CN112632721A - 一种基于组合模型的mag焊接接头性能预测方法及系统 - Google Patents

一种基于组合模型的mag焊接接头性能预测方法及系统 Download PDF

Info

Publication number
CN112632721A
CN112632721A CN202011518005.5A CN202011518005A CN112632721A CN 112632721 A CN112632721 A CN 112632721A CN 202011518005 A CN202011518005 A CN 202011518005A CN 112632721 A CN112632721 A CN 112632721A
Authority
CN
China
Prior art keywords
model
neural network
training data
establishing
network model
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
Application number
CN202011518005.5A
Other languages
English (en)
Inventor
徐连勇
王成
韩勇典
赵雷
荆洪阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202011518005.5A priority Critical patent/CN112632721A/zh
Publication of CN112632721A publication Critical patent/CN112632721A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Neurology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Arc Welding Control (AREA)

Abstract

本说明书实施例公开了一种基于组合模型的MAG焊接接头性能预测方法及系统。方案包括：获取焊接接头性能数据作为建立预测模型的训练数据；基于所述训练数据建立BP神经网络模型；基于所述训练数据建立RBF神经网络模型；基于所述训练数据建立克里金插值模型；采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；采用所述组合模型对MAG焊接接头性能进行预测。本方案用于提高MAG焊接接头性能(焊缝余高、接头抗拉强度和冲击功)预测的精度和稳定性。

