲时间为BP网络输入,以熔深、熔宽、半宽、熔化面积为输出;熔深、熔宽以及熔化面积的百分误差大多数在20%或以内(Vitek JM,Fuerschbach P W,Smartt H B,et al.Neural Network Modeling ofPulsed-Laser Weld Pool Shapes in Aluminum Alloy Welds[R].Proceedingsof the laser materials processing conference,1998)。
综上所述,国内外学者研究主要是利用神经网络方法预测工艺参数因素对焊缝形貌特征的影响,所考虑的输入层仅包括功率(电压、电流)、焊接速度等工艺参数,输出仅为熔深、焊缝宽度、熔化面积、焊接变形量等,输入、输出因素均较少。
神经网络方法对焊缝形状特征的预测研究存在以下不足。首先,考虑的输入层参数(影响因素)较少、不够全面,除了焊接工艺因素的影响以外,对于高能束焊接还需要考虑束流品质、材料特性因子、环境因子等多种因素对熔凝区形状的影响。
发明内容
本发明的目的是提供一种能够全面的预测工艺参数因素对焊缝形貌特征影响的一种电子束焊接熔凝区形状因子的神经网络建模方法。
本发明的技术解决方案是,
电子束焊接接头熔凝区是指在热循环作用下经历了熔化、凝固和组织转变的区域,是决定焊接构件的接头性能的主要因素之一。在追求电子束焊接深穿透的同时,技术人员希望控制焊接熔凝区的形状。接头熔凝区成形除了取决于加速电压、束流、焊接速度、聚焦电流等工艺参数外,与电子束束流品质、电子束与材料的交互作用,以及电子束所处的压强环境有关。熔凝区形状因子是指能反映电子束焊接接头力学性能的熔凝区几何形状的参量,由影响电熔凝区形状的一组因素组成,包括工艺因子、环境因子、束流品质因子、材料特性因子。
(一)接头试样制备
采用对接接头,焊接参数:加速电压90~150kV,束流20~100mA,聚焦电流300~3000mA,真空度3×10-2~8×10-2Pa,枪距试件距离200~500mm,焊接速度100~1200mm/min。焊后采用线切割切取金相样件,镶样、磨样、抛光及腐蚀后,采用扫描仪扫描并结合低倍显微镜观测熔凝区形状整体形貌;
(二)测试接头熔凝区形状尺寸
采用工具显微镜测试试样熔凝区形状特征尺寸:熔凝区熔深、熔凝区熔宽、正面接头熔凝区熔宽、背面接头熔凝区熔宽、接头熔凝区余高、熔凝区深宽比、熔凝区焊趾角、熔凝区过渡弧半径。将80%的试样的数据用于神经网络建模的数据,另外20%用于验证与修正神经网络模型的数据;
(三)构建熔凝区形状因子神经网络分析基础结构
根据工艺因子、束流品质因子、材料特性因子及环境因子构建熔凝区形状因子与熔凝区形状特征之间的神经网络结构,在神经网络中,工艺因子、束流品质因子、材料因子等因素作为输入层的参数,熔凝区形状特征的熔深、熔宽、正面接头熔宽、背面接头熔宽、接头余高、深宽比、焊趾角、过渡弧半径作为输出层的参数,输入层和输出层之间建立一层隐藏层。
在各层中,神经元的输入记作xi,神经元的输出记作yi,第i个神经元向下一层第j个神经元的的权值记做wij,根据神经网络的理论:
其中为非线性激活函数,可以取作Logister函数
或双曲正切函数
对神经网络的结构进行优化,包括隐藏层神经元数目的选择,非线性激活函数的选择,输出值的线性变换,当输入层的参数确定以后,形状因子就可以表示成神经元权值的非线性函数;
(四)熔凝区形状因子神经网络训练
输入熔凝区形状因子数据及熔凝区形状特征的数据,按如下具体算法计算:
(1)权值初始化: wji=0 (4)
(2)前向计算:
(3)反向计算:
(4)迭代权值直至满足收敛条件
所述的工艺因子包括加速电压、束流、聚焦电流及焊接速度;环境因子为焊接时的真空度。
本发明具有的有益效果,本发明从电子束焊接的机理出发,对大量的试验数据进行统计分析,提炼熔凝区形状轮廓特征,构建神经网络基础模型,将试验数据作为输入层数据输入,通过不断训练系统建立熔凝区神经网络数学模型。将工艺参数、束流品质、材料特性及真空环境等多种非关联因素作为输入层,除常规的输出结果外还包括深宽比、焊趾角、过渡弧半径等,全面考虑多种非关联因素作为输入层进行求解建模,输出多个结果,属于一种新型的处理非关联多输入多输出的建模方法。建模方法直接模型简洁,便于工程技术应用,有利于规划工艺方案,预选工艺试验参数。模型将全面考虑各种因素的影响,有助于减少工程试验的次数,节约材料,节省能源,提高工程研究进度。本发明可为航空构件的设计制造提供技术支持和存量资源,为工程技术人员提供技术经验。
附图说明
图1为本发明熔凝区典型形状及尺寸定义示意图,其中a.钉形,b.钟罩形,c.漏斗形,d.楔形;
图2为本发明神经网络基本结构模型图;
图3为本发明神经网络预测熔凝区形状因子模型结果图。
具体实施方式
电子束焊接接头熔凝区是指在热循环作用下经历了熔化、凝固和组织转变的区域,是决定焊接构件的接头性能的主要因素之一。在追求电子束焊接深穿透的同时,技术人员希望控制焊接熔凝区的形状。接头熔凝区成形除了取决于加速电压、束流、焊接速度、聚焦电流等工艺参数外,与电子束束流品质、电子束与材料的交互作用,以及电子束所处的压强环境有关。熔凝区形状因子是指能反映接头力学性能的熔凝区几何形状的参量,由影响电子束焊接熔凝区形状的一组因素组成,包括工艺因子、环境因子、束流品质因子、材料特性因子。
