CN112388148A - 基于模拟退火算法的焊接参数优化法 - Google Patents
基于模拟退火算法的焊接参数优化法 Download PDFInfo
- Publication number
- CN112388148A CN112388148A CN202011026677.4A CN202011026677A CN112388148A CN 112388148 A CN112388148 A CN 112388148A CN 202011026677 A CN202011026677 A CN 202011026677A CN 112388148 A CN112388148 A CN 112388148A
- Authority
- CN
- China
- Prior art keywords
- welding
- simulated annealing
- annealing algorithm
- optimal solution
- welding quality
- 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.)
- Pending
Links
- 238000003466 welding Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 238000013441 quality evaluation Methods 0.000 claims abstract description 28
- 239000000463 material Substances 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 9
- 238000003756 stirring Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 4
- 238000003825 pressing Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 229910001094 6061 aluminium alloy Inorganic materials 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000956 alloy Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000004663 powder metallurgy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K20/00—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating
- B23K20/12—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating the heat being generated by friction; Friction welding
- B23K20/122—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating the heat being generated by friction; Friction welding using a non-consumable tool, e.g. friction stir welding
- B23K20/1245—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating the heat being generated by friction; Friction welding using a non-consumable tool, e.g. friction stir welding characterised by the apparatus
- B23K20/1255—Tools therefor, e.g. characterised by the shape of the probe
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K20/00—Non-electric welding by applying impact or other pressure, with or without the application of heat, e.g. cladding or plating
- B23K20/26—Auxiliary equipment