Description

一种基于组合模型的MAG焊接接头性能预测方法及系统
技术领域
本申请涉及焊接技术领域，尤其涉及一种基于组合模型的MAG焊接接头性能预测方法及系统。
背景技术
焊接接头性能预测模型是指利用各种数学建模方法所建立、能描绘焊接工艺参数与接头性能之间非线性关系的数学模型。在焊接性能预测模型中，输入相应的焊接工艺参数，就能预测出对应的接头性能。因此，建立高精度、高稳定性的焊接性能预测模型，可以减少所需焊接工艺试验数量和人力成本，是实现焊接工艺参数优化的前提。
但是，如何在特定的工程应用场景中选择最合适的数学建模方法，如何进一步提升预测模型的精度和稳定性，这些问题仍然存在。
发明内容
有鉴于此，本申请实施例提供了一种基于组合模型的MAG焊接接头性能预测方法及系统，用于提高MAG焊接接头性能(焊缝余高、接头抗拉强度和冲击功)预测的精度和稳定性。
为解决上述技术问题，本说明书实施例是这样实现的：
本说明书实施例提供的一种基于组合模型的MAG焊接接头性能预测方法，包括：
获取焊接接头性能数据作为建立预测模型的训练数据；
基于所述训练数据建立BP神经网络模型；
基于所述训练数据建立RBF神经网络模型；
基于所述训练数据建立克里金插值模型；
采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；
采用所述组合模型对MAG焊接接头性能进行预测。
可选的，所述采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型，具体包括：
将分别为所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型设置权值，并构建组合模型，其中各所述权值的和为1；
当所述组合模型的预测误差最小时，确定所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值。
可选的，采用遗传算法计算所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值，使组合模型预测误差的均方误差最小，进而采用加权相加组合。
可选的，所述训练数据包括MAG焊工艺参数变量和所测量的接头性能数据。
可选的，所述基于所述训练数据建立BP神经网络模型，具体包括：
根据所述训练数据中MAG焊工艺参数变量的数量和所测量的接头性能数据，确定输入层3和输出层的神经元数量；
根据经验公式确定隐含层的神经元数量的范围；
采用数值试验的方法，测量不同隐含层神经元数量下100次建模的平均预测误差，根据预测接头抗拉强度、冲击功和焊缝余高的标准确定隐含层神经元数量。
可选的，所述基于所述训练数据建立RBF神经网络模型，具体包括：
根据所述训练数据中MAG焊工艺参数变量的数量和所测量的接头性能数据，确定输入层3和输出层的神经元数量；
采用数值试验来选择合适的扩散速率。
可选的，所述基于所述训练数据建立克里金插值模型，具体包括：在建模过程中，使用零阶多项式回归函数“regpoly0”和高斯关联函数分别建立克里金插值模型的全局部分和局部偏差，每一个变量的初始θ值设置为10，变化范围为1e-1到20，终止条件是预测值与试验值的均方误差小于1e-10。
可选的，所述工艺参数变量包括焊接电压、焊接速度和送丝速度。
可选的，所述接头性能数据包括：接头抗拉强度、冲击功和焊缝余高。
本说明书实施例还提高了一种基于组合模型的MAG焊接接头性能预测系统，所述系统包括：
训练数据获取模块，用于获取焊接接头性能数据作为建立预测模型的训练数据；
BP神经网络模型建立模块，用于基于所述训练数据建立BP神经网络模型；
RBF神经网络模型建立模块，用于基于所述训练数据建立RBF神经网络模型；
克里金插值模型建立模块，用于基于所述训练数据建立克里金插值模型；
组合模型构建模块，用于采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；
接头性能预测模块，用于采用所述组合模型对MAG焊接接头性能进行预测。
本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
1、本发明组合了3种行之有效的预测方法，即误差反向传播神经网络、径向基函数神经网络和克里金插值法，为实现高效预测接头性能提供了一种新思路，拓宽了焊接接头性能预测方法的研究领域，提高了提高MAG焊接接头性能(焊缝余高、接头抗拉强度和冲击功)预测的精度和稳定性。
2、采用线性加权法建立了组合模型，提升了接头性能，即接头抗拉强度、冲击功和焊缝余高的预测精度和稳定性，为不同试验条件下选择预测方法提供了理论依据。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例提供的一种基于组合模型的MAG焊接接头性能预测方法的流程示意图；
图2为本说明书实施例提供的BP神经网络模型和RBF神经网络模型的结构示意图；