本方法针对制备的接头试样,通过显微镜观察并实测熔凝区形状特征及尺寸;分析熔凝区的特征及影响因素后,建立神经网络分析结构;输入大量的试验数据,进行神经网络的训练计算,建立神经网络的数学模型。
1.接头试样制备
采用对接接头,钢丝刷去除氧化膜后进行电子束焊接,焊接参数:加速电压90~150kV,束流20~100mA,聚焦电流300~3000mA,真空度3×10-2~8×10-2Pa,枪距试件距离200~500mm,焊接速度100~1200mm/min。焊后采用线切割切取金相样件,镶样、磨样、抛光及腐蚀后,采用扫描仪扫描并结合低倍显微镜观测熔凝区形状整体形貌;
2.接头熔凝区形状尺寸测试
采用工具显微镜测试电子束焊接接头熔凝区特征尺寸:熔凝区熔深、熔凝区熔宽、正面接头熔凝区熔宽、背面接头熔凝区熔宽、接头熔凝区余高、熔凝区深宽比、熔凝区焊趾角、熔凝区过渡弧半径等。将试样数据的80%用于神经网络建模,另外20%用于验证与修正神经网络模型。
3.构建熔凝区形状因子神经网络分析基础结构
根据工艺因子、束流品质因子、材料特性因子及环境因子构建熔凝区形状因子与熔凝区形状特征之间的神经网络结构。在神经网络中,工艺因子、束流品质因子、材料因子、环境因子作为输入层的参数,熔凝区形状特征尺寸作为输出层参数,输入层和输出层之间建立一层隐藏层。
在各层中,神经元的输入记作xi,神经元的输出记作yi,第i个神经元向下一层第j个神经元的的权值记做wij。根据神经网络的理论:
或双曲正切函数
对神经网络的结构进行优化,包括隐藏层神经元数目的选择,激活函数的选择,输出值的线性变换等。当输入层的参数确定以后,形状因子就可以表示成神经元权值的非线性函数。
4.熔凝区形状因子神经网络计算
输入数据,按如下具体算法计算:
(1)初始化: wji=0 (4)
(2)前向计算:
(3)反向计算:
(4)迭代直至满足收敛条件
对于每一组因子,可由实验确定一组形状特征参数与之对应。每次实验可表示为(x,Fi),其中x表示控形因子参数,Fi表示形状因子。利用实验数据训练神经网络,建立模型;调节各个神经元的权值wij,使得预测值和实验值之间的误差平方和最小。
输入所有全部试样的80%作为建模数据,用来神经网络的训练建模,根据实验数据所涉及到的变量,可以对神经网络的结构作局部调整,把不变的输入参量进行冻结。将预留的剩下20%试样的工艺因子、束流品质因子、环境因子以及材料特性因子等数据作为输入层数据输入,通过已建模型计算得出熔凝区形状特征尺寸的预测值,与20%试样的熔凝区形状特征尺寸:熔凝区熔深、熔凝区熔宽、正面接头熔凝区熔宽、背面接头熔凝区熔宽、接头熔凝区余高、熔凝区深宽比、熔凝区焊趾角、熔凝区过渡弧半径作为实验值误差比较,来检验神经网络预测的可靠性。
实施例一
1.电子束焊接接头试样制备
电子束焊接δ=20mm TC4钛合金试板工艺,采用平板堆焊方式以模拟最佳的对接接头形式,焊接材料TC4钛合金的尺寸为300mm×90mm×20mm。钢丝刷去除氧化膜后在电子束焊机中施焊。
焊接参数如下:
Ua-加速电压,Ib-束流If-聚焦电流V-焊接速度,H-枪距试件距离
参数1:Ua=150kV,Ib=42mA,If=342mA,V=600mm/min,H=251mm真空6×10-3Pa
参数2:Ua=150kV,Ib=69mA,If=366mA,V=600mm/min,H=251mm,真空4×10-3Pa
参数3:Ua=150kV,Ib=42mA,If=324mA,V=400mm/min,H=251mm,真空4×10-3Pa
参数4:Ua=90kV,Ib=57mA,If=1654mA,V=750mm/min,H=370mm,真空3.2×10-4Pa
参数5:Ua=90kV,Ib=62mA,If=1635mA,V=600mm/min,H=370mm,真空3.2×10-4Pa
参数6:Ua=90kV,Ib=51mA,If=1644mA,V=450mm/min,H=370mm,真空3.8×10-4Pa
参数7:Ua=150kV,Ib=78mA,If=376mA,V=600mm/min,H=251mm真空8×10-3Pa
参数8:Ua=150kV,Ib=58mA,If=312mA,V=600mm/min,H=251mm真空6×10-3Pa
参数9:Ua=90kV,Ib=51mA,If=1681mA,V=300mm/min,H=370mm,真空3.8×10-4Pa
参数10:Ua=150kV,Ib=69mA,If=2220mA,V=800mm/min,H=370mm,真空3.6×10-4Pa
参数11:Ua=90kV,Ib=51mA,If=1665mA,V=600mm/min,H=370mm,真空3.8×10-4Pa
参数12:Ua=90kV,Ib=41.8mA,If=1654mA,V=300mm/min,H=370mm,真空3.2×10-4Pa