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Pressure Welding/Diffusion-Bonding (AREA)
Abstract
本发明的基于模拟退火算法的焊接参数优化法，包括以下步骤：确认试验材料、材料标准及尺寸，进行焊接质量工艺评定试验，得到焊接质量评价模型；设置模拟退火算法的关键参数；设定每个工艺参数的变化范围；添加一组工艺参数，通过焊接质量评价模型求解并将其作为最优解；随机选取一组工艺参数，并求解得出优化解；将优化解与最优解进行比对，通过算法更新当前最优解及当前温度；算法结束，得到最优解对应的焊接工艺参数。本发明同现有发明相比，利用了模拟退火算法寻求全局最优解，高效、低成本地协助工程师进行焊接工艺参数的优化；减少了耗费在焊接工艺试验上的人力、时间与金钱，提高了生产效率，降低了企业的管理成本。
Description
技术领域
本发明属于一种焊接工艺参数优化方法，尤其涉及基于模拟退火算法的焊接参数优化法。
背景技术
焊接在制造生产过程中扮演着至关重要的角色，是我国制造业的关键基础技术，其在航空航天、汽车工业、粉末冶金、生物医学、微电子行业等领域应用非常广泛。焊接的核心是各种焊接方法针对不同应用场景而使用的焊接工艺参数，其对焊接产品质量起着决定性的作用。但在实际生产中，产品焊接参数需要通过大量工艺试验方能确定，而这将会占用大量的人力、物力等资源。因此，迫切需要合适的方法来寻找有效的、快速的确定具体产品的焊接工艺参数，优化产品焊接质量，从而降低生产成本。
一般而言，焊接工艺参数与焊接质量的关系是多元的、复杂的、非线性的，传统的数学建模方法很难建立一个相对精确的公式描述二者的准确关系。因此，常用的方法还是通过大量的试验以及工程师的知识经验，但这种方法的时间、人力、金钱成本耗费巨大。
近年来，随着人工智能技术的飞速发展，专家们开始思考将人工神经网络(ANN)与焊接工艺参数优化的问题结合起来，人工神经网络优秀的多元非线性问题的拟合能力为焊接工艺参数优化提供了新的思路和解决方法。但是，人工神经网络在进行优化问题时，计算速度过长，容易陷入局部最优解，往往无法得到最优解。
发明内容
为了克服现有技术的不足，本发明的目的在于提供基于模拟退火算法的焊接参数优化法，本发明同现有发明相比，利用了模拟退火算法寻求全局最优解优秀、计算快速、实现简单等特点，高效、低成本地协助工程师进行焊接工艺参数的优化；减少了耗费在焊接工艺试验上的人力、时间与金钱，提高了生产效率，降低了企业的管理成本。
本发明的目的采用如下技术方案实现：
1.基于模拟退火算法的焊接参数优化法，其特征在于：包括以下步骤,
步骤一：确认试验材料、材料标准及试板尺寸，进行焊接质量工艺评定试验，收集实验结果数据，建立焊接工艺参数与焊接质量间的映射关系，得到焊接质量评价模型；
步骤二：将所述焊接质量评价模型作为模拟退火算法的成本函数，设置模拟退火算法的关键参数，所述模拟退火算法的关键参数包括初始温度、冷却率、步长以及循环次数；
步骤三：设定每个工艺参数的变化范围；添加一组工艺参数，并通过焊接质量评价模型求解得出初始解，将初始解作为当前最优解；
步骤四：在每个工艺参数的变化范围内，随机选取新的数值组成一组新的工艺参数，并通过焊接质量评价模型求解得出优化解；
步骤五：将所述优化解与当前最优解进行比对，若该优化解优于当前最优值时，自动更新现有优化结果，将所述优化解作为新的当前最优解；若该优化解仍差于当前最优值时，根据概率将优化解作为新的当前最优解；
步骤六：更新模拟退火算法的当前温度；
步骤七：重复迭代步骤四至六；直至运行次数达到循环次数，结束循环，得到当前该最优解对应的焊接工艺参数。
进一步地，步骤五中，所述概率的计算公式如下：
P＝e^((-Δ焊接质量)/Tc)
其中e为常数，Δ焊接质量为优化解和当前最优解两者之差，Tc为模拟退火算法当前的温度。
进一步地，步骤六中，当前温度的计算公式如下：
Tn＝Tc*冷却率
其中Tn为新温度，Tc为模拟退火算法的当前温度，将Tn取代Tc。
进一步地，所述试验材料为6061-T6态，材料标准为GB/T 1591-94，试板尺寸为200*100*3。
进一步地，所述焊接质量工艺评定试验设定的焊接方法为搅拌摩擦焊，采用的搅拌头类型为三角螺纹动轴肩；所述焊接质量工艺评定试验需在使用龙门式搅拌摩擦焊专机进行。
进一步地，所述焊接质量评价模型用于评价焊接质量的参数包括抗拉强度、维氏硬度。
进一步地，所述焊接质量评价模型为抗拉强度的回归模型，即输入工艺参数到焊接质量评价模型后能够得到对应的抗拉强度。
进一步地，所述工艺参数包括搅拌针旋转速度、焊接速度、下压量以及板厚。
相比现有技术，本发明的有益效果在于：
