CN112949203B - 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法 - Google Patents

一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法 Download PDF

Info

Publication number
CN112949203B
CN112949203B CN202110294617.9A CN202110294617A CN112949203B CN 112949203 B CN112949203 B CN 112949203B CN 202110294617 A CN202110294617 A CN 202110294617A CN 112949203 B CN112949203 B CN 112949203B
Authority
CN
China
Prior art keywords
data
node
algorithm
laser cutting
sub
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.)
Active
Application number
CN202110294617.9A
Other languages
English (en)
Other versions
CN112949203A (zh
Inventor
黄彬
朱圣杰
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110294617.9A priority Critical patent/CN112949203B/zh
Publication of CN112949203A publication Critical patent/CN112949203A/zh
Application granted granted Critical
Publication of CN112949203B publication Critical patent/CN112949203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明涉及一种基于电参数和XGBOOST‑NN算法的板材激光切割质量判断方法，包括以下步骤：步骤S1:获取激光加工设备电信号与工艺参数所对应的激光切割质量数据，并划分为训练集和验证集；步骤S2:通过K折交叉验证法划分训练集为i个子训练集;步骤S3：将子训练集分别用于训练XGBOOST‑NN算法参数，得到i个已训练的XGBOOST‑NN算法模型；步骤S4:根据验证集分别验证XGBOOST‑NN算法模型的准确率，并获取准确率最高的模型用于激光切割质量判断。