参数13:Ua=150kV,Ib=56mA,If=356mA,V=600mm/min,H=251mm,真空8×10-3Pa
参数14:Ua=150kV,Ib=60mA,If=342mA,V=1000mm/min,H=251mm,真空6×10-3Pa
参数15:Ua=150kV,Ib=42mA,If=348mA,V=700mm/min,H=251mm,真空4×10-3Pa
通过Diabeam测试仪确定束流品质的影响为:电子束焊接热效率为90%,束流斑点直径为0.54mm。
焊后制备金相试样,观测到典型熔凝区形状整体形貌如图1所示。
2.接头熔凝区形状尺寸测试
电子束焊接接头熔凝区形状特征尺寸定义如图1a,其中H-熔凝区熔深/mm,B-熔凝区熔宽/mm、W1-正面接头熔凝区熔宽/mm、W2-背面接头熔凝区熔宽/mm、h-接头熔凝区余高/mm、H/B-熔凝区深宽比;α-熔凝区焊趾角/°、r-熔凝区过渡弧半径/mm。采用的焊接工艺为临界透,熔深H均为20mm,W2为0mm。
采用工具显微镜等工具测试的电子束焊接接头熔凝区形状特征尺寸如下:
参数1:B=2.19mm,W1=5.23mm,h=1.35mm,H/B=9.13,r=7.24mm,α=22°;
参数2:B=3.26mm,W1=10.88mm,h=0.95mm,H/B=6.13,r=16.01mm,α=21°;
参数3:B=2.46mm,W1=9.47mm,h=1.4mm,H/B=8.13,r=10.09mm,α=30°;
参数4:B=1.85mm,W1=6.30mm,h=1.37mm,H/B=10.8,r=10.52mm,α=19°;
参数5:B=2.59mm,W1=6.30mm,h=-0.37mm,H/B=7.7,r=9.27mm,α=11°;
参数6:B=2.96mm,W1=8.15mm,h=0.81mm,H/B=6.7,r=12.32mm,α=13°;
参数7:B=3.2mm,W1=8.89mm,h=1.05mm,H/B=6.25,r=5.45mm,α=15°;
参数8:B=2.8mm,W1=8.2mm,h=1.08mm,H/B=7.14,r=7.93mm,α=29°;
参数9:B=3.33mm,W1=11.85mm,h=1.11mm,H/B=6,r=5.8mm,α=21°;
参数10:B=3.70mm,W1=10mm,h=1.85mm,H/B=5.4,r=6.68mm,α=18°;
参数11:B=1.85mm,W1=7.41mm,h=1.11mm,H/B=10.8,r=7.07mm,α=19°;
参数12:B=3.7mm,W1=10mm,h=1.29mm,H/B=5.4,r=11.49mm,α=14°;
参数13:B=2.78mm,W1=5.87mm,h=0.84mm,H/B=7.19,r=3.97mm,α=14°;
参数14:B=3.08mm,W1=7.91mm,h=0.88mm,H/B=6.49,r=7.97mm,α=15°;
参数15:B=1.6mm,W1=4.94mm,h=1.28mm,H/B=12.5,r=9.25mm,α=18°;
3.构建熔凝区形状因子神经网络分析基础结构
将束流品质因子、材料特性因子、真空度环境因子以及工艺因子中加速电压、束流、聚焦电流、焊接速度等8个参数输入层,熔凝区熔深、熔凝区熔宽、正面接头熔凝区熔宽、背面接头熔凝区熔宽、接头熔凝区余高、熔凝区深宽比、熔凝区焊趾角、熔凝区过渡弧半径作为输出层7个参数,隐藏层为20个神经元。构建如图2所示的熔凝区形状因子神经网络基础结构。
工艺参数数据Ua、Ib、If、V分别记作输入x1、x2、x3、x4,束流品质、真空度分别记作输入x5、x6,材料特性中材料种类、材料尺寸分别记作输入x7、x8,熔凝区熔深、熔宽、熔凝区焊趾角、熔凝区过渡弧半径、正面接头熔凝区熔宽、背面接头熔凝区熔宽、接头熔凝区余高分别记作输出y1、y2、y3、y4、y5、y6、y7。第i个神经元向下一层第j个神经元的的权值记做wij,输入与输出之间的关系可表示为:
4.熔凝区形状因子神经网络计算
针对步骤3.中8×20×7的神经网络结构,将步骤1中工艺参数、束流品质、真空度数据输入xi,步骤2中熔凝区形状特征数据输入yj。采用metlab软件按相应算法计算。首先初始化wji=0,通过前向算法计算:
然后反向算法计算:
利用80%试样数据训练神经网络建模。通过20%试样验证数据进行验证,即将工艺因子、束流品质因子、环境因子、材料特性因子等数据作为输入层数据预测熔凝区形状特征尺寸的预测值,与相应实测值比较确定神经网络的预测值和实验值之间的误差,来检验神经网络预测的可靠性。调节各个神经元的权值wji,使得预测值和实验值之间的误差平方和最小。
Claims (1)
1.一种电子束焊接熔凝区形状因子的神经网络建模方法,其特征是,
(一)接头试样制备
采用对接接头,钢丝刷去除氧化膜后进行电子束焊接,焊接参数:加速电压90~150kV,束流20~100mA,聚焦电流300~3000mA,真空度3×10-2~8×10-2Pa,枪距试件距离200~500mm,焊接速度100~1200mm/min;焊后采用线切割切取金相样件,镶样、磨样、抛光及腐蚀后,采用扫描仪扫描并结合低倍显微镜观测熔凝区形状整体形貌;