本发明的基于模拟退火算法的焊接参数优化法，本发明同现有发明相比，利用了模拟退火算法寻求全局最优解优秀、计算快速、实现简单等特点，高效、低成本地协助工程师进行焊接工艺参数的优化；减少了耗费在焊接工艺试验上的人力、时间与金钱，提高了生产效率，降低了企业的管理成本。
附图说明
图1是本发明基于模拟退火算法的焊接参数优化法的算法原理图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
由于传统优化算法容易陷入局部最优值而导致整体优化效果不理想。随着集体编程理念的进一步发展，人们在基于爬山法的基础上，引入“退火”的概念，提出了模拟退火算法。即算法每进行一次迭代后，如当前解不优于最优解，算法仍会按照一定概率采纳当前解，此概率与温度和两解之差相关；每次迭代后，温度根据设定参数进行降温。模拟退火算法在避免调入局部最优解，寻求区间内的最优解方面时的表现十分突出，且相比于传统神经网络算法，模拟退火算法不需要对模型进行训练，计算速度快，可以对焊接工艺参数进行快速、良好的优化。
本基于模拟退火算法的焊接参数优化法的算法原理图如图1，包括以下步骤：
步骤一：确认试验材料、材料标准及尺寸，进行焊接质量工艺评定试验，收集实验结果数据，建立焊接工艺参数与焊接质量间的映射关系，得到焊接质量评价模型；
本实施例中所述焊接质量工艺评定试验设定的焊接方法为搅拌摩擦焊，使用龙门式搅拌摩擦焊专机，采用的搅拌头类型为三角螺纹动轴肩。其中还包括以下试验情况：
1、所述试验材料为6061-T6态(6061铝合金)；
2、材料标准为GB/T 1591-94；
3、所述试板尺寸为200*100*3；
4、技术要求：无孔洞、无飞边、隧道型缺陷。
在上述的要求下进行大量6061铝合金材料的焊接工艺试验，并获取、整理数据，并建立得到焊接质量评价模型。
步骤二：将所述焊接质量评价模型作为模拟退火算法的成本函数，本方法中的焊接质量评价模型用于评价焊接质量的参数包括抗拉强度、维氏硬度，即是焊接质量评价模型并不唯一，可根据上述不同的参数建立不同的焊接质量评价模型。本实施例中所述焊接质量评价模型为抗拉强度的回归模型，即输入工艺参数到焊接质量评价模型后能够得到对应的抗拉强度。本实施例通过抗拉强度的比对确认当前最优解。同时由于焊接质量评价模型对应的参数不同，需根据评价焊接质量的参数来设置优化方向，即是该函数的解答的数值高表达焊接质量优还是解答的数值低表达焊接质量优。
之后还需设置模拟退火算法的关键参数，本实施例中所述模拟退火算法的关键参数设置如下：初始温度为10000,冷却率为0.95，步长设置为10，循环次数为200；
步骤三：由工程师根据实际情况设定每个工艺参数的变化范围；添加一组工艺参数，并通过焊接质量评价模型求解得出初始解，将初始解作为当前最优解；结合上述可知，本实施例建立的映射模型为抗拉强度的回归模型，回归模型的输入工艺参数为：焊接速度760mm/min,搅拌针旋转速度1200rpm/min,下压量0.1mm,厚度3mm，得出的初始解为抗拉强度223.4MPa。
步骤四：在每个工艺参数的变化范围内，随机选取新的数值组成一组新的工艺参数，并通过焊接质量评价模型求解得出优化解；本实施例中各个工艺参数的取值范围设定如下：焊接速度[600,1200]、搅拌针旋转速度[1000,1500]、下压量[0.1,0.3]、板材厚度不变。
步骤五：将所述优化解与最优解进行比对，若该的优化解优于当前最优值时，算法会自动更新现有优化结果，将所述优化解作为新的当前最优解；若该的优化解仍差于当前最优值时，算法有一定概率该优化解更新为当前最优解，这个概率的计算公式如下：
P＝e^((-Δ焊接质量)/Tc)
其中e为常数，Δ焊接质量为优化解和最优解两者之差，Tc为模拟退火算法当前的温度；本方案中设置概率P，优化解差于当前最优值时，算法有一定概率更新为当前运行值，可避免陷入局部最优解，该概率与两个因素有关：焊接质量的变化幅度与温度，当质量变化得越大或者温度越低，该概率越低，更新可能性越低。
步骤六：模拟退火算法进行降温操作，新温度的计算公式如下：
Tn＝Tc*冷却率
其中Tn为新温度，Tc为模拟退火算法的当前温度，将Tn取代Tc；本方法利用了模拟退火算法寻求全局最优解，在每次进行输入一组工艺参数进行焊接质量评价模型的求解后，模拟实际的情况，当前温度会随着每次算法的运行而减少，该温度便具体的影响到了上述概率P的求取。
步骤七：算法检测运行次数是否达到循环次数上限，若没有达到上限，重复迭代步骤四至六；若达到循环次数，跳出循环，结束运算，并得到算法结束时该最优解对应的焊接工艺参数。
试验结果：如下表
本发明利用了模拟退火算法寻求全局最优解，具有准确、计算快速、实现简单等特点，高效、低成本地协助工程师进行焊接工艺参数的优化；减少了耗费在焊接工艺试验上的人力、时间与金钱，提高了生产效率，降低了企业的生产成本。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (8)
