CN115600492A - 一种激光切割工艺设计方法及系统 - Google Patents

一种激光切割工艺设计方法及系统 Download PDF

Info

Publication number
CN115600492A
CN115600492A CN202211181738.3A CN202211181738A CN115600492A CN 115600492 A CN115600492 A CN 115600492A CN 202211181738 A CN202211181738 A CN 202211181738A CN 115600492 A CN115600492 A CN 115600492A
Authority
CN
China
Prior art keywords
process parameters
roughness
target
group
value
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
CN202211181738.3A
Other languages
English (en)
Inventor
计效园
王治国
陈嘉龙
王泽明
涂先猛
王伟
周圣智
罗建东
周建新
任黎平
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.)
Huazhong University of Science and Technology
Nuclear Power Institute of China
Original Assignee
Huazhong University of Science and Technology
Nuclear Power Institute of China
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 Huazhong University of Science and Technology, Nuclear Power Institute of China filed Critical Huazhong University of Science and Technology
Priority to CN202211181738.3A priority Critical patent/CN115600492A/zh
Publication of CN115600492A publication Critical patent/CN115600492A/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]
    • G06F30/20—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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种激光切割工艺设计方法及系统，包括：确定训练好的神经网络模型；其包括：BP隐层和ELM隐层；确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；结合目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。本发明提高了激光切割件的质量。

Description

一种激光切割工艺设计方法及系统
技术领域
本发明属于激光切割领域，更具体地，涉及一种激光切割工艺设计方法及系统。
背景技术
激光切割利用高功率密度激光束照射被切割材料，使材料很快被加热至汽化温度，蒸发形成孔洞，随着光束对材料的移动，孔洞连续形成宽度很窄的切缝，完成对材料的切割。与其他热切割方法相比较，有切割质量好，效率高，速度快的特点。然而，随着科技的不断进步，一些高精尖材料对切割加工质量的要求越来越高，表面粗糙度是其中重要的评价指标。在激光切割中，表面粗糙度会受到切割过程中的多项工艺参数的共同影响，关系复杂，如果通过大量重复进行基础实验进行工艺寻优，容易造成资源浪费。
随着信息技术与人工智能技术的发展，通过算法对各项加工技术的结果进行模拟，然后根据结果对加工参数进行推荐被认为是一种能有效节约资源，提高生产效率的手段。目前，教与学算法、粒子群算法等元启发式算法在计算机模拟中扮演着重要的角色，如何提高这些算法的搜索能力，防止算法陷入局部最优，并完成对多目标问题的计算是十分值得研究的课题。此外，算法模拟虽然不需要实际实验，但是需要有对实验规律的数学描述才能完成模拟。而往往许多实验规律是无法用具体的数学表达式来描述的，因此仅凭借单独的算法是无法完成对加工技术的模拟及推荐的。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种激光切割工艺设计方法及系统，旨在解决现有技术无法完成对激光切割加工过程进行模拟和推荐，故无法很好的进行激光切割工艺设计的问题。
为实现上述目的，第一方面，本发明提供了一种激光切割工艺设计方法，包括如下步骤：
确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；
确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；
将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；
结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。
在一个可选的示例中，循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度，具体为：
将当前设计多组工艺参数分别作为神经网络模型的输入，分别预测对应产品的上表面粗糙度和下表面粗糙度；