Description

一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断 方法
技术领域
本发明属于生产制造技术领域，具体涉及一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法。
背景技术
随着现代工业的发展，信息技术和网络技术已经在生产车间中得到广泛应用，数字化已经成为未来工业发展的主要方向。数字化技术对产线的生产管理、资源调度、异常处理等方面都提升明显，数字车间的建设对企业的转型升级和适应市场有着重要意义。相比于传统切削，激光切割具有无切削力，且加工效率高的优点，因此被广泛应用于板材加工，在板材加工工艺中占据重要地位，而比较各种激光切割技术数字化方法优劣的重点在于对激光切割质量判断准确率的高低。因此根据激光切割过程中产生的数字信息判断激光切割质量是数字化车间建设的一个切入点。
一般而言，对板材激光切割质量的评定包括：切缝宽度、切面粗糙度、热影响区和挂渣长度这四个方面。目前，有关激光切割质量判断的技术主要分为两大类，一是利用传统物理建模的方法判断激光切割质量，该类方法的准确率很大程度依赖于事先设定好的一系列力学、材料学、光学和热学参数，而在实际激光切割过程中，这些参数往往具有耦合性和时变性，因此基于物理建模的判断方法不准确。二是基于机器学习算法的激光切割质量判断方法，这类方法能通过机器学习算法学习激光切割过程中的数据的变化，判断结果比第一类方法更加准确。
机器学习算法的准确率依赖于训练数据是否全面和算法的特征处理能力是否强大。训练数据包含的特征越全面、算法对特征的处理能力越强，对激光切割质量判断的准确率越高。目前，大部分基于机器学习算法的激光切割质量判断方法在训练数据和算法的选取方面大多存在如下不足：
所选用的训练数据不够全面。目前，大多方法选用激光切割工艺参数作为训练数据，但由于激光切割机的老化或者电网的波动等，激光切割过程会伴随各种随机现象，如切割机电压骤降、光闸跳闸等，这些加工过程的突发变化都会影响切割质量。因此仅选用工艺参数无法全面反映激光过程的变化情况。
所选用的机器学习算法处理特征能力不强。全连接神经网络是目前最常用的机器学习算法，但是该算法不具备特征选择能力，并且特征提取的能力不强。而要进一步提高对激光切割质量判断能力，必须引入更丰富的训练数据进行算法训练，这样也会引入更多的特征，当特征数量较多时，全连接神经网络算法的准确率会降低。
发明内容
有鉴于此，本发明的目的在于提供一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，将激光切割机运行时的电参数(电压、电流、功率等)与工艺参数(激光功率、切割速度、气体压力、占空比、脉冲频率、焦点位置)一同作为训练数据，并提出一种XGBOOST-NN算法作为判断激光切割质量的机器学习算法。
为实现上述目的，本发明采用如下技术方案：
一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，包括以下步骤：
步骤S1:获取激光加工设备电信号与工艺参数所对应的激光切割质量数据，并划分为训练集Ct和验证集Cv；
步骤S2:通过K折交叉验证法划分训练集Ct为i个子训练集Ct1,Ct2,Ct3...Ctk；
步骤S3：将子训练集Ct1,Ct2,Ct3...CtK分别用于训练XGBOOST-NN算法参数，得到i个已训练的XGBOOST-NN算法模型M1,M2,M3...Mi；
步骤S4:根据验证集Cv分别验证XGBOOST-NN算法模型M1,M2,M3...Mi的准确率S1,S2,S3...Si，并获取准确率最高的模型用于激光切割质量判断。
进一步的，所述步骤S1具体为：
步骤S1.1:初始化训练集Ct和验证集Cv为空；
步骤S1.2:对数据进行N次有放回抽样，N为数据条数,每次抽样只抽取一条数据，将抽到的数据添加入训练集Ct；
步骤S1.3:将经过N次有放回抽样后，一次都未被抽中的数据放入验证集Cv。
进一步的，所述步骤S2具体为：
步骤S2.1:将训练集Ct分成K份子训练集，每份最多包含
Figure BDA0002983845420000041
条数据，Nt为训练集Ct数据条数,
Figure BDA0002983845420000042
为向上取整符号；
步骤S2.2:将得到的K个子训练集，依次记作Ct1,Ct2,Ct3...CtK。
进一步的，所述步骤S3具体为：
步骤S3.1:选取一个子训练集Ct1，作为XGBOOST-NN算法模型M1的训练集合,定义树的数目nT；
步骤S3.2:设子训练集Ct1中的数据为x＝[x1 x2 x3...xm]T,m为数据条数,y＝[y1y2 y3...ym]T为数据x对应的标签；
步骤S3.3:定义平方损失函数
Figure BDA0002983845420000043
Figure BDA0002983845420000044
其中，
Figure BDA0002983845420000045
为预测标签向量；
Figure BDA0002983845420000046
为第i个预测值。