图3为隐含层神经元数量数值试验；
图4为扩散速率数值试验；
图5为本说明书实施例提供的对应于图1的一种基于组合模型的MAG焊接接头性能预测系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
熔化极活性气体保护焊是采用在惰性气体中加入一定量的活性气体，如O2、CO2等作为保护气体的一种熔化极气体保护电弧焊方法，简称MAG焊。
本发明提供一种高稳定、高精度的焊接接头性能预测新型方法。本发明以MAG焊焊接电压、焊接速度、送丝速度为可调工艺参数，对低碳钢板进行三因素三水平全因子平板对接焊和堆焊试验，基于试验数据建立误差反向传播神经网络、径向基神经网络和克里金模型，为提升预测焊缝余高、接头抗拉强度和冲击功的精度和稳定性，将误差反向传播神经网络、径向基神经网络和克里金模型以线性加权法组合，建立组合模型实现接头性能预测。本发明的效果是在建立误差反向传播神经网络、径向基神经网络和克里金模型的组合模型，提出了一种新型的焊接接头性能预测模型，拓展了探究焊接工艺参数与接头性能之间关系的方法，提升了预测的准确性和稳定性。
在研究本系统之前首先要明确BP神经网络、RBF神经网络和克里金插值模型的基本原理。
1、误差反向传播神经网络(Error Back Propagation Neural Network)，简称BP神经网络。在网络结构方面，BP神经网络是多层结构，由输入层、隐含层、输出层构成，层与层间通过权值相互连接，层内神经元无连接。在网络学习算法方面，BP神经网络采用误差反向传播算法，即数据信息从输入层经隐含层向输出层传递，训练网络权值和阈值时候，误差信息沿着误差减少的方向，从输出层出发经隐含层反向传递，逐层向前修正网络间的连接权值和各层的阈值。建立BP神经网络的过程中，训练网络步骤至关重要，训练步骤如下：
步骤1：网络初始化。首先随机初始化网络的权值和阈值。根据训练数据的维数确定输入层、隐含层和输出层(即n、l、m)的神经元个数。
步骤2：计算隐含层和输出层的输出。
Figure BDA0002848074470000051
式中，Hj为隐含层输出，f代表隐含层的激活函数，ωij为输入层与隐含层之间的权重，xi是输入数据，aj表示隐含层阈值。
Figure BDA0002848074470000052
式中，Ok是输出层的输出结果，ωjk表示隐含层与输出层之间的权重。bk代表输出层的阈值。
步骤3：更新权值和阈值。
ek＝Yk-Ok k＝1,2,…,m
式中，ek是误差值，Yk是期望输出。
Figure BDA0002848074470000053
ωjk＝ωjk+ηHjek i＝1,2,…,n；j＝1,2,…,l
Figure BDA0002848074470000061
bk＝bk+ek k＝1,2,…,m
式中，η表示学习率。大量的研究已经证明了BP神经网络具有优秀的拟合近似能力，能够建立以焊接工艺参数为输入、焊接性能为输出的焊接性能预测模型。但BP神经网络仍存在局限性，网络局限性如下：
(1)网络参数多，且部分参数没有统一的方法来确定。在设计BP神经网络时，隐含层神经元数量、隐含层层数只能通过经验公式初步分配一个范围，神经元数量过多会造成过学习，而神经元数量太少则导致欠学习；网络学习率过大导致网络修正权值时候波动大，学习率过小又会导致效率低下。
(2)网络对初始权值和阈值敏感，容易陷入局部最优。训练BP神经网络时候，网络初始权值和阈值是在指定范围内随机分配的，不合适的初始权值和阈值会导致网络陷入局部最优。
(3)训练样本依赖性强。网络模型的拟合能力与训练样本的典型性密切相关，因此使用具有代表性的训练数据建立BP神经网络，对获取预测性能良好的网络尤为重要。
考虑上述BP神经网络具有的局限性，BP神经网络不能适用于所有的场景。因此许多学者使用其他结构简单和收敛速度快的神经网络来描述焊接工艺参数与焊接性能之间的数学关系、建立焊接性能预测模型。
2、径向基函数神经网络(Radial Basis Function Neural Network)，简称RBF神经网络。RBF神经网络结构简单、收敛速度快并且拟合能力出众，因此RBF神经网络与BP神经网络相比，更适合实时性要求高的场合。RBF神经网络与BP神经网络有相似的网络结构，都拥有输入层、隐含层和输出层，如图3-1所示。但是，RBF神经网络的隐含层激活函数是径向基函数，例如高斯函数。而且输出层神经元与隐含层神经元之间的连接是输入层神经元到隐含层神经元中心的距离而不是权重。输出层输出可以由下式计算：
Figure BDA0002848074470000071
式中，ωij是输出层和隐含层的权值，
Figure BDA0002848074470000072
是输入数据，
Figure BDA0002848074470000073
是隐含层的中心，φ指的是径向基函数，通常是高斯函数。高斯函数如下定义：
Figure BDA0002848074470000074
式中，dmax是隐含层中心间的最大距离，n代表隐含层神经元的数量。