将预测的上表面粗糙度和下表面粗糙度分别与上表面目标粗糙度和下表面目标粗糙度作差，得到每组工艺参数的两个目标函数，将多组工艺参数分为两个子集，其中，一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
当两个目标函数均不为0时，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数；
将最优组工艺参数作为老师，将多组工艺参数中其他组工艺参数作为学生，采用教与学算法并利用贪婪机制再次更新各个学生的数值，作为各个学生对应的新设计工艺参数；再次为各个学生设计工艺参数后，随机选取与新设计的工艺参数属于相同子集的一组工艺参数作为学习伙伴进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；
将最后一次更新的新设计的工艺参数与新设计工艺参数的历史值一起进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；以及通过随机数的方式决定是否将新设计工艺参数的历史值更新，以提高教与学算法搜索最优解的能力，避免陷入局部最优；
将最后一次更新的新设计的工艺参数作为神经网络模型的输入，再次执行上述粗糙度预测、目标函数选取以及新设计工艺参数的过程，直至两个目标函数中任一目标函数的值为0。
在一个可选的示例中，若所述循环执行的迭代次数达到最大次数，但预测的上下表面粗糙度仍未达到目标粗糙度，则输出当前全局非支配解集中的所有解。
在一个可选的示例中，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数，具体为：
根据Pareto规则，从多组工艺参数中计算出全局非支配解集；所述全局非支配解集包括N组工艺参数；N为大于1的整数；
将N组工艺参数分为所述两个子集；一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
分别求解第一个子集和第二个子集中各组工艺参数的总比重；所述总比重为：上表面粗糙度目标函数的比重与下表面粗糙度目标函数的比重之和；一组工艺参数的上表面粗糙度目标函数值减去其所在子集中上表面粗糙度目标函数值最小值后，除以其所在子集中上表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数上表面粗糙度目标函数的比重；一组工艺参数的下表面粗糙度目标函数值减去其所在子集中下表面粗糙度目标函数值最小值后，除以其所在子集中下表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数下表面粗糙度目标函数的比重；
将多组工艺参数中总比重最小的一组工艺参数为最优组工艺参数；
若多组工艺参数中总比重最小的值对应不止一组工艺参数，则从所述不止一组工艺参数中随机选取一组作为最优组。
在一个可选的示例中，所述神经网络模型还包括：输入层和输出层；
所述输入层，用于接收激光切割工艺参数，将其转换为相关信息；
所述输出层，用于基于上下表面粗糙度相关的信息对上下表面粗糙度进行预测，输出预测的上下表面粗糙度，输出层有2个节点，分别输出上表面粗糙度和下表面粗糙度；
所述输入层连接BP隐层，BP隐层连接ELM隐层，ELM隐层连接输出层。
在一个可选的示例中，所述神经网络模型的训练过程为：
利用响应曲面设计方法为激光切割设计多组工艺参数；所述工艺参数包括：激光功率、切割速度、离焦量及气体压力；
基于多组工艺参数对样品分别进行试样切割，并测量切割后产品的上下表面粗糙度；
将多组工艺参数和对应测量得到的上下表面粗糙度作为训练数据；
基于所述训练数据对神经网络模型进行训练。
第二方面，本发明提供了一种激光切割工艺设计系统，包括：
预测模型确定单元，用于确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；
工艺参数设计单元，用于确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；
粗糙度预测单元，用于将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；
工艺参数优化单元，用于结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。
在一个可选的示例中，所述工艺参数优化单元循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度，具体为：将当前设计多组工艺参数分别作为神经网络模型的输入，分别预测对应产品的上表面粗糙度和下表面粗糙度；将预测的上表面粗糙度和下表面粗糙度分别与上表面目标粗糙度和下表面目标粗糙度作差，得到每组工艺参数的两个目标函数，将多组工艺参数分为两个子集，其中，一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；当两个目标函数均不为0时，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数；将最优组工艺参数作为老师，将多组工艺参数中其他组工艺参数作为学生，采用教与学算法并利用贪婪机制再次更新各个学生的数值，作为各个学生对应的新设计工艺参数；再次为各个学生设计工艺参数后，随机选取与新设计的工艺参数属于相同子集的一组工艺参数作为学习伙伴进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；将最后一次更新的新设计的工艺参数与新设计工艺参数的历史值一起进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；以及通过随机数的方式决定是否将新设计工艺参数的历史值更新，以提高教与学算法搜索最优解的能力，避免陷入局部最优；以及将最后一次更新的新设计的工艺参数作为神经网络模型的输入，再次执行上述粗糙度预测、目标函数选取以及新设计工艺参数的过程，直至两个目标函数中任一目标函数的值为0。