步骤S3.4:定义第t(1＜t≤nT)棵树ft(x)：
ft(x)＝wq(x)
其中，x为自变量；q(x)为树叶子节点的映射关系；w∈RT为长度为T的一维向量,代表树t各节点的权值。
步骤S3.5:定义第t棵树的复杂度Ω(ft(x))：
Figure BDA0002983845420000047
其中，γ(γ＞0)为叶子节点数量T的惩罚因子；λ(λ＞0)为叶子权值二范数的惩罚因子；
步骤S3.6:定义第t棵树的损失函数
Figure BDA0002983845420000048
Figure BDA0002983845420000051
其中，
Figure BDA0002983845420000052
为一阶导；
Figure BDA0002983845420000053
为二阶导；
步骤S3.7:定义单个叶子节点中各个数据的一阶导之和为G，每个叶子节点中各个数据的二阶导之和为H：
Figure BDA0002983845420000054
Figure BDA0002983845420000055
其中，I为单个叶子节点中数据数目；
步骤S3.8:从根节点开始开始，对第t棵树进行分裂节点操作，得到树模型
Figure BDA0002983845420000056
步骤S3.9:计算数据x经树模型
Figure BDA0002983845420000057
映射后的权值向量
Figure BDA00029838454200000511
Figure BDA0002983845420000058
步骤S3.10:随机初始化神经网络输入层与隐藏层的连接权重wih：
Figure BDA0002983845420000059
其中，u表示输入层节点的个数；v表示隐藏层节点的个数；
Figure BDA00029838454200000510
表示第u个输入层节点与第v个隐藏层节点之间的权重。
步骤S3.11:随机初始化神经网络输入层与隐藏层的偏置bih
步骤S3.12:随机初始化神经网络隐藏层与输出层的连接权重who：
Figure BDA0002983845420000061
其中，u表示隐藏层节点的个数；w表示输出层节点的个数；
Figure BDA0002983845420000062
表示第v个隐藏层节点与第w个输出层节点之间的权重；
步骤S3.13:随机初始化神经网络隐藏层与输出层的偏置值bho；
步骤S3.14:设定激活函数fa(x)：
Figure BDA0002983845420000063
其中，x为自变量；
步骤S3.15:计算神经网络的输出O：
Figure BDA0002983845420000064
其中，
Figure BDA0002983845420000065
其中，Ow为第w个输出层节点的输出值。
步骤S3.16:计算神经网络的损失函数L：
Figure BDA0002983845420000066
其中，
yi为第i个标签值；
w为输出层节点数；
oi为输出层第i个节点的输出；
步骤S3.17:计算输出层的误差因子δo：
Figure BDA0002983845420000071
其中，⊙表示矩阵对应位置相乘；
步骤S3.18:设置模型的学习率η并更新隐藏层与输出层的连接权重who和偏置bho：
who (1)＝who+ηδoOT
bho (1)＝bho+ηδo
其中，who (1)和bho (1)为更新后的权重和偏置；
步骤S3.19:计算隐藏层的误差因子δh：
Figure BDA0002983845420000072
其中，⊙表示矩阵对应位置相乘；
步骤S3.20:更新输入层与隐藏层的连接权重wih和偏置bih：
wih (1)＝wih+ηδhOT
bih (1)＝bih+ηδh
其中，wih (1)和bih (1)为更新后的权重和偏置。
步骤S3.21:重复迭代步骤S3.15到步骤S3.18n(n＞0)次，得到模型M1；
步骤S3.22:将剩余子训练集数据依次按步骤S3.2到步骤S3.19步骤执行，执行所得模型与M1一同构成待测试模型集合M：
M＝[M1 M2 … M3]。
进一步的，所述步骤S3.8具体为：每次分裂后，原来的一个叶子结点继续分裂为左右两个子叶子结点，原叶子结点中的样本集将根据该结点的判断规则分散到左右两个叶子结点中；新分裂一个结点后，检测这次分裂是否会给损失函数带来增益，定义增益Gain如下：
Figure BDA0002983845420000081
其中，
GL为分裂后左子节点的中各个数据的一阶导之和；
HL为分裂后左子节点的中各个数据的二阶导之和；
GR为分裂后右子节点的中各个数据的一阶导之和；
HR为分裂后右子节点的中各个数据的二阶导之和。
如果某个分割点的Gain＞0，就将其设为候选分割点，将候选分割点中增益最大的点做为最终的分割点。如果所有的分割点的Gain≤0，则停止分裂，最终得到树模型
Figure BDA0002983845420000082
进一步的，所述步骤S4中
准确率Si的计算方式如下：
Figure BDA0002983845420000083
其中，
w为输出层节点数；
oi为输出层第i个节点的输出；
