CN114799415A - 一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 - Google Patents
一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 Download PDFInfo
- Publication number
- CN114799415A CN114799415A CN202210243791.5A CN202210243791A CN114799415A CN 114799415 A CN114799415 A CN 114799415A CN 202210243791 A CN202210243791 A CN 202210243791A CN 114799415 A CN114799415 A CN 114799415A
- Authority
- CN
- China
- Prior art keywords
- neural network
- welding
- model
- prediction model
- bead size
- 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 171
- 239000011324 bead Substances 0.000 title claims abstract description 127
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 83
- 239000000654 additive Substances 0.000 title claims abstract description 32
- 230000000996 additive effect Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 43
- 230000002441 reversible effect Effects 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 230000002068 genetic effect Effects 0.000 claims abstract description 24
- 238000010891 electric arc Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 41
- 238000012360 testing method Methods 0.000 claims description 40
- 210000002569 neuron Anatomy 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 210000000349 chromosome Anatomy 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012897 Levenberg–Marquardt algorithm Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000002829 reductive effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 231100000350 mutagenesis Toxicity 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 238000011161 development Methods 0.000 abstract description 4
- 238000009795 derivation Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 12
- 239000000758 substrate Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007605 air drying Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000010998 test method 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
- B23K9/00—Arc welding or cutting
- B23K9/04—Welding for other purposes than joining, e.g. built-up welding
-
- 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
- B23K9/00—Arc welding or cutting
- B23K9/32—Accessories
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y10/00—Processes of additive manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Plasma & Fusion (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Arc Welding In General (AREA)
Abstract