3、克里金插值法(Kriging)是一种空间插值技术，最初用于辅助地质学家估算矿含量，但是由于其出色的拟合近似能力，已经被广泛的应用在焊接领域。其基本原理是通过加权已测点来获得新点的预测值。预测值可以由下式得出：
Figure BDA0002848074470000075
式中，λi是已测点的权值,zi是已测点,n是已测点的数量。在克里金空间插值法中，权值不仅仅取决于已测点与预测点的距离，还取决于预测点周围已测点间的空间关系。
在明确几种预测模型的背景和基本原理后，建立组合模型实现接头性能高精度高稳定性预测可以根据以下技术方案达到：
1、将焊接工艺试验数据作为训练数据，建立BP神经网络、RBF神经网络和克里金插值模型，其中训练数据尽可能在变量空间分布均匀；
2、调整建模参数，提升BP神经网络、RBF神经网络和克里金插值模型预测效果；
3、采用线性加权法组合三个预测模型，考虑存在BP神经网络、RBF神经网络等非联系映射关系，因此可采用遗传算法或退火算法等求解各模型最适权值；
4、验证分析组合模型的预测效果。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例提供的一种基于组合模型的MAG焊接接头性能预测方法的流程示意图。如图1所示，该流程可以包括以下步骤：
步骤105：获取焊接接头性能数据作为建立预测模型的训练数据；其中，所述训练数据包括MAG焊工艺参数变量和所测量的接头性能数据。所述工艺参数变量可以包括焊接电压、焊接速度和送丝速度。所述接头性能数据可以包括：接头抗拉强度、冲击功和焊缝余高。
步骤110：基于所述训练数据建立BP神经网络模型；
步骤115：基于所述训练数据建立RBF神经网络模型；
步骤120：基于所述训练数据建立克里金插值模型；
步骤125：采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；
步骤130：采用所述组合模型对MAG焊接接头性能进行预测。
图1中的方法，通过组合了3种行之有效的预测方法，即误差反向传播神经网络、径向基函数神经网络和克里金插值法，为实现高效预测接头性能提供了一种新思路，拓宽了焊接接头性能预测方法的研究领域，提高了提高MAG焊接接头性能(焊缝余高、接头抗拉强度和冲击功)预测的精度和稳定性。
同时，采用线性加权法建立了组合模型，提升了接头性能，即接头抗拉强度、冲击功和焊缝余高的预测精度和稳定性，为不同试验条件下选择预测方法提供了理论依据。
基于图1的方法，本说明书实施例还提供了该方法的一些具体实施方式，下面进行说明。
本实施例中试验选用Q235作为母材，钢板尺寸为200mm×100mm×10mm.根据母材成分和等强匹配原则，选择焊丝型号为ER50-6的φ1.2mm实芯焊丝，保护气体成分为82％Ar+18％CO2。试验中，焊接机器人选用FANUC Robot M-10iA，焊机为Fronius CMT Advanced4000。喷嘴到平板距离固定为15mm，保护气送气速度固定为15L/min。
建立BP神经网络、RBF神经网络和克里金模型组合预测模型的实施步骤具体如下：
1、开展焊接工艺试验，获取焊接接头性能数据作为建立预测模型的训练数据，训练数据如表1所示：
表1训练数据
Figure BDA0002848074470000091
2、基于训练数据建立BP神经网络，具体步骤如下：
2.1)根据训练数据中MAG焊工艺参数变量数量和所测量的接头性能数据，确定网络结构为输入层3个神经元，输出层1个神经元，结构如图2所示；
2.2)结合经验公式开展数值试验确定网络隐含层神经元数量，经验公式如下：
Figure BDA0002848074470000101
Figure BDA0002848074470000102
M＝log2 n
其中，M为隐含层神经元个数，k为样本数，m和n分为输出层和输入层神经元个数，a是[0,10]之间的常数。根据上述经验公式计算所得的隐含层神经元数量最少为1个，最多为12个。考虑不同的经验公式会得到不同的隐含层神经元数量，因此最合适的隐含层神经元数量仍然难以确定。首先根据经验公式确定隐含层神经元数量大致范围，然后采用数值试验的方法，测量不同隐含层神经元数量下100次建模的平均预测误差，以此选定预测接头抗拉强度、冲击功和焊缝余高的隐含层神经元数量分别为1、2和1。数值试验结果如图3所示。
3、基于训练数据建立RBF神经网络，具体步骤如下：
3.1)根据训练数据中MAG焊工艺参数变量数量和所测量的接头性能数据，确定网络结构为输入层3个神经元，输出层1个神经元，结构如图2所示；
3.2)采用数值试验来选择合适的扩散速率，数值试验结果如图4所示，预测抗拉强度、冲击功和焊缝余高的最适扩散速率分别为0.9、1.55和1.55。
4、基于训练数据建立克里金插值模型。使用MATLAB中“dacefit”函数来建立克里金插值模型。在建模过程中，使用零阶多项式回归函数“regpoly0”和高斯关联函数分别建立克里金模型的全局部分和局部偏差。每一个变量的初始θ值设置为10，变化范围为1e-1到20。终止条件是预测值与试验值的均方误差小于1e-10。