在一个可选的示例中，若所述工艺参数优化单元循环执行的迭代次数达到最大次数，但预测的上下表面粗糙度仍未达到目标粗糙度，则输出当前全局非支配解集中的所有解。
在一个可选的示例中，所述工艺参数优化单元利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数，具体为：根据Pareto规则，从多组工艺参数中计算出全局非支配解集；所述全局非支配解集包括N组工艺参数；N为大于1的整数；将N组工艺参数分为所述两个子集；一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；分别求解第一个子集和第二个子集中各组工艺参数的总比重；所述总比重为：上表面粗糙度目标函数的比重与下表面粗糙度目标函数的比重之和；一组工艺参数的上表面粗糙度目标函数值减去其所在子集中上表面粗糙度目标函数值最小值后，除以其所在子集中上表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数上表面粗糙度目标函数的比重；一组工艺参数的下表面粗糙度目标函数值减去其所在子集中下表面粗糙度目标函数值最小值后，除以其所在子集中下表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数下表面粗糙度目标函数的比重；将多组工艺参数中总比重最小的一组工艺参数为最优组工艺参数；以及若多组工艺参数中总比重最小的值对应不止一组工艺参数，则从所述不止一组工艺参数中随机选取一组作为最优组。
在一个可选的示例中，所述神经网络模型还包括：输入层和输出层；
所述输入层，用于接收激光切割工艺参数，将其转换为相关信息；
所述输出层，用于基于上下表面粗糙度相关的信息对上下表面粗糙度进行预测，输出预测的上下表面粗糙度，输出层有2个节点，分别输出上表面粗糙度和下表面粗糙度；
所述输入层连接BP隐层，BP隐层连接ELM隐层，ELM隐层连接输出层。
在一个可选的示例中，所述系统还包括：模型训练单元；
所述模型训练单元，用于利用响应曲面设计方法为激光切割设计多组工艺参数；所述工艺参数包括：激光功率、切割速度、离焦量及气体压力；基于多组工艺参数对样品分别进行试样切割，并测量切割后产品的上下表面粗糙度；将多组工艺参数和对应测量得到的上下表面粗糙度作为训练数据；以及基于所述训练数据对神经网络模型进行训练。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
本发明提供一种激光切割工艺设计方法及系统，提供了一种在多种工艺参数影响下的激光切割产品表面粗糙度工艺优化方法，该方法首先通过引入ELM隐层改进BP神经网络，提高了神经网络的收敛速度及预测精度。并将常用于单目标函数求解的教与学算法进行了改进，引入了模糊优选法用于算法中的教学阶段，该方法将所有个体按照个体本身的优势目标进行分类，然后计算每个个体在自己所属的类别里的总比重值，以总比重值作为标准评选老师，从而在保留每个个体的优势的情况下完成多目标问题的甄选。此外，在学习阶段后加入了历史学习机制，提高算法的搜索能力，防止算法过早收敛而陷入局部最优。然后将根据响应曲面法设计的实验方案得到的结果作为训练集，对改进的BP神经网络进行训练，训练好的BP神经网络将为后续的改进教与学算法提供目标函数值，最后通过改进的教与学算法根据所需要达到的目标粗糙度值进行工艺推荐。本发明提高了激光切割件的质量，提高了激光切割生产效率。
附图说明
图1是本发明实施例提供的激光切割工艺设计方法流程图；
图2是本发明实施例提供的激光切割工艺设计优化方法流程图；
图3是本发明实施例提供的激光切割工艺设计系统架构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
可以理解的是，人工神经网络由输入层、隐含层、输出层构成，其特点是预测能力强、准确度高，但是可解释性差、训练时间长、训练样本数量要求高，且为单向预测。因此，根据实际实验结果训练神经网络，并改进神经网络的结构从而提高神经网络的预测精度及收敛速度，增加元启发式搜索算法的搜索能力，然后将两者结合起来，共同完成工艺参数优化推荐具有十分广阔的研究前景。
图1是本发明实施例提供的激光切割工艺设计方法流程图；如图1所示，包括如下步骤：
S101，确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；
S102，确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；
S103，将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；
S104，结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。
在一个可选的示例中，循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度，具体为：
将当前设计多组工艺参数分别作为神经网络模型的输入，分别预测对应产品的上表面粗糙度和下表面粗糙度；
将预测的上表面粗糙度和下表面粗糙度分别与上表面目标粗糙度和下表面目标粗糙度作差，得到每组工艺参数的两个目标函数，将多组工艺参数分为两个子集，其中，一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
当两个目标函数均不为0时，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数；
将最优组工艺参数作为老师，将多组工艺参数中其他组工艺参数作为学生，采用教与学算法并利用贪婪机制再次更新各个学生的数值，作为各个学生对应的新设计工艺参数；再次为各个学生设计工艺参数后，随机选取与新设计的工艺参数属于相同子集的一组工艺参数作为学习伙伴进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；