本发明公开了一种电弧增材再制造焊接参数‑焊道尺寸正逆神经网络预测模型,适用于电弧增材再制造领域。该模型针对当前构件在电弧增材再制造过程中普遍存在的焊接工艺优化过程复杂,成形精度和成形效率较低等主要问题。基于神经网络技术构建了焊接参数‑焊道尺寸正逆神经网络预测模型,并采用遗传算法对预测模型的初始权值和阈值进行了优化,优化后模型的网格稳定性好,泛化能力和预测精度高,能够适用于任意尺寸构件的电弧增材再制造生产过程。该模型可以实现依据焊接参数对焊道尺寸的正向精准预测,以及根据焊道尺寸对焊接参数的逆向合理推导,快速准确地实现构件在再制造过程中的工艺优化,提高构件在电弧增材再制造过程中的成形精度,降低再制造过程中的难度,提高成形效率。本发明可为电弧增材再制造技术的发展和实际工程应用提供新的思路。
Description
技术领域
本发明涉及电弧增材再制造领域,尤其涉及一种基于遗传算法优化的焊接工艺参数与焊道几何特征尺寸正逆向预测的神经网络模型。
背景技术
电弧增材再制造技术是基于电弧增材制造技术,通过层层堆积的制造方式,实现零部件损伤部位的尺寸恢复和零部件性能恢复或提升的先进制造技术,具有制造成本低、修复效率高、零件性能好、材料利用率高等优点。在电弧增材再制造过程中,成形件通过层层累积的方式进行制造,每道焊缝的几何尺寸对构件的成形精度有着至关重要的影响,是分层切片和路径规划的重要依据之一。
目前,电弧增材再制造技术的发展存在一定的限制。一方面,通常情况下,构件在常规生产制造过程中的的普遍成形精度较低,不仅会降低构件的成形质量和力学性能,更将对构件在服役过程中的适用性和可靠性产生不利影响。另一方面,追求高精度构件成形的同时会导致成形效率较为低下,难以保证生产效率和使用时效,同样不利于构件的再制造过程。
因此,现有电弧增材再制造技术需要一种高精度和高效率的焊接参数-焊道尺寸的正逆预测模型,并且需要一种神经网络优化方法,来实现依据焊接参数对焊道尺寸的正向精准预测,以及根据焊道尺寸对焊接参数的逆向合理推导。快速准确地实现构件增材再制造过程中的工艺优化,提高构件在电弧增材再制造过程中的成形精度与成形效率。
发明内容
本发明提出了一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其目的在于提高构件在电弧增材再制造过程中的成形精度,降低再制造过程中的工艺优化难度,提高成形效率。为电弧增材再制造技术的发展和工程应用提供新的思路。
本发明具体技术方案如下:
一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其特征在于步骤为:
S1:预测模型正向输入\逆向输出焊接参数选取与预测模型正向输出\逆向输入焊道几何特征尺寸选取。
S2:单道焊接工艺试验设计。
S3:焊接试验展开与数据获取。
S4:基于BP神经元网络模型建立焊接参数-焊道尺寸正向神经网络预测模型。
S5:基于BP神经元网络模型建立焊道尺寸-焊接参数逆向神经网络预测模型。
S6基干遗传算法对焊道尺寸-焊接参数正逆神经网络预测模型进行训练优化。
S7:预测模型可靠性验证。
优先地,预测模型正向输入\逆向输出焊接参数选取与预测模型正向输出\逆向输入焊道几何特征尺寸选取。具体为:电弧增材再制造焊道几何特征尺寸主要包括熔宽、熔深和余高等,其成形过程的主要影响因素较多,包括焊接电压、焊接电流、送丝速度、焊接速度、焊丝干伸长、保护气体流量及流速等,各因素之间存在高度的非线性耦合作用。其中,焊接电压、焊接电流、送丝速度和焊接速度对焊道成形效果影响较大。本专利所建立的一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其正向输入层为三个节点,即需要输入三种焊接参数变量。正向输出层为两个节点,即需要输出两种焊道特征尺寸变量。逆向模型输入层数与输出层数与正向模型相反。因此,首先在上述关键焊接参数中选取三种焊接参数作为模型的正向输入层\逆向输出层。同样,确定两种焊道几何特征尺寸作为模型的正向输入层\逆向输出层。
优先地,单道焊接工艺试验设计。具体为:根据所选取的预测模型所需焊接参数和焊道几何特征尺寸,设计单道焊缝成形焊接工艺试验。焊接工艺试验基于正交试验设计方法,正交试验可以实现最少的试验次数达到与大量全面试验等效的结果,具有高效、快速和经济等优点。在一定参数范围内,设计每种焊接参数不同水平值,根据正交试验表完成正交试验方案设计,获得一定组数的焊接工艺试验方案。
优先地,焊接试验展开与数据获取。具体为:首先,确定试验材料、设备与方法。试验开始前,对基板表面进行机械打磨去除表面氧化层等杂质,随后用酒精清洁基板表面并风干处理对基板表面进行机械打磨,并用酒精清洗干净,然后将基板固定在工作台上,并设定好机器人焊枪运动轨迹及焊接参数,进行试验。实验结束后,对模型所需焊道几何特征尺寸进行测量。为减小测量误差以保证实验结果的可靠性和准确性,每组数据均测量三次并取平均值。
优先地,基于BP神经元网络模型建立焊接参数-焊道尺寸正向神经网络预测模型。具体为:引入三层结构的神经元网络模型,神经网络模型输入层三个节点分别为所选焊接参数,输入层神经元个数为3;输出层两个节点为所选焊道几何特征尺寸,输出层神经元个数为2;隐藏层神经元个数参考经验公式如下:
式中,S,m,n分别表示隐藏层,输入层,输出层神经元个数,a为1-10之间的常数。
通过多次试验,比较不同隐藏层节点时的MSE(均方偏差特性函数),最终确定隐藏层层数为10层。因此,所建立焊接参数-焊道尺寸的正向神经网络预测模型结构是3-10-2型。
神经网络每层之间存在连接权值,且各层均具有阈值和激活函数,利用激活函数正向传递输入值,求得输出值。BP神经网络最常用的激活函数有Sigmoid、Tanh和Relu,模型选择Sigmoid作为激活函数,具体公式如下:
f(x)=(1+e-x)-1
使用Mapminmax函数完成数据的归一化处理,确保其不超过[-1,1]的取值范围,最后对网络输出的数据展开反归一化操作,从而获取真实的输出值。Mapminmax函数的具体公式如下:
式中,x,xmin,xmax分别代表样本数据、样本数据中最小值和样本数据中最大值,y表示对x进行归一化后得到的数据,ymin和ymax表示归化参数,默认值为-1和1。
根据调参经验确定网络训练函数为Levenberg-Marquardt算法,训练函数选取trainlm,网络学习速率取0.001,最大训练次数为1000次。
优先地,基于BP神经元网络模型建立焊道尺寸-焊接参数逆向神经网络预测模型。具体为:引入三层结构的神经元网络模型,神经网络模型输入层两个节点分别为所选焊道几何特征尺寸,输入层神经元个数为2;输出层三个节点为所选焊接参数,输出层神经元个数为3;选用均方误差(Mean Squared Error,MSE)作为模型结构评价指标,最终确定隐藏层节点数为11。因此,所建立的焊接参数-焊道尺寸的逆向神经网络预测模型结构是2-11-3型。其他神经网络模型设定与焊接参数-焊道尺寸的正向神经网络预测模型设定一致。
优先地,基于遗传算法对焊道尺寸-焊接参数正逆神经网络预测模型进行训练优化。具体为:BP神经网络的初始权值和阈值具有随机性,因此容易得到局部最优解而非全局最优解,预测精度较低。采用遗传算法(genetic algorithm,GA)来优化训练BP神经网络的连接权值和阈值,利用遗传算法全局搜索的特性,提高神经网络的泛化性能,优化BP神经网络权值初始化的随机性,提高模型预测的精度。遗传算法的优化过程是对种群进行初始化,并选择部分优秀个体进行遗传进入下一代种群,然后重复交叉操作和变异操作以产生新个体,多次迭代即可使神经网络逐步得到最优解或达到设定的最大迭代次数。遗传算法优化神经网络模型具体包括种群初始化、选择适应度函数、选择算子、交叉算子和变异算子。
(1)编初始化种群
初始化种群主要包括确定编码方式、种群规模以及最大迭代次数。个体编码采用二进制编码,每个个体均为一个二进制串,染色体的长度公式为:
L=S1×S2+S2+S2×S3+S3
式中,S1、S2、S3分别代表输入层、隐含层和输出层节点数,本专利所创建的焊道尺寸-焊接参数的正向神经网络预测模型结构是3-10-2型,计算得到染色体长度L为62。设定初始种群规模M=60,最大迭代次数G=200。所创建的焊道尺寸-焊接参数的逆向神经网络预测模型结构是2-11-3型,计算得到染色体长度L为69。设定初始种群规模M=60,最大迭代次数G=200。
(2)确定舒适度函数
适应度值是衡量种群中个体在遗传过程中能否达到最优解的标准,适应度函数的选择就决定了遗传算法的寻优方向和结果。选取预测值与期望值的误差矩阵的二范数作为目标函数的输出,该方法可最小化焊接参数-焊道尺寸正逆神经网络预测模型的预测结果和期望值之间的误差。
(3)设定遗传算子
选择算子是从父代群体中选择个体遗传到下一代群体中的方法,本文采用轮盘赌法选择算子,设定代沟值GGAP=0.95,即当代种群中有95%的个体被选为后代,种群中优秀的个体生存的可能性更大。
交叉算子是将两个个体以某种方式进行互换从而得到新个体的方式。本小节选用单点交叉算子,设定交叉概率值Px=0.7,即随机数超过0.3时,将两个父代进行杂交,产生新的子代;
变异算子是以随机法选择出产生变异的基因的方法。选取的方式为是基本位变异方式,设定变异概率值Pm=0.01。
进一步,在迭代过程中跟踪模型误差值变化,误差值会在迭代过程中随迭代次数递增而不断阶梯式减小,表明个体适应度在选择、交叉和变异过程中不断提高,最终个体适应度逐渐接近目标值,达到最优解时终止迭代,模型寻优误差值趋于稳定,最终迭代次数达到200次时停止算法。此时算法输出的个体即为最优个体,解码可得到最优的神经网络初始权值和阈值。将优化后的神经网络初始权值和阈值赋给预测模型,即可实现由焊接参数与焊道尺寸的正逆向推理。
优先地,预测模型可靠性验证。具体为:针对焊接参数-焊道尺寸正向神经网络预测模型,在模型训练完成后,通过对焊道几何特征尺寸预测值与实际值进行误差分析,验证模型的可靠性。采用如下计算公式进行计算:
式中,Er表示相对误差百分比,BP为神经网络预测值,BA为焊道尺寸实测值。
针对焊道尺寸-焊接参数逆向神经网络预测模型,首先跟踪模型迭代过程中的误差值变化,观察误差值在迭代过程中是否阶梯式减小。进一步,在模型中输入试验所得焊道几何特征尺寸实际值获得预测的焊接参数值,并将预测焊接参数值输入焊接参数-焊道尺寸的正向神经网络预测模型当中,获得焊道几何特征尺寸预测值,将该值与试验所得焊道几何特征尺寸实际值进行误差分析进一步判断模型的可靠性。最后,开展单道焊缝成形试验。在工艺参数区间内设定了多组焊接试验,拟定目标焊道几何特征尺寸,然后将目标焊道几何特征尺寸输入到焊道尺寸-焊接参数的逆向神经网络预测模型中,输出预测焊接参数。采用预测焊接参数进行多组焊接试验以获得焊道成形,并测量实际焊道几何特征尺寸数值,与相应目标焊道几何特征尺寸进行误差分析,验证模型的可靠性。
相对于现有技术,本发明具有以下积极效果:本发明所建立的一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其正逆向预测误差小,网格稳定性能好,模型的泛化能力和预测精度高。在电弧增材再制造过程中,该模型可以用于任意尺寸构件的焊接工艺参数与焊道几何特征尺寸的正逆向精准预测,应用该模型可以准确快速地实现工艺优化,提高构件在电弧增材再制造过程中的成形精度和成形效率,最终提升构件成形质量,缩短生产周期,提高经济效益。
附图说明
图1电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型结构图
图2焊道熔宽和余高示意图
图3焊接参数-焊道尺寸的正向神经网络预测模型结构图
图4焊道尺寸-焊接参数的逆向神经网络预测模型结构图
图5焊道尺寸-焊接参数的逆向神经网络预测模型迭代过程误差变化图