1.基于模拟退火算法的焊接参数优化法，其特征在于：包括以下步骤,
步骤一：确认试验材料、材料标准及试板尺寸，进行焊接质量工艺评定试验，收集实验结果数据，建立焊接工艺参数与焊接质量间的映射关系，得到焊接质量评价模型；
步骤二：将所述焊接质量评价模型作为模拟退火算法的成本函数，设置模拟退火算法的关键参数，所述模拟退火算法的关键参数包括初始温度、冷却率、步长以及循环次数；
步骤三：设定每个工艺参数的变化范围；添加一组工艺参数，并通过焊接质量评价模型求解得出初始解，将初始解作为当前最优解；
步骤四：在每个工艺参数的变化范围内，随机选取新的数值组成一组新的工艺参数，并通过焊接质量评价模型求解得出优化解；
步骤五：将所述优化解与当前最优解进行比对，若该优化解优于当前最优值时，自动更新现有优化结果，将所述优化解作为新的当前最优解；若该优化解仍差于当前最优值时，根据概率将优化解作为新的当前最优解；
步骤六：更新模拟退火算法的当前温度；
步骤七：重复迭代步骤四至六；直至运行次数达到循环次数，结束循环，得到当前该最优解对应的焊接工艺参数。
2.如权利要求1所述的基于模拟退火算法的焊接参数优化法，其特征在于：步骤五中，所述概率的计算公式如下：
P＝e^((-Δ焊接质量)/Tc)
其中e为常数，Δ焊接质量为优化解和当前最优解两者之差，Tc为模拟退火算法当前的温度。
3.如权利要求2所述的基于模拟退火算法的焊接参数优化法，其特征在于：步骤六中，当前温度的计算公式如下：
Tn＝Tc*冷却率
其中Tn为新温度，Tc为模拟退火算法的当前温度，将Tn取代Tc。
4.如权利要求1所述的基于模拟退火算法的焊接参数优化法，其特征在于：所述试验材料为6061-T6态，材料标准为GB/T 1591-94，试板尺寸为200*100*3。
5.如权利要求1所述的基于模拟退火算法的焊接参数优化法，其特征在于：所述焊接质量工艺评定试验设定的焊接方法为搅拌摩擦焊，采用的搅拌头类型为三角螺纹动轴肩；所述焊接质量工艺评定试验需在使用龙门式搅拌摩擦焊专机进行。
6.如权利要求1所述的基于模拟退火算法的焊接参数优化法，其特征在于：所述焊接质量评价模型用于评价焊接质量的参数包括抗拉强度、维氏硬度。
7.如权利要求6所述的基于模拟退火算法的焊接参数优化法，其特征在于：所述焊接质量评价模型为抗拉强度的回归模型，即输入工艺参数到焊接质量评价模型后能够得到对应的抗拉强度。
8.如权利要求1所述的基于模拟退火算法的焊接参数优化法，其特征在于：所述工艺参数包括搅拌针旋转速度、焊接速度、下压量以及板厚。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011026677.4A CN112388148A (zh) | 2020-09-25 | 2020-09-25 | 基于模拟退火算法的焊接参数优化法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011026677.4A CN112388148A (zh) | 2020-09-25 | 2020-09-25 | 基于模拟退火算法的焊接参数优化法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112388148A true CN112388148A (zh) | 2021-02-23 |
Family
ID=74595506
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011026677.4A Pending CN112388148A (zh) | 2020-09-25 | 2020-09-25 | 基于模拟退火算法的焊接参数优化法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112388148A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114888426A (zh) * | 2022-06-02 | 2022-08-12 | 大连理工大学 | 考虑焊接温度和顶端力的fsw抗拉强度智能预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106563900A (zh) * | 2016-11-16 | 2017-04-19 | 华南理工大学 | 一种汽车内外饰件最优焊接轨迹的方法 |
-
2020