yi为第i个标签值。
本发明与现有技术相比具有以下有益效果：
本发明在激光切割工艺参数的基础上将激光切割过程中的电参数(电压、电流、功率等)也纳入训练数据包含了激光切割过程的变化信息，能够快速有效并且准确的判断激光切割质量
附图说明
图1是本发明一实施例中XGBOOST-NN算法训练的过程图；
图2是本发明一实施例中切割试验后Q235板材的宏观面貌；
图3是本发明一实施例中所采集的部分电参数信号图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，包括以下步骤：
步骤S1:获取激光加工设备电信号与工艺参数所对应的激光切割质量数据，并划分为训练集Ct和验证集Cv，具体如下：
步骤S1.1:初始化训练集Ct和验证集Cv为空；
步骤S1.2:对数据进行N次有放回抽样，N为数据条数,每次抽样只抽取一条数据，将抽到的数据添加入训练集Ct；
步骤S1.3:将经过N次有放回抽样后，一次都未被抽中的数据放入验证集Cv；
步骤S2:通过K折交叉验证法划分训练集Ct为i个子训练集Ct1,Ct2,Ct3...Ctk；具体步骤如下：
步骤S2.1:将训练集Ct分成K份子训练集，每份最多包含
Figure BDA0002983845420000101
条数据，Nt为训练集Ct数据条数,
Figure BDA0002983845420000102
为向上取整符号；
步骤S2.2:将得到的K个子训练集，依次记作Ct1,Ct2,Ct3...CtK。
步骤S3：将子训练集Ct1,Ct2,Ct3...CtK分别用于训练XGBOOST-NN算法参数，得到i个已训练的XGBOOST-NN算法模型M1,M2,M3...Mi，具体步骤如下：
步骤S3.1:选取一个子训练集Ct1，作为XGBOOST-NN算法模型M1的训练集合,定义树的数目nT；
步骤S3.2:设子训练集Ct1中的数据为x＝[x1 x2 x3...xm]T,m为数据条数,y＝[y1y2 y3...ym]T为数据x对应的标签；
步骤S3.3:定义平方损失函数
Figure BDA0002983845420000103
Figure BDA0002983845420000104
其中，
Figure BDA0002983845420000105
为预测标签向量；
Figure BDA0002983845420000106
为第i个预测值。
步骤S3.4:定义第t(1＜t≤nT)棵树ft(x)：
ft(x)＝wq(x)
其中，x为自变量；q(x)为树叶子节点的映射关系；w∈RT为长度为T的一维向量,代表树t各节点的权值。
步骤S3.5:定义第t棵树的复杂度Ω(ft(x))：
Figure BDA0002983845420000107
其中，γ(γ＞0)为叶子节点数量T的惩罚因子；λ(λ＞0)为叶子权值二范数的惩罚因子；
步骤S3.6:定义第t棵树的损失函数
Figure BDA0002983845420000111
Figure BDA0002983845420000112
其中，
Figure BDA0002983845420000113
为一阶导；
Figure BDA0002983845420000114
为二阶导；
步骤S3.7:定义单个叶子节点中各个数据的一阶导之和为G，每个叶子节点中各个数据的二阶导之和为H：
Figure BDA0002983845420000115
Figure BDA0002983845420000116
其中，I为单个叶子节点中数据数目；
步骤S3.8:从根节点开始开始，对第t棵树进行分裂节点操作，得到树模型
Figure BDA0002983845420000117
每次分裂后，原来的一个叶子结点继续分裂为左右两个子叶子结点，原叶子结点中的样本集将根据该结点的判断规则分散到左右两个叶子结点中；新分裂一个结点后，检测这次分裂是否会给损失函数带来增益，定义增益Gain如下：
Figure BDA0002983845420000118
其中，
GL为分裂后左子节点的中各个数据的一阶导之和；
HL为分裂后左子节点的中各个数据的二阶导之和；
GR为分裂后右子节点的中各个数据的一阶导之和；
HR为分裂后右子节点的中各个数据的二阶导之和。
如果某个分割点的Gain＞0，就将其设为候选分割点，将候选分割点中增益最大的点做为最终的分割点。如果所有的分割点的Gain≤0，则停止分裂，最终得到树模型
Figure BDA0002983845420000121
步骤S3.9:计算数据x经树模型
Figure BDA0002983845420000122
映射后的权值向量
Figure BDA0002983845420000129
Figure BDA0002983845420000123
步骤S3.10:随机初始化神经网络输入层与隐藏层的连接权重wih：
Figure BDA0002983845420000124
其中，u表示输入层节点的个数；v表示隐藏层节点的个数；
Figure BDA0002983845420000125
表示第u个输入层节点与第v个隐藏层节点之间的权重。
步骤S3.11:随机初始化神经网络输入层与隐藏层的偏置bih