图6焊接参数-焊道尺寸的正向神经网络预测模型预测值与试验值对比图
图7焊道尺寸-焊接参数的逆向神经网络预测模型预测值与试验值对比图
具体实施方式
下面结合具体实施例对本发明进行进一步说明
步骤1:一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其完整结构图如图1所示。首先,根据焊接参数对焊道几何特征尺寸的影响程度,选取焊接电压、送丝速度和焊接速度3个焊接参数作为预测模型正向输入因素\逆向输出因素,选取熔宽和余高2个焊道几何特征尺寸作为预测模型正向输出因素\逆向输入因素。
步骤2:根据所选取的预测模型输入因素\输出因素,设计单道焊缝焊接工艺试验。基板材料为Q235钢板,尺寸大小为300mm×200mm×20mm。保护气体为82%Ar+18%CO2,气体流量为15L/min。所使用焊丝为牌号为RMD535的模具修复专用药芯焊丝,焊丝直径为1.6mm,该焊丝的塑韧性、耐磨性较好,适用于5CrNiMo等材质的模具修复再制造。焊接工艺试验基于正交试验方法设计,在一定范围内,每个焊接参数因素选取五个水平,设计25组正交试验方案,如下表1所示。
表1正交试验方案和结果
续表
步骤3:试验开始前,对基板表面进行机械打磨去除表面氧化层等杂质,随后用酒精清洁基板表面并风干处理对基板表面进行机械打磨,并用酒精清洗干净,然后将基板固定在工作台上,并设定好机器人焊枪运动轨迹及焊接参数,进行试验。实验结束后,使用游标卡尺测量不同的焊接参数对应的焊道熔宽和余高,如图1所示。为减小测量误差以保证实验结果的可靠性和准确性,在焊道平整光滑处进行测量,每组数据均测量三次并取平均值,试验结果如表1所示。
步骤4:引入三层结构的神经元网络模型建立焊接参数-焊道尺寸正向神经网络预测模型。神经网络模型输入层三个节点分别为焊接电压、焊接速度、送丝速度,神经元个数为3;输出层两个节点为焊道熔宽和余高,神经元个数为2;通过多次试验,比较不同隐藏层节点时的MSE(均方偏差特性函数),最终确定隐藏层层数为10层。创建的神经网络模型结构是3-10-2型,所建立的神经网络结构图如图2所示。选择Sigmoid函数作为激活函数,正向传递输入值。使用Mapminmax函数完成数据的归一化处理,确保其不超过[-1,1]的取值范围。神经网络模型训练完成后,利用反归一化操作对模型输出值进行处理,从而得到有效输出值。网络训练函数选择Levenberg-Marquardt算法,选用trainlm训练函数对神经网络模型进行训练,网络学习速率设定为0.001,最大训练次数设定为1000次,表示模型训练精度满足要求或迭代次数达到1000次时停止训练。
步骤5:引入三层结构的神经元网络模型建立焊道尺寸-焊接参数逆向神经网络预测模型。神经网络模型输入层两个节点分别为焊道熔宽和余高,神经元个数为2;输出层三个节点为焊接电压、焊接速度、送丝速度,神经元个数为3;通过多次试验,比较不同隐藏层节点时的MSE(均方偏差特性函数),最终确定隐藏层层数为11层。创建的神经网络模型结构是2-11-3型,所建立的神经网络结构图如图3所示。选择Sigmoid函数作为激活函数,正向传递输入值。使用Mapminmax函数完成数据的归一化处理,确保其不超过[-1,1]的取值范围。神经网络模型训练完成后,利用反归一化操作对模型输出值进行处理,从而得到有效输出值。网络训练函数选择Levenberg-Marquardt算法,选用trainlm训练函数对神经网络模型进行训练,网络学习速率设定为0.001,最大训练次数设定为1000次,表示模型训练精度满足要求或迭代次数达到1000次时停止训练。
步骤6:基于遗传算法对焊道尺寸-焊接参数正逆神经网络预测模型进行训练优化。遗传算法优化神经网络模型具体包括种群初始化、选择适应度函数、选择算子、交叉算子和变异算子。
(1)编初始化种群
初始化种群主要包括确定编码方式、种群规模以及最大迭代次数。个体编码采用二进制编码,每个个体均为一个二进制串,染色体的长度公式为:
L=S1×S2+S2+S2×S3+S3
式中,S1、S2、S3分别代表输入层、隐含层和输出层节点数,本专利所创建的焊道尺寸-焊接参数的正向神经网络预测模型结构是3-10-2型,计算得到染色体长度L为62。设定初始种群规模M=60,最大迭代次数G=200。所创建的焊道尺寸-焊接参数的逆向神经网络预测模型结构是2-11-3型,计算得到染色体长度L为69。设定初始种群规模M=60,最大迭代次数G=200。
(2)确定舒适度函数
适应度值是衡量种群中个体在遗传过程中能否达到最优解的标准,适应度函数的选择就决定了遗传算法的寻优方向和结果。选取预测值与期望值的误差矩阵的二范数作为目标函数的输出,该方法可最小化焊接参数-焊道尺寸正逆神经网络预测模型的预测结果和期望值之间的误差。
(3)设定遗传算子
选择算子是从父代群体中选择个体遗传到下一代群体中的方法,本文采用轮盘赌法选择算子,设定代沟值GGAP=0.95,即当代种群中有95%的个体被选为后代,种群中优秀的个体生存的可能性更大。
交叉算子是将两个个体以某种方式进行互换从而得到新个体的方式。本小节选用单点交叉算子,设定交叉概率值Px=0.7,即随机数超过0.3时,将两个父代进行杂交,产生新的子代;
变异算子是以随机法选择出产生变异的基因的方法。选取的方式为是基本位变异方式,设定变异概率值Pm=0.01。
进一步,在迭代过程中跟踪模型误差值变化,误差值会在迭代过程中随迭代次数递增而不断阶梯式减小,如图4所示。表明个体适应度在选择、交叉和变异过程中不断提高,最终个体适应度逐渐接近目标值,达到最优解时终止迭代,模型寻优误差值趋于稳定,最终迭代次数达到200次时停止算法。此时算法输出的个体即为最优个体,解码可得到最优的神经网络初始权值和阈值。将优化后的神经网络初始权值和阈值赋给预测模型,即可实现焊接参数与焊道尺寸的正逆向推理。