5、采用线性加权法建立组合模型，具体步骤如下：
5.1)加权组合各模型
为了利用不同预测模型各自的优点来提升预测精度和稳定性，通过设置权值将多个独立预测模型组合起来，如下式所示：
Figure BDA0002848074470000111
式中，
Figure BDA0002848074470000112
代表组合模型，
Figure BDA0002848074470000113
分别代表BP神经网络、RBF神经网络和克里金模型等独立预测模型，ωi(i＝1,2,…,n)分别代表不同独立预测模型对应的权值。
5.2)求解各模型的权值
为保证组合模型预测值稳定，独立模型的权值之和应为1，并应使组合模型的预测误差最小，预测误差通过均方误差表示。求解各模型对应权值的数学描述如下：
Findωi
Figure BDA0002848074470000114
Figure BDA0002848074470000115
数学问题描述中，MSE是预测值和实验值的均方误差，
Figure BDA0002848074470000116
是组合模型对第j个焊接结果的预测值，
Figure BDA0002848074470000117
是第j个焊接结果的实验值，m为测试试验组数。求解上述数学问题便可以获得使预测均方误差最小的权值组合，然后基于所求解的权值就能建立多个预测模型的组合模型。所求权值如表2所示。
表2独立预测模型权值
Figure BDA0002848074470000118
6、对所建立的BP神经网络、RBF神经网络、克里金插值模型和组合模型的预测性能进行对比分析，预测结果如表3和表4所示。组合模型预测结果如表4-2所示。显然，组合模型与三个独立模型相比，对冲击功、抗拉强度和余高的预测最大相对误差从21.2％、18.8％和13.0％显著降低至12.3％、11.0％和9.5％。组合模型对冲击功、抗拉强度和余高的平均相对误差分别为6.9％、4.3％和4.2％，明显优于三种独立模型中的最小平均相对误差(分别为8.6％、4.4％和4.3％)。同时，组合模型预测冲击功和抗拉强度的标准差为4.44和3.52，低于三种独立模型中的最小值6.54和3.86。组合模型预测余高的标准差为3.61，仅次于最好的BP神经网络(3.22)。因此组合模型比独立模型拥有更好的稳定性。总体而言，组合模型不仅提高了预测精度，而且使预测性能更加稳定。因此，选择BP神经网络、RBF神经网络和克里金模型的组合模型预测接头抗拉强度、冲击功和焊缝余高。
表3独立模型预测结果
Figure BDA0002848074470000121
表4组合模型预测结果
Figure BDA0002848074470000122
基于同样的思路，本说明书实施例还提供了上述方法对应的装置。图5为本说明书实施例提供的对应于图1的一种基于组合模型的MAG焊接接头性能预测系统的结构示意图。如图5所示，该系统可以包括：
训练数据获取模块510，用于获取焊接接头性能数据作为建立预测模型的训练数据；
BP神经网络模型建立模块520，用于基于所述训练数据建立BP神经网络模型；
RBF神经网络模型建立模块530，用于基于所述训练数据建立RBF神经网络模型；
克里金插值模型建立模块540，用于基于所述训练数据建立克里金插值模型；
组合模型构建模块550，用于采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；
接头性能预测模块560，用于采用所述组合模型对MAG焊接接头性能进行预测。
其中，所述采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型，具体可以包括：
将分别为所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型设置权值，并构建组合模型，其中各所述权值的和为1；
当所述组合模型的预测误差最小时，确定所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值。
其中，采用遗传算法计算所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值，使组合模型预测误差的均方误差最小，进而采用加权相加组合。
其中，所述训练数据包括MAG焊工艺参数变量和所测量的接头性能数据。
其中，所述基于所述训练数据建立BP神经网络模型，具体包括：
根据所述训练数据中MAG焊工艺参数变量的数量和所测量的接头性能数据，确定输入层3和输出层的神经元数量；
根据经验公式确定隐含层的神经元数量的范围；
采用数值试验的方法，测量不同隐含层神经元数量下100次建模的平均预测误差，根据预测接头抗拉强度、冲击功和焊缝余高的标准确定隐含层神经元数量。
其中，所述基于所述训练数据建立RBF神经网络模型，具体可以包括：