步骤S3.12:随机初始化神经网络隐藏层与输出层的连接权重who：
Figure BDA0002983845420000126
其中，u表示隐藏层节点的个数；w表示输出层节点的个数；
Figure BDA0002983845420000127
表示第v个隐藏层节点与第w个输出层节点之间的权重；
步骤S3.13:随机初始化神经网络隐藏层与输出层的偏置值bho；
步骤S3.14:设定激活函数fa(x)：
Figure BDA0002983845420000128
其中，x为自变量；
步骤S3.15:计算神经网络的输出O：
Figure BDA0002983845420000131
其中，
Figure BDA0002983845420000132
其中，Ow为第w个输出层节点的输出值。
步骤S3.16:计算神经网络的损失函数L：
Figure BDA0002983845420000133
其中，
yi为第i个标签值；
w为输出层节点数；
oi为输出层第i个节点的输出。
步骤S3.17:计算输出层的误差因子δo：
Figure BDA0002983845420000134
其中，⊙表示矩阵对应位置相乘；
步骤S3.18:设置模型的学习率η并更新隐藏层与输出层的连接权重who和偏置bho：
who (1)＝who+ηδoOT
bho (1)＝bho+ηδo
其中，who (1)和bho (1)为更新后的权重和偏置；
步骤S3.19:计算隐藏层的误差因子δh：
Figure BDA0002983845420000141
其中，⊙表示矩阵对应位置相乘；
步骤S3.20:更新输入层与隐藏层的连接权重wih和偏置bih：
wih (1)＝wih+ηδhOT
bih (1)＝bih+ηδh
其中，wih (1)和bih (1)为更新后的权重和偏置。
步骤S3.21:重复迭代步骤S3.15到步骤S3.18n(n＞0)次，得到模型M1；
步骤S3.22:将剩余子训练集数据依次按步骤S3.2到步骤S3.19步骤执行，执行所得模型与M1一同构成待测试模型集合M：
M＝[M1 M2 … M3]。
步骤S4:根据验证集Cv分别验证XGBOOST-NN算法模型M1,M2,M3...Mi的准确率S1,S2,S3...Si，并获取准确率最高的模型用于激光切割质量判断。
准确率Si的计算方式如下：
Figure BDA0002983845420000142
其中，
w为输出层节点数；
oi为输出层第i个节点的输出；
yi为第i个标签值。
为了验证本发明实施可行性，选取激光切割Q235板材作为案例并应用本发明中的具体技术方法，通过对采集激光切割机切割Q235板材时的电参数信号和工艺参数训练XGBOOST-NN，实现激光切割质量判断。
实施例1：
本案例在正天ZT-J-6060M金属激光切割机机下进行，对1mm、2mm、3mm的Q235板材进行直线切割，切割长度为80mm，以激光功率、切割速度、气体压力、占空比、打孔频率以及离焦量六个因素作为试验切割参数，每个因素被划分为5个水平，具体划分如表1所示，六个因素用A到F的字母表示，每个因素的水平用1到5的数字表示。按表1设计的L25(56)正交试验表如表2所示，一共进行25次试验，每次试验的编号1到25表示，因素用A到F表示，水平用1到5表示，因素和水平与表1对应。
表1正交试验控制因素及水平表
Figure BDA0002983845420000151
表2正交试验表
Figure BDA0002983845420000152
Figure BDA0002983845420000161
根据表2的试验安排分别在1mm、2mm、3mm厚Q235板材上进行直线切割。切割后的板材宏观样貌如图2所示，每条切缝对应一次切割。
在本实施例中，将板材按厚度分为1、2、3三组，分别对每组中的板材进行了25次切割，将上诉试验过程重复3次，一共得到225条数据(25×3×3)。本实验需要对切缝宽度、切面粗糙度、热影响区、挂渣四个切割质量指标进行测量。另外，为了实现激光切割过程的监测，需要测量激光切割设备的电参数。表3列举了激光切割1mm厚Q235板材试验所测得的切缝宽度、切面粗糙度、热影响区和挂渣长度。每个编号所取工艺参数为表2对应编号的工艺参数。编号5、10、19、25为空行，表示该次切割结果为切不透。图3为1mm Q235板材第1次直线切割试验所采集的电信号图。该次试验进行54秒，图中分别展示了三相电压数据和三相视在功率数据。
表3 1mmQ235板材切割试验数据
Figure BDA0002983845420000171
(1)XGBOOST-NN算法的参数设置
XGBOOST-NN算法需要对参数进行设置，抽样次数N(步骤S1.2)需要与样本个数一样，取N＝225；交叉验证折数K(步骤S2.1)越多所得候选模型越多，但算法越耗时，因此K＝5可以均衡模型个数和算法开销；树的数目nT(步骤S3.1)越多对特征的选择能力越强，但太多树会造成特征稀疏，不利于后续NN部分的训练，综合考虑选择nT＝100比较符合本案例；惩罚因子λ(步骤S3.5)可以防止过拟合，取值太大会降低精度，选取λ＝0.5比较合适；输入层节点数u(步骤S3.10)必须和树的数目nT一致，所以u＝100；隐藏节点个数v(步骤S3.10)一般是输入节点个数的10倍，所以v＝1000；学习率η(步骤S3.18)表示学习速率，学习率越大算法收敛越快，但太大的学习率导致算法难以收敛到局部最优解，为了得到更好的模型，本发明将学习率设置为0.1；迭代次数n(步骤S3.21)太小训练会不充分，迭代次数超过限度后，继续迭代模型精度几乎不会提升，因此，优选的迭代次数n＝200。