步骤7:预测模型可靠性验证。
针对焊接参数-焊道尺寸正向神经网络预测模型,在模型训练完成后,通过对焊道几何特征尺寸预测值与实际值进行误差分析,25组正向预测焊道熔宽和余高数值与试验所得焊道熔宽和余高实际值对比如图5所示。为进一步获得焊道熔宽、余高的预测值与实际值之间的百分比误差,采用如下计算公式进行计算:
式中,Er表示相对误差百分比,BP为神经网络预测值,BA为焊道尺寸实测值。
通过计算可得,预测焊道熔宽和与实际焊道熔宽平均误差为2.05%,预测焊道余高和与实际焊道余高平均误差为3.13%。可见,焊接参数-焊道尺寸的止向神经网络预测模型的预测精度较高,可较好地对焊道成形的几何特征尺寸进行预测。
针对焊道尺寸-焊接参数逆向神经网络预测模型,首先将试验所得25组焊道熔宽和余高实际值作为焊道尺寸-焊接参数逆向神经网络预测模型的输入参数,获得每组焊道熔宽和余高所得预测焊接参数,将预测焊接参数输入到焊接参数-焊道尺寸正向神经网络预测模型当中,获得每组焊接参数所得预测焊道熔宽和余高,并与对应试验所得焊道熔宽和余高进行误差分析,结果如表2所示。
表2正逆模型预测结果
续表
基于焊接参数-焊道尺寸正逆神经网络预测模型所得25组实际数据值与预测数据值的误差百分比如图6所示。预测熔宽与实际熔宽平均误差为4.70%,预测余高和实际余高平均误差为4.84%,两者平均误差均较小,处于合理范围内。
进一步开展单道焊缝成形试验,验证焊道尺寸-焊接参数逆向神经网络预测模型的准确性。在工艺参数区间内设定了8组试验,首先拟定目标焊道尺寸,然后将目标焊道尺寸输入焊道尺寸-焊接参数逆向神经网络预测模型,输出预测焊接参数。采用预测焊接参数进行焊缝成形实验,测量焊道几何特征尺寸实际值,结果如表3所示。
表3逆向模型预测焊接参数及试验结果
可以看出,焊道熔宽目标值与预测焊接参数下试验焊道熔宽值最大相差0-40mm,最小相差0.10mm,平均误差为3.1%。焊道余高目标值与预测焊接参数下试验焊道余高值最大相差0.22mm,最小相差0.08mm,平均误差为4.1%。结果表明,本专利所建立的焊道尺寸-焊接参数的逆向神经网络预测模型具有较高的预测精度。
实施例结果分析表明,本发明所提出一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,可以实现根据焊接参数对焊道几何特征尺寸预测以及根据焊道几何特征尺寸对焊接参数预测,具有预测精度高、预测速度快等优点。该模型可适用于任意尺寸零件的电弧增材再制造过程,并能高效准确地实现工艺优化。采用该模型可以有效地提升构件在再制造过程中的成形精度和成形效率,有利于改善构件成形质量和力学性能。本发明对于推动电弧增材再制造工艺的发展,促进机器学习技术在电弧增材再制造领域的广泛应用提供了一项重要的技术参考,具有潜在的经济与社会效益。
以上所述,仅是本发明的部分实施例,并非本发明任何形式上的限制。任何熟悉本专业领域的人员,在不脱离本发明技术方案的范围内,依据本发明的技术实质,对以上实施例所做的任何简单修改、等同替换与改进等,均仍属于本发明权利要求书的保护范围之内。
Claims (3)
1.一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其特征在于步骤为:
S1:预测模型正向输入\逆向输出焊接参数选取与预测模型正向输出\逆向输入焊道几何特征尺寸选取。
S2:单道焊接工艺试验设计。
S3:焊接试验展开与数据获取。
S4:基于BP神经元网络模型建立焊接参数-焊道尺寸正向神经网络预测模型。
S5:基于BP神经元网络模型建立焊道尺寸-焊接参数逆向神经网络预测模型。
S6:基于遗传算法对焊道尺寸-焊接参数正逆神经网络预测模型进行训练优化。
S7:预测模型可靠性验证。
2.如权利要求1所述的一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其特征在于:
步骤S4中基于BP神经元网络模型建立焊接参数-焊道尺寸正向神经网络预测模型。引入三层结构的神经元网络模型,神经网络模型输入层三个节点分别为所选焊接参数,输入层神经元个数为3;输出层两个节点为所选焊道几何特征尺寸,输出层神经元个数为2;选用均方误差(Mean Squared Error,MSE)作为模型结构评价指标,最终确定隐藏层节点数为10,所建立的焊接参数-焊道尺寸的逆向神经网络预测模型结构是3-10-2型。模型选择Sigmoid作为激活函数,使用Mapminmax函数完成数据的归一化处理,确保其不超过[-1,1]的取值范围,最后对网络输出的数据展开反归一化操作,从而获取真实的输出值。根据调参经验确定网络训练函数为Levenberg-Marquardt算法,训练函数选取trainlm,网络学习速率取0.001,最大训练次数为1000次。
步骤S5中基于BP神经元网络模型建立焊道尺寸-焊接参数逆向神经网络预测模型。引入三层结构的神经元网络模型,神经网络模型输入层两个节点分别为所选焊道几何特征尺寸,输入层神经元个数为2;输出层三个节点为所选焊接参数,输出层神经元个数为3;选用均方误差(Mean Squared Error,MSE)作为模型结构评价指标,最终确定隐藏层节点数为11,所建立的焊接参数-焊道尺寸的逆向神经网络预测模型结构是2-11-3型。模型选择Sigmoid作为激活函数,使用Mapminmax函数完成数据的归一化处理,确保其不超过[-1,1]的取值范围,最后对网络输出的数据展开反归一化操作,从而获取真实的输出值。根据调参经验确定网络训练函数为Levenberg-Marquardt算法,训练函数选取trainlm,网络学习速率取0.001,最大训练次数为1000次。
3.如权利要求1所述的一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型,其特征在于:
步骤S6中基于遗传算法对焊道尺寸-焊接参数正逆神经网络预测模型进行训练优化。采用遗传算法(genetic algorithm,GA)来优化训练BP神经网络的连接权值和阈值,利用遗传算法全局搜索的特性,提高神经网络的泛化性能,优化BP神经网络权值初始化的随机性,提高模型预测的精度。遗传算法优化神经网络模型具体包括种群初始化、选择适应度函数、选择算子、交叉算子和变异算子。
(1)编初始化种群
初始化种群主要包括确定编码方式、种群规模以及最大迭代次数。个体编码采用二进制编码,每个个体均为一个二进制串,染色体的长度公式为:
L=S1×S2+S2+S2×S3+S3
式中,S1、S2、S3分别代表输入层、隐含层和输出层节点数,本专利所创建的焊道尺寸-焊接参数的正向神经网络预测模型结构是3-10-2型,计算得到染色体长度L为62。设定初始种群规模M=60,最大迭代次数G=200。所创建的焊道尺寸-焊接参数的逆向神经网络预测模型结构是2-11-3型,计算得到染色体长度L为69。设定初始种群规模M=60,最大迭代次数G=200。
(2)确定舒适度函数
适应度值是衡量种群中个体在遗传过程中能否达到最优解的标准,适应度函数的选择就决定了遗传算法的寻优方向和结果。选取预测值与期望值的误差矩阵的二范数作为目标函数的输出,该方法可最小化焊接参数-焊道尺寸正逆神经网络预测模型的预测结果和期望值之间的误差。
(3)设定遗传算子
选择算子是从父代群体中选择个体遗传到下一代群体中的方法,本文采用轮盘赌法选择算子,设定代沟值GGAP=0.95,即当代种群中有95%的个体被选为后代,种群中优秀的个体生存的可能性更大。
交叉算子是将两个个体以某种方式进行互换从而得到新个体的方式。本小节选用单点交叉算子,设定交叉概率值Px=0.7,即随机数超过0.3时,将两个父代进行杂交,产生新的子代;
变异算子是以随机法选择出产生变异的基因的方法。选取的方式为是基本位变异方式,设定变异概率值Pm=0.01。
进一步,在迭代过程中跟踪模型误差值变化,误差值会在迭代过程中随迭代次数递增而不断阶梯式减小,表明个体适应度在选择、交叉和变异过程中不断提高,最终个体适应度逐渐接近目标值,达到最优解时终止迭代,模型寻优误差值趋于稳定,最终迭代次数达到200次时停止算法。此时算法输出的个体即为最优个体,解码可得到最优的神经网络初始权值和阈值。将优化后的神经网络初始权值和阈值赋给预测模型,即可实现由焊接参数与焊道尺寸的正逆向推理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243791.5A CN114799415A (zh) | 2022-03-11 | 2022-03-11 | 一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210243791.5A CN114799415A (zh) | 2022-03-11 | 2022-03-11 | 一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114799415A true CN114799415A (zh) | 2022-07-29 |
Family
ID=82529211
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210243791.5A Pending CN114799415A (zh) | 2022-03-11 | 2022-03-11 | 一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114799415A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115502601A (zh) * | 2022-10-27 | 2022-12-23 | 湘潭大学 | 基于沉积尺寸的中厚板多层多道焊接轨迹优化方法 |
CN115685881A (zh) * | 2022-11-07 | 2023-02-03 | 北京科技大学 | 基于计算智能的低应力高精度电弧增材工艺控制方法 |
CN116275124A (zh) * | 2023-05-11 | 2023-06-23 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
CN117828812A (zh) * | 2023-06-09 | 2024-04-05 | 蕴硕物联技术(上海)有限公司 | 一种构建焊接工艺参数优化模型的方法与设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE7807161L (sv) * | 1978-06-22 | 1979-12-23 | Inst Verkstadstek Forsk Ivf | Forfarande och anordning for att vid automatisk bagsvetsning adaptivt styra svetsintrengningen |
US20100288734A1 (en) * | 2009-05-14 | 2010-11-18 | Dave Vivek R | Controlled weld pool volume control of welding processes |
CN105345237A (zh) * | 2015-12-10 | 2016-02-24 | 河北沧海核装备科技股份有限公司 | 一种直缝埋弧焊自动控制焊缝形貌的装置及其工艺方法 |
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110883403A (zh) * | 2019-12-24 | 2020-03-17 | 华中科技大学 | 一种用于电弧增材制造的焊道建模方法、设备及系统 |