根据所述训练数据中MAG焊工艺参数变量的数量和所测量的接头性能数据，确定输入层3和输出层的神经元数量；
采用数值试验来选择合适的扩散速率。
其中，所述基于所述训练数据建立克里金插值模型，具体包括：在建模过程中，使用零阶多项式回归函数“regpoly0”和高斯关联函数分别建立克里金插值模型的全局部分和局部偏差，每一个变量的初始θ值设置为10，变化范围为1e-1到20。终止条件是预测值与试验值的均方误差小于1e-10。
其中，所述工艺参数变量可以包括焊接电压、焊接速度和送丝速度。
其中，所述接头性能数据可以包括：接头抗拉强度、冲击功和焊缝余高。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于组合模型的MAG焊接接头性能预测方法，其特征在于，包括：
获取焊接接头性能数据作为建立预测模型的训练数据；
基于所述训练数据建立BP神经网络模型；
基于所述训练数据建立RBF神经网络模型；
基于所述训练数据建立克里金插值模型；
采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；
采用所述组合模型对MAG焊接接头性能进行预测。
2.如权利要求1所述的方法，其特征在于，所述采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型，具体包括：
将分别为所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型设置权值，并构建组合模型，其中各所述权值的和为1；
当所述组合模型的预测误差最小时，确定所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值。
3.如权利要求1或2所述的方法，其特征在于，采用遗传算法计算所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值，使组合模型预测误差的均方误差最小，进而采用加权相加组合。
4.如权利要求1所述的方法，其特征在于，所述训练数据包括MAG焊工艺参数变量和所测量的接头性能数据。
5.如权利要求1所述的方法，其特征在于，所述基于所述训练数据建立BP神经网络模型，具体包括：
根据所述训练数据中MAG焊工艺参数变量的数量和所测量的接头性能数据，确定输入层3和输出层的神经元数量；
根据经验公式确定隐含层的神经元数量的范围；
采用数值试验的方法，测量不同隐含层神经元数量下100次建模的平均预测误差，根据预测接头抗拉强度、冲击功和焊缝余高的标准确定隐含层神经元数量。
6.如权利要求1所述的方法，其特征在于，所述基于所述训练数据建立RBF神经网络模型，具体包括：
根据所述训练数据中MAG焊工艺参数变量的数量和所测量的接头性能数据，确定输入层3和输出层的神经元数量；
采用数值试验来选择合适的扩散速率。
7.如权利要求1所述的方法，其特征在于，所述基于所述训练数据建立克里金插值模型，具体包括：在建模过程中，使用零阶多项式回归函数“regpoly0”和高斯关联函数分别建立克里金插值模型的全局部分和局部偏差，每一个变量的初始θ值设置为10，变化范围为1e-1到20，终止条件是预测值与试验值的均方误差小于1e-10。
8.如权利要求4所述的方法，其特征在于，所述工艺参数变量包括焊接电压、焊接速度和送丝速度。
9.如权利要求1所述的方法，其特征在于，所述接头性能数据包括：接头抗拉强度、冲击功和焊缝余高。
10.一种基于组合模型的MAG焊接接头性能预测系统，其特征在于，所述系统包括：
训练数据获取模块，用于获取焊接接头性能数据作为建立预测模型的训练数据；
BP神经网络模型建立模块，用于基于所述训练数据建立BP神经网络模型；
RBF神经网络模型建立模块，用于基于所述训练数据建立RBF神经网络模型；
克里金插值模型建立模块，用于基于所述训练数据建立克里金插值模型；
组合模型构建模块，用于采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；
接头性能预测模块，用于采用所述组合模型对MAG焊接接头性能进行预测。
CN202011518005.5A 2020-12-21 2020-12-21 一种基于组合模型的mag焊接接头性能预测方法及系统 Pending CN112632721A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011518005.5A CN112632721A (zh) 2020-12-21 2020-12-21 一种基于组合模型的mag焊接接头性能预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011518005.5A CN112632721A (zh) 2020-12-21 2020-12-21 一种基于组合模型的mag焊接接头性能预测方法及系统