- 2020-09-25 CN CN202011026677.4A patent/CN112388148A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106563900A (zh) * | 2016-11-16 | 2017-04-19 | 华南理工大学 | 一种汽车内外饰件最优焊接轨迹的方法 |
Non-Patent Citations (4)
| Title |
|---|
| ROSHAN S B 等: "Optimization of friction stir welding process of AA7075 aluminum alloy to achieve desirable mechanical properties using ANFIS models and simulated annealing algorithm", 《THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY》 * |
| 任刚等, 东南大学出版社 * |
| 张建生等: "模具堆焊工艺中焊缝形状预测及工艺参数优化研究进展", 《锻压装备与制造技术》 * |
| 张慧: "VC++环境下的BP神经网络建模和模拟退火优化研究", 《电脑与信息技术》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114888426A (zh) * | 2022-06-02 | 2022-08-12 | 大连理工大学 | 考虑焊接温度和顶端力的fsw抗拉强度智能预测方法 |
| CN114888426B (zh) * | 2022-06-02 | 2023-02-14 | 大连理工大学 | 考虑焊接温度和顶锻力的fsw抗拉强度智能预测方法 |
| WO2023231244A1 (zh) * | 2022-06-02 | 2023-12-07 | 大连理工大学 | 考虑焊接温度和顶锻力的fsw抗拉强度智能预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108376376B (zh) | 基于bim模型的建筑工程质量管理标准化方法 | |
| CN110263431B (zh) | 一种混凝土28d抗压强度预测方法 | |
| WO2023202098A1 (zh) | 锂电池化成阶段产品质量预测方法及系统 | |
| WO2024027437A1 (zh) | 基于构件参数库的装配式建筑设计与建造一体化协同方法 | |
| CN112388148A (zh) | 基于模拟退火算法的焊接参数优化法 | |
| CN108595800B (zh) | 一种网壳结构建模方法 | |
| CN108509719A (zh) | 一种基于bp神经网络的铸铁件断芯预测方法及系统 | |
| CN110717273B (zh) | 一种工艺过程仿真边界条件构建方法 | |
| CN115018327A (zh) | 一种基于系统模拟的碳排放核定方法及系统 | |
| CN111079257B (zh) | 一种热熔自攻丝铆接接头建模与仿真方法 | |
| CN116796546A (zh) | 基于小样本学习的高温合金增材制造工艺优化预测方法 | |
| CN107679659A (zh) | 新型工业用电量预测方法 | |
| CN111933221A (zh) | 一种预测Nb微合金钢动态再结晶分数的方法 | |
| CN115187102A (zh) | 一种基于烧结矿质量预测下的模型评估改进方法 | |
| CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及系统 | |
| CN111368402B (zh) | 一种管材挤压工艺优化方法 | |
| CN109284478B (zh) | 一种估计对数正态型单元可靠性参数的方法 | |
| CN112632810A (zh) | 一种杆件折弯上模下压量规律的预测方法 | |
| CN106383946A (zh) | 一种加速退化模型参数估计方法 | |
| CN109079427B (zh) | 一种应用数据挖掘技术的钢桶生产工艺 | |
| CN114063668B (zh) | 一种miniLED线路板的生产温度智能控制的方法及系统 | |
| CN113095613A (zh) | 一种车间电能消耗评价方法 | |
| TWI700566B (zh) | 扣件成型機之模具異常診斷方法及其電腦程式產品 | |
| CN118060845A (zh) | 一种高性能金属零件材料的快速开发方法 | |
| CN110717272B (zh) | 材料成型与改性工艺的耦合仿真方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210223 |