CN111177976A (zh) * | 2019-12-25 | 2020-05-19 | 广东省焊接技术研究所(广东省中乌研究院) | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
CN113569352A (zh) * | 2021-07-13 | 2021-10-29 | 华中科技大学 | 基于机器学习的增材制造尺寸预测及工艺优化方法及系统 |
CN114012210A (zh) * | 2021-12-06 | 2022-02-08 | 上海交通大学 | 电弧增材过程的沉积质量判断系统及方法 |
JP2022024333A (ja) * | 2020-07-16 | 2022-02-09 | 三菱電機株式会社 | 付加製造装置および付加製造方法 |
-
2022
- 2022-03-11 CN CN202210243791.5A patent/CN114799415A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE7807161L (sv) * | 1978-06-22 | 1979-12-23 | Inst Verkstadstek Forsk Ivf | Forfarande och anordning for att vid automatisk bagsvetsning adaptivt styra svetsintrengningen |
US20100288734A1 (en) * | 2009-05-14 | 2010-11-18 | Dave Vivek R | Controlled weld pool volume control of welding processes |
CN105345237A (zh) * | 2015-12-10 | 2016-02-24 | 河北沧海核装备科技股份有限公司 | 一种直缝埋弧焊自动控制焊缝形貌的装置及其工艺方法 |
CN106501721A (zh) * | 2016-06-03 | 2017-03-15 | 湘潭大学 | 一种基于生物进化的锂电池soc估算方法 |
CN109932903A (zh) * | 2019-02-25 | 2019-06-25 | 北京妙微科技有限公司 | 多父代优化网络和遗传算法的风机控制多目标优化方法 |
CN110883403A (zh) * | 2019-12-24 | 2020-03-17 | 华中科技大学 | 一种用于电弧增材制造的焊道建模方法、设备及系统 |
WO2021129671A1 (zh) * | 2019-12-24 | 2021-07-01 | 华中科技大学 | 一种用于电弧增材制造的焊道建模方法、设备及系统 |
CN111177976A (zh) * | 2019-12-25 | 2020-05-19 | 广东省焊接技术研究所(广东省中乌研究院) | 一种基于深度学习的弧焊焊缝成形精准预测方法 |
JP2022024333A (ja) * | 2020-07-16 | 2022-02-09 | 三菱電機株式会社 | 付加製造装置および付加製造方法 |
CN113569352A (zh) * | 2021-07-13 | 2021-10-29 | 华中科技大学 | 基于机器学习的增材制造尺寸预测及工艺优化方法及系统 |
CN114012210A (zh) * | 2021-12-06 | 2022-02-08 | 上海交通大学 | 电弧增材过程的沉积质量判断系统及方法 |
Non-Patent Citations (3)
Title |
---|
张光云;张华;徐健宁;胡华;李玉龙;: "焊接成形中焊接参数的选取与焊缝尺寸的预测", 焊接技术, no. 06, pages 40 - 43 * |
林惠乐;黄振峰;毛汉领;: "基于遗传神经网络的机器人焊接工艺参数优化", 组合机床与自动化加工技术, no. 10, pages 124 - 127 * |
柳炳祥等: "《智能优化方法及应用》", 31 August 2017, pages: 107 - 109 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115502601A (zh) * | 2022-10-27 | 2022-12-23 | 湘潭大学 | 基于沉积尺寸的中厚板多层多道焊接轨迹优化方法 |
CN115502601B (zh) * | 2022-10-27 | 2023-08-22 | 湘潭大学 | 基于沉积尺寸的中厚板多层多道焊接轨迹优化方法 |
CN115685881A (zh) * | 2022-11-07 | 2023-02-03 | 北京科技大学 | 基于计算智能的低应力高精度电弧增材工艺控制方法 |
CN116275124A (zh) * | 2023-05-11 | 2023-06-23 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
CN116275124B (zh) * | 2023-05-11 | 2023-08-01 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
CN117828812A (zh) * | 2023-06-09 | 2024-04-05 | 蕴硕物联技术(上海)有限公司 | 一种构建焊接工艺参数优化模型的方法与设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114799415A (zh) | 一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型 | |