(二)测试接头熔凝区形状尺寸
采用工具显微镜测试试样熔凝区形状特征尺寸:熔凝区熔深、熔凝区熔宽、正面接头熔凝区熔宽、背面接头熔凝区熔宽、接头熔凝区余高、熔凝区深宽比、熔凝区焊趾角、熔凝区过渡弧半径,将80%的试样的数据用于神经网络建模的数据,另外20%用于验证和修正神经网络模型的数据;
(三)构建熔凝区形状因子神经网络分析基础结构
根据工艺因子、束流品质因子、材料特性因子及环境因子构建熔凝区形状因子与熔凝区形状特征之间的神经网络结构,在神经网络中,工艺因子、束流品质因子、材料因子因素作为输入层的参数,熔凝区形状特征的熔深、熔凝区熔宽、正面接头熔宽、背面接头熔宽、接头余高、深宽比、焊趾角、过渡弧半径作为输出层的参数,输入层和输出层之间建立隐藏层;所述的工艺因子包括加速电压、束流、聚交电流及焊接速度;环境因子为焊接时的真空度;
在各层中,神经元的输入记作xi,神经元的输出记作yi,第i个神经元向下一层第j个神经元的的权值记做wij,根据神经网络的理论:
或双曲正切函数
对神经网络的结构进行优化,包括隐藏层神经元数目的选择,非线性激活函数的选择,输出值的线性变换,当输入层的参数确定以后,形状因子就可以表示成神经元权值的非线性函数;
(四)熔凝区形状因子神经网络训练
输入熔凝区形状因子数据及熔凝区形状特征的数据,按如下具体算法计算:
(1)权值初始化:wji=0 (4)
(2)前向计算:
(3)反向计算:
(4)迭代权值直至满足收敛条件
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101345329A CN101329169B (zh) | 2008-07-28 | 2008-07-28 | 一种电子束焊接熔凝区形状因子的神经网络建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2008101345329A CN101329169B (zh) | 2008-07-28 | 2008-07-28 | 一种电子束焊接熔凝区形状因子的神经网络建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101329169A CN101329169A (zh) | 2008-12-24 |
CN101329169B true CN101329169B (zh) | 2010-09-08 |
Family
ID=40205094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008101345329A Expired - Fee Related CN101329169B (zh) | 2008-07-28 | 2008-07-28 | 一种电子束焊接熔凝区形状因子的神经网络建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101329169B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101893541A (zh) * | 2010-06-09 | 2010-11-24 | 哈尔滨工业大学 | 建立纤维增强树脂基复合材料孔隙问题的表征与评价模型的方法 |
CN101995436B (zh) * | 2010-10-26 | 2012-08-15 | 江苏大学 | 基于神经网络的拉深件裂纹监测方法 |
CN103606007B (zh) * | 2013-11-20 | 2016-11-16 | 广东省电信规划设计院有限公司 | 基于物联网的目标识别方法及装置 |
CN104568730A (zh) * | 2014-12-31 | 2015-04-29 | 天津大学 | 一种基于神经网络的电化学噪声腐蚀信号处理方法 |
CA2993824A1 (en) * | 2015-07-29 | 2017-02-02 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
CN107133865B (zh) * | 2016-02-29 | 2021-06-01 | 阿里巴巴集团控股有限公司 | 一种信用分的获取、特征向量值的输出方法及其装置 |
CN107598401A (zh) * | 2016-07-12 | 2018-01-19 | 沈阳富创精密设备有限公司 | 基于模糊推理‑神经网络的等离子弧焊电流熔宽控制系统 |
CN106270963B (zh) * | 2016-08-25 | 2018-07-24 | 河南理工大学 | 一种基于迭代学习的脉冲gtaw焊接过程控制方法 |
CN110261207B (zh) * | 2018-03-12 | 2021-08-13 | 天津大学 | 一种对双相不锈钢-碳钢复合板电子束焊接接头部位的金相浸蚀方式 |