(2)XGBOOST-NN模型拟合结果
表4列出了候选XGBOOST-NN模型在验证集中的准确率。由于采用5折交叉验证，因此有5个候选模型，编号为1到5。
表4候选XGBOOST-NN模型验证集准确率表
Figure BDA0002983845420000181
由表4可知模型1的的准确率最高，因此选用模型1为最终的XGBOOST-NN模型。
本发明用同一数据按照同样的交叉验证法训练全连接神经网络，所得结果如表5。5折交叉验证产生5个模型，编号为1到5。
表5全连接神经网络验证准确率表
Figure BDA0002983845420000191
由表4、表5可得本发明方法的最高准确率为93.2％，平均准确率为91.3％；而全连接神经网络的最高准确率为88.3％，平均准确率为83.6％。因此在板材激光切割质量判断方面，本发明方法的比全连接神经网络更优。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，其特征在于，包括以下步骤：
步骤S1:获取激光加工设备电信号与工艺参数所对应的激光切割质量数据，并划分为训练集Ct和验证集Cv；
步骤S2:通过K折交叉验证法划分训练集Ct为i个子训练集Ct1,Ct2,Ct3...Ctk；
步骤S3：将子训练集Ct1,Ct2,Ct3...CtK分别用于训练XGBOOST-NN算法参数，得到i个已训练的XGBOOST-NN算法模型M1,M2,M3...Mi；
步骤S4:根据验证集Cv分别验证XGBOOST-NN算法模型M1,M2,M3...Mi的准确率S1,S2,S3...Si，并获取准确率最高的模型用于激光切割质量判断；
所述步骤S3具体为：
步骤S3.1:选取一个子训练集Ct1，作为XGBOOST-NN算法模型M1的训练集合,定义树的数目nT；
步骤S3.2:设子训练集Ct1中的数据为x＝[x1 x2 x3 ... xm]T,m为数据条数,y＝[y1 y2y3 ... ym]T为数据x对应的标签；
步骤S3.3:定义平方损失函数
Figure FDA0003984706730000011
Figure FDA0003984706730000012
其中，
Figure FDA0003984706730000013
为预测标签向量；
Figure FDA0003984706730000014
为第i个预测值；
步骤S3.4:定义第t(1＜t≤nT)棵树ft(x)：
ft(x)＝wq(x)
其中，x为自变量；q(x)为树叶子节点的映射关系；w∈RT为长度为T的一维向量,代表树t各节点的权值；
步骤S3.5:定义第t棵树的复杂度Ω(ft(x))：
Figure FDA0003984706730000021
其中，γ(γ＞0)为叶子节点数量T的惩罚因子；λ(λ＞0)为叶子权值二范数的惩罚因子；
步骤S3.6:定义第t棵树的损失函数
Figure FDA0003984706730000022
Figure FDA0003984706730000023
其中，
Figure FDA0003984706730000024
为一阶导；
Figure FDA0003984706730000025
为二阶导；
步骤S3.7:定义单个叶子节点中各个数据的一阶导之和为G，每个叶子节点中各个数据的二阶导之和为H：
Figure FDA0003984706730000026
Figure FDA0003984706730000027
其中，I为单个叶子节点中数据数目；
步骤S3.8:从根节点开始，对第t棵树进行分裂节点操作，得到树模型
Figure FDA0003984706730000028
步骤S3.9:计算数据x经树模型
Figure FDA0003984706730000029
映射后的权值向量
Figure FDA00039847067300000210
Figure FDA0003984706730000031
步骤S3.10:随机初始化神经网络输入层与隐藏层的连接权重wih：
Figure FDA0003984706730000032
其中，u表示输入层节点的个数；v表示隐藏层节点的个数；
Figure FDA0003984706730000033
表示第u个输入层节点与第v个隐藏层节点之间的权重；
步骤S3.11:随机初始化神经网络输入层与隐藏层的偏置bih
步骤S3.12:随机初始化神经网络隐藏层与输出层的连接权重who：
Figure FDA0003984706730000034
其中，u表示隐藏层节点的个数；w表示输出层节点的个数；
Figure FDA0003984706730000035