Publications (1)

Publication Number Publication Date
CN112632721A true CN112632721A (zh) 2021-04-09

Family

ID=75320318

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011518005.5A Pending CN112632721A (zh) 2020-12-21 2020-12-21 一种基于组合模型的mag焊接接头性能预测方法及系统

Country Status (1)

Country Link
CN (1) CN112632721A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115255604A (zh) * 2022-08-05 2022-11-01 西北工业大学 基于差速回填式搅拌摩擦点焊控制系统的预测方法和装置
CN117415502A (zh) * 2023-11-15 2024-01-19 广州飞数工业软件有限公司 基于工业互联网的焊接质量预测模型训练方法及监测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101067828A (zh) * 2007-06-12 2007-11-07 中南大学 焦炉火道温度集成建模与软测量方法
CN102054199A (zh) * 2010-12-31 2011-05-11 中国人民解放军63983部队 基于bp神经网络算法对涂层老化的分析方法
CN106777527A (zh) * 2016-11-24 2017-05-31 上海市特种设备监督检验技术研究院 基于神经网络模型的起重机小车运行能耗分析方法
CN106909727A (zh) * 2017-02-20 2017-06-30 武汉理工大学 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法
CN110405343A (zh) * 2019-08-15 2019-11-05 山东大学 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法
CN111859800A (zh) * 2020-07-15 2020-10-30 河海大学 用于pm2.5浓度分布的时空估算和预测的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101067828A (zh) * 2007-06-12 2007-11-07 中南大学 焦炉火道温度集成建模与软测量方法
CN102054199A (zh) * 2010-12-31 2011-05-11 中国人民解放军63983部队 基于bp神经网络算法对涂层老化的分析方法
CN106777527A (zh) * 2016-11-24 2017-05-31 上海市特种设备监督检验技术研究院 基于神经网络模型的起重机小车运行能耗分析方法
CN106909727A (zh) * 2017-02-20 2017-06-30 武汉理工大学 基于bp神经网络和遗传算法ga的激光焊接温度场有限元模拟方法
CN110405343A (zh) * 2019-08-15 2019-11-05 山东大学 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法
CN111859800A (zh) * 2020-07-15 2020-10-30 河海大学 用于pm2.5浓度分布的时空估算和预测的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吕小青 等: ""基于组合模型的MAG焊工艺参数多目标优化"", 《焊接学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115255604A (zh) * 2022-08-05 2022-11-01 西北工业大学 基于差速回填式搅拌摩擦点焊控制系统的预测方法和装置
CN117415502A (zh) * 2023-11-15 2024-01-19 广州飞数工业软件有限公司 基于工业互联网的焊接质量预测模型训练方法及监测方法

Similar Documents

Publication Publication Date Title
CN112632721A (zh) 一种基于组合模型的mag焊接接头性能预测方法及系统
Kolahan et al. A new approach for predicting and optimizing weld bead geometry in GMAW
Zhou et al. Optimization of laser brazing onto galvanized steel based on ensemble of metamodels
Gibbard et al. Recent applications of linear analysis techniques
CN1043018C (zh) 在连接钢板的单面焊接过程中减少焊接变形的方法
CN110210127B (zh) 焊接工艺参数与焊道成型参数相关模型建立方法及系统
Jiang et al. Optimization of welding process parameters by combining Kriging surrogate with particle swarm optimization algorithm
Jogi et al. Metal inert gas (MIG) welding process optimization using teaching-learning based optimization (TLBO) algorithm
CN110488810B (zh) 基于改进型粒子群算法的焊接机器人最优路径规划方法
US20230062408A1 (en) Adaptive path planning method based on neutral networks trained by the evolutional algorithms
CN113158573A (zh) 一种基于深度学习的小水电群区域配网最优潮流获取方法
CN113434971A (zh) 一种多尺度焊接疲劳寿命预测方法、装置及设备
CN111049159B (zh) 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法
CN104734148A (zh) 计及分布式电源的三相配电网连续潮流算法
CN111008686B (zh) 一种基于节点相关度实现可靠解列的网架结构优化方法
Shin et al. Prediction of weld porosity (pit) in gas metal arc welds
CN109861231B (zh) 一种基于凸多边形的电力系统区间潮流方法
CN110153582A (zh) 焊接方案生成方法、装置以及焊接系统
Xue et al. Weld bead geometry prediction of additive manufacturing based on neural network
CN115285316A (zh) 基于误差累积原理的船舶分段焊接变形动态补偿控制方法
CN113809779B (zh) 一种风电场接入柔直系统时稳定性检验方法
Na et al. A experiment study for welding optimization of fillet welded structure
CN108521128B (zh) 电力系统静态电压安全域边界的快速搜索方法
Peng et al. Real time optimization of robotic arc welding based on machine vision and neural networks
Podder et al. ANFIS based weld metal deposition prediction system in mag welding using hybrid learning algorithm

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: 20210409