CN109253708B (zh) * | 2018-09-29 | 2020-09-11 | 南京理工大学 | 一种基于深度学习的条纹投影时间相位展开方法 |
CN109409520B (zh) * | 2018-10-17 | 2021-10-29 | 深圳市微埃智能科技有限公司 | 基于迁移学习的焊接工艺参数推荐方法、装置及机器人 |
US11400537B2 (en) | 2019-09-12 | 2022-08-02 | Illinois Tool Works Inc. | System and methods for labeling weld monitoring time periods using machine learning techniques |
CN113828947B (zh) * | 2021-11-23 | 2022-03-08 | 昆山宝锦激光拼焊有限公司 | 一种基于双优化的bp神经网络激光焊接焊缝成形预测方法 |
CN114861292B (zh) * | 2022-03-22 | 2024-01-26 | 电子科技大学 | 一种基于深度学习的飞行器几何特征和参数联合建模方法 |
-
2008
- 2008-07-28 CN CN2008101345329A patent/CN101329169B/zh not_active Expired - Fee Related
Non-Patent Citations (3)
Title |
---|
D.S.Nagesh et..Prediction of weld bead geometry and penetration in shielded metal-arc welding using artificial neural networks.Journal of Materials Processing Technology 123.2002,(123),303-312. * |
I.S. Kim et..A study on prediction of bead height in robotic arc welding using a neural network.Journal of Materials Processing Technology130 131.2002,130(131),229-234. * |
滕文华等.电子束二次熔焊人工神经网络模型的建立和分析.热加工工艺35 11.2006,35(11),73-74. * |
Also Published As
Publication number | Publication date |
---|---|
CN101329169A (zh) | 2008-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101329169B (zh) | 一种电子束焊接熔凝区形状因子的神经网络建模方法 | |
Shehabeldeen et al. | Modeling of friction stir welding process using adaptive neuro-fuzzy inference system integrated with harris hawks optimizer | |
CN101334807A (zh) | 一种电子束焊接接头熔凝区形状因子的建模与求解方法 | |
Muhammad et al. | Model development for quality features of resistance spot welding using multi-objective Taguchi method and response surface methodology | |
Sathiya et al. | GREY-BASED TAGUCHI METHOD FOR OPTIMIZATION OF BEAD GEOMETRY IN LASER BEAD-ON-PLATE WELDING. | |
CN112380752B (zh) | 利用预测金属薄板焊接热处理数值改进其焊接工艺的方法 | |
Ai et al. | A defect-responsive optimization method for the fiber laser butt welding of dissimilar materials | |
Ma et al. | Review on techniques for on-line monitoring of resistance spot welding process | |
Tian et al. | A study on the prediction of inherent deformation in fillet-welded joint using support vector machine and genetic optimization algorithm | |