表示第v个隐藏层节点与第w个输出层节点之间的权重；
步骤S3.13:随机初始化神经网络隐藏层与输出层的偏置值bho；
步骤S3.14:设定激活函数fa(x)：
Figure FDA0003984706730000036
其中，x为自变量；
步骤S3.15:计算神经网络的输出O：
Figure FDA0003984706730000037
其中，
Figure FDA0003984706730000041
其中，Ow为第w个输出层节点的输出值；
步骤S3.16:计算神经网络的损失函数L：
Figure FDA0003984706730000042
其中，
yi为第i个标签值；
w为输出层节点数；
oi为输出层第i个节点的输出；
步骤S3.17:计算输出层的误差因子δo：
Figure FDA0003984706730000043
其中，表示矩阵对应位置相乘；
步骤S3.18:设置模型的学习率η并更新隐藏层与输出层的连接权重who和偏置bho：
who (1)＝who+ηδoOT
bho (1)＝bho+ηδo
其中，who (1)和bho (1)为更新后的权重和偏置；
步骤S3.19:计算隐藏层的误差因子δh：
Figure FDA0003984706730000044
其中，表示矩阵对应位置相乘；
步骤S3.20:更新输入层与隐藏层的连接权重wih和偏置bih：
wih (1)＝wih+ηδhOT
bih (1)＝bih+ηδh
其中，wih (1)和bih (1)为更新后的权重和偏置；
步骤S3.21:重复迭代步骤S3.15到步骤S3.18n(n＞0)次，得到模型M1；
步骤S3.22:将剩余子训练集数据依次按步骤S3.2到步骤S3.19步骤执行，执行所得模型与M1一同构成待测试模型集合M：M＝[M1 M2 … M3]。
2.根据权利要求1所述基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，其特征在于，所述步骤S1具体为：
步骤S1.1:初始化训练集Ct和验证集Cv为空；
步骤S1.2:对数据进行N次有放回抽样，N为数据条数,每次抽样只抽取一条数据，将抽到的数据添加入训练集Ct；
步骤S1.3:将经过N次有放回抽样后，一次都未被抽中的数据放入验证集Cv。
3.根据权利要求1所述的基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，其特征在于，所述步骤S2具体为：
步骤S2.1:将训练集Ct分成K份子训练集，每份最多包含
Figure FDA0003984706730000051
条数据，Nt为训练集Ct数据条数,
Figure FDA0003984706730000052
为向上取整符号；
步骤S2.2:将得到的K个子训练集，依次记作Ct1,Ct2,Ct3...CtK。
4.根据权利要求1所述的基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，其特征在于，所述步骤S3.8具体为：每次分裂后，原来的一个叶子结点继续分裂为左右两个子叶子结点，原叶子结点中的样本集将根据该结点的判断规则分散到左右两个叶子结点中；新分裂一个结点后，检测这次分裂是否会给损失函数带来增益，定义增益Gain如下：
Figure FDA0003984706730000061
其中，
GL为分裂后左子节点的中各个数据的一阶导之和；
HL为分裂后左子节点的中各个数据的二阶导之和；
GR为分裂后右子节点的中各个数据的一阶导之和；
HR为分裂后右子节点的中各个数据的二阶导之和；
如果某个分割点的Gain＞0，就将其设为候选分割点，将候选分割点中增益最大的点做为最终的分割点；如果所有的分割点的Gain≤0，则停止分裂，最终得到树模型
Figure FDA0003984706730000062
5.根据权利要求1所述的基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，其特征在于，所述步骤S4中
准确率Si的计算方式如下：
Figure FDA0003984706730000063
其中，
w为输出层节点数；
oi为输出层第i个节点的输出；
yi为第i个标签值。
CN202110294617.9A 2021-03-19 2021-03-19 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法 Active CN112949203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110294617.9A CN112949203B (zh) 2021-03-19 2021-03-19 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110294617.9A CN112949203B (zh) 2021-03-19 2021-03-19 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法