Mandal et al. | Modeling of electrical discharge machining process using back propagation neural network and multi-objective optimization using non-dominating sorting genetic algorithm-II | |
CN106909727B (zh) | 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 | |
Shayan et al. | Parametric study along with selection of optimal solutions in dry wire cut machining of cemented tungsten carbide (WC-Co) | |
Zhang et al. | A hybrid model using supporting vector machine and multi-objective genetic algorithm for processing parameters optimization in micro-EDM | |
CN113094980B (zh) | 一种基于iga-dnn的焊膏印刷质量预测方法及系统 | |
CN108388702A (zh) | 基于pso神经网络的工程陶瓷电火花加工效果预测方法 | |
CN113569352A (zh) | 基于机器学习的增材制造尺寸预测及工艺优化方法及系统 | |
CN116522806B (zh) | 抛光工艺参数优化方法、抛光系统、电子设备及存储介质 | |
Azadi Moghaddam et al. | Modeling and optimization of the electrical discharge machining process based on a combined artificial neural network and particle swarm optimization algorithm | |
Tiwari et al. | Multi-objective optimization of electro-chemical machining by non-dominated sorting genetic algorithm | |
CN113408195B (zh) | 一种过程中刀具磨损状态预测方法 | |
Sreeraj et al. | Simulation and parameter optimization of GMAW process using neural networks and particle swarm optimization algorithm | |
CN114003003A (zh) | 一种激光熔覆过程工艺参数优化与稳定性控制方法 | |
Vasudevan et al. | Genetic algorithm for optimisation of A-TIG welding process for modified 9Cr–1Mo steel | |
Cai et al. | Optimization of shielding gas composition in narrow gap GMA welding based on response surface methodology | |
Shandilya et al. | Artificial neural network modeling and optimization using genetic algorithm of machining process | |
CN107944154B (zh) | 电弧填丝增材制造分层切片工艺变量自动计算方法 | |
Mollah et al. | Modeling of TIG welding and abrasive flow machining processes using radial basis function networks | |
Pal et al. | Multi-objective optimization of pulsed gas metal arc welding process using neuro NSGA-II | |
CN112487700B (zh) | 一种基于nsga与felm的冷轧轧制力预测方法 | |
Golshan et al. | Modeling and optimization of cylindrical wire electro discharge machining of AISI D3 tool steel using non-dominated sorting genetic algorithm | |
Surender et al. | Fuzzy Logic‐Based Techniques for Modeling the Correlation between the Weld Bead Dimension and the Process Parameters in MIG Welding | |
CN117862640A (zh) | 一种用于电弧增材再制造过程的焊接工艺多目标优化方法 | |
CN112032578A (zh) | 一种管道中腐蚀点的参数测量方法及其设备 |
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: 20220729 |