Jha et al. | Study on electron beam butt welding of austenitic stainless steel 304 plates and its input–output modelling using neural networks | |
Ren et al. | Clinch-resistance spot welding of galvanized mild steel to 5083 Al alloy | |
Zhao et al. | Multi-objective optimization of the resistance spot welding process using a hybrid approach | |
Gao et al. | Multi-objective optimization of weld geometry in hybrid fiber laser-arc butt welding using Kriging model and NSGA-II | |
CN110614416A (zh) | 一种双相高强钢焊接参数优化方法 | |
Mohanty et al. | Performance evaluation of alternating current square waveform submerged arc welding as a candidate for fabrication of thick welds in 2.25 Cr-1Mo heat-resistant steel | |
Ai et al. | Parameters optimization and objective trend analysis for fiber laser keyhole welding based on Taguchi-FEA | |
Serizawa et al. | Effect of mechanical restraint on weldability of reduced activation ferritic/martensitic steel thick plates | |
Payares-Asprino | Prediction of mechanical properties as a function of welding variables in robotic gas metal arc welding of duplex stainless steels SAF 2205 welds through artificial neural networks | |
Zhou et al. | Aggregate multiple radial basis function models for identifying promising process parameters in magnetic field assisted laser welding | |
Senthilkumar et al. | A comparative study of predicting burn off length in continuous drive solid state friction welding for ASTM A516 steel by regression analysis, fuzzy logic analysis and finite element analysis | |
CN110064830B (zh) | 一种电阻缝焊工艺参数的获取方法及焊接方法 | |
Mallaradhya et al. | Optimization of parameters and prediction of response values using regression and ann model in resistance spot welding of 17-4 precipitation hardened stainless steel | |
Wu et al. | Accurate characterization of weld appearance induced by T-joint laser stake-welding by integration of ANFIS approach and numerical simulation | |
Jha et al. | Modeling of input-output relationships for electron beam butt welding of dissimilar materials using neural networks | |
Dey et al. | Prediction of weld bead profile using neural networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20100908 Termination date: 20170728 |