Publications (2)

Publication Number Publication Date
CN112949203A CN112949203A (zh) 2021-06-11
CN112949203B true CN112949203B (zh) 2023-02-21

Family

ID=76227853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110294617.9A Active CN112949203B (zh) 2021-03-19 2021-03-19 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法

Country Status (1)

Country Link
CN (1) CN112949203B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633301A (zh) * 2017-08-28 2018-01-26 广东工业大学 一种bp神经网络回归模型的训练测试方法及其应用系统
US10061300B1 (en) * 2017-09-29 2018-08-28 Xometry, Inc. Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes
CN111044287A (zh) * 2019-12-31 2020-04-21 湖南大学 一种基于概率输出弹性凸包的滚动轴承故障诊断方法
CN111401565A (zh) * 2020-02-11 2020-07-10 西安电子科技大学 一种基于机器学习算法XGBoost的DOA估计方法
CN112257342A (zh) * 2020-10-20 2021-01-22 李�杰 一种神经网络激光切割质量预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633301A (zh) * 2017-08-28 2018-01-26 广东工业大学 一种bp神经网络回归模型的训练测试方法及其应用系统
US10061300B1 (en) * 2017-09-29 2018-08-28 Xometry, Inc. Methods and apparatus for machine learning predictions and multi-objective optimization of manufacturing processes
CN111044287A (zh) * 2019-12-31 2020-04-21 湖南大学 一种基于概率输出弹性凸包的滚动轴承故障诊断方法
CN111401565A (zh) * 2020-02-11 2020-07-10 西安电子科技大学 一种基于机器学习算法XGBoost的DOA估计方法
CN112257342A (zh) * 2020-10-20 2021-01-22 李�杰 一种神经网络激光切割质量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Cut Quality Estimation in Industrial Laser Cutting Machines: A Machine;Giorgio Santolini et.al;《2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops》;20191231;全文 *
基于模拟退火的BP神经网络激光切割质量控制模型;童桂 等;《机械设计与制造》;20120630;全文 *

Also Published As

Publication number Publication date
CN112949203A (zh) 2021-06-11

Similar Documents

Publication Publication Date Title
CN110501585B (zh) 一种基于Bi-LSTM和油中溶解气体分析的变压器故障诊断方法
CN107220734A (zh) 基于决策树的数控车床车削过程能耗预测系统
CN108920863B (zh) 一种机器人伺服系统能耗估计模型的建立方法
CN108875772B (zh) 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN106897774B (zh) 基于蒙特卡洛交叉验证的多个软测量算法集群建模方法
CN110334726A (zh) 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法
CN111478314B (zh) 一种电力系统暂态稳定评估方法
CN113094980B (zh) 一种基于iga-dnn的焊膏印刷质量预测方法及系统
CN109190839B (zh) 一种融合风向的铁路沿线风速智能滚动预测方法
CN111931983B (zh) 一种降水量预测方法及系统
CN111488946A (zh) 基于信息融合的雷达伺服系统故障诊断方法
CN110569566A (zh) 一种板带力学性能预测方法
CN114692677B (zh) 一种基于多目标特征选择的焊接缺陷识别方法
CN111259953A (zh) 一种基于电容型设备缺陷数据的设备缺陷时间预测方法
CN111897961A (zh) 一种宽度神经网络模型的文本分类方法及相关组件
CN114297802A (zh) 一种薄板激光切割工艺参数的多目标优化方法
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
CN112949203B (zh) 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法
CN107273971B (zh) 基于神经元显著性的前馈神经网络结构自组织方法
CN113127716A (zh) 一种基于显著性图的情感时间序列异常检测方法
CN113523904A (zh) 一种刀具磨损检测方法
CN115358473A (zh) 基于深度学习的电力负荷预测方法及预测系统
CN114943304B (zh) 一种基于贝叶斯的3c电子产品装配误差传递方法
CN114386196B (zh) 一种板带力学性能预测准确性评估方法
CN117341261B (zh) 一种伺服直驱螺旋压力机智能控制方法及系统

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
GR01 Patent grant
GR01 Patent grant