将最后一次更新的新设计的工艺参数与新设计工艺参数的历史值一起进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；以及通过随机数的方式决定是否将新设计工艺参数的历史值更新，以提高教与学算法搜索最优解的能力，避免陷入局部最优；
将最后一次更新的新设计的工艺参数作为神经网络模型的输入，再次执行上述粗糙度预测、目标函数选取以及新设计工艺参数的过程，直至两个目标函数中任一目标函数的值为0。
在一个可选的示例中，若所述循环执行的迭代次数达到最大次数，但预测的上下表面粗糙度仍未达到目标粗糙度，则输出当前全局非支配解集中的所有解。
在一个可选的示例中，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数，具体为：
根据Pareto规则，从多组工艺参数中计算出全局非支配解集；所述全局非支配解集包括N组工艺参数；N为大于1的整数；
将N组工艺参数分为所述两个子集；一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
分别求解第一个子集和第二个子集中各组工艺参数的总比重；所述总比重为：上表面粗糙度目标函数的比重与下表面粗糙度目标函数的比重之和；一组工艺参数的上表面粗糙度目标函数值减去其所在子集中上表面粗糙度目标函数值最小值后，除以其所在子集中上表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数上表面粗糙度目标函数的比重；一组工艺参数的下表面粗糙度目标函数值减去其所在子集中下表面粗糙度目标函数值最小值后，除以其所在子集中下表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数下表面粗糙度目标函数的比重；
将多组工艺参数中总比重最小的一组工艺参数为最优组工艺参数；
若多组工艺参数中总比重最小的值对应不止一组工艺参数，则从所述不止一组工艺参数中随机选取一组作为最优组。
在一个可选的示例中，所述神经网络模型还包括：输入层和输出层；
所述输入层，用于接收激光切割工艺参数，将其转换为相关信息；
所述输出层，用于基于上下表面粗糙度相关的信息对上下表面粗糙度进行预测，输出预测的上下表面粗糙度，输出层有2个节点，分别输出上表面粗糙度和下表面粗糙度；
所述输入层连接BP隐层，BP隐层连接ELM隐层，ELM隐层连接输出层。
在一个可选的示例中，所述神经网络模型的训练过程为：
利用响应曲面设计方法为激光切割设计多组工艺参数；所述工艺参数包括：激光功率、切割速度、离焦量及气体压力；
基于多组工艺参数对样品分别进行试样切割，并测量切割后产品的上下表面粗糙度；
将多组工艺参数和对应测量得到的上下表面粗糙度作为训练数据；
基于所述训练数据对神经网络模型进行训练。
图2是本发明实施例提供的激光切割工艺设计优化方法流程图；如图2所示，包括如下步骤：
S1：通过响应曲面法设计激光切割实验工艺参数实验；
S2：通过性能测试实验表征试样得到实验组的工艺性能指标；
S3：根据S2中的数据，将实验工艺参数作为输入，工艺性能指标作为输出，训练改进的神经网络模型；
S4：通过改进教与学算法，求解达到目标工艺性能值所需的工艺参数，实现激光切割的工艺推荐，从而得到最优工艺。
S1中所用的响应曲面设计为中心复合实验设计，所设计的工艺参数包括激光功率、切割速度、离焦量及气体压力；最终得到四因素五水平共计31组实验组。
进一步，S1中切割高度为1mm-3mm，其余工艺参数如积分频率、切割过程温度、磨头转速和移动速度为机器默认值；
在一个示例中，步骤S1所设计的工艺参数如表1所示：
表1工艺参数水平选取表
Figure BDA0003867078420000121
进一步，S2中所述的工艺性能指标为试样切割处上下表面的粗糙度，通过粗糙度测试仪测量得到；具体试样工艺参数表如表2：
表2试样工艺参数设计表
Figure BDA0003867078420000122
S3中所用的神经网络为改进BP-ELM神经网络模型，其由输入层、BP隐层、ELM隐层以及输出层组成。工艺参数包括激光功率、扫描速度、扫描间距、铺粉层厚为所需输入数据，而输出数据则为切割处上下表面的粗糙度；神经网络的结构最终确定为[4-X-Y-2]，代表神经网络模型的输入层有4个节点(即4个工艺参数)，X个BP隐层节点、Y个ELM隐层节点及2个输出节点(即上下表面粗糙度)。X为根据特征指标的特性而确定的BP隐层节点数。首先，构建具有三层结构[4-X-1]的BP神经网络，根据经验公式确定X的值为4-16，然后利用PimaDiabetes数据集对具有不同X的值的BP神经网络进行训练，并比较这些BP神经网络的精度，最终确定X的值为6。然后冻结BP神经网络的输入层及隐层，在后面连接上ELM隐层。将BP神经网络隐层的输出作为输入，利用下式计算ELM隐层某个节点的输出：
Figure BDA0003867078420000131
其中，
Figure BDA0003867078420000132
是隐层的第i个节点的输出，aj及bj可随机生成，j＝1,2…k(k为ELM隐层节点数)
利用下式计算ELM隐层输出权重矩阵：
Figure BDA0003867078420000133
其中，H为ELM隐层节点的输出矩阵，Y为期望输出值。
最后再利用由响应曲面法设计的实验得到的数据对整个神经网络模型进行训练，得到最终的BP-ELM神经网络模型。
进一步，构建的BP神经网络模型的归一化及传输函数选用变化范围在[-1,1]的双曲正切函数；采用多次(如5次)训练模型指标取均值的方式消除随机误差，使得模型指标接近于最优收敛时的模型效果；期望误差设置为0.0001-0.001，动量系数设置为0.001-0.01；学习算法选用梯度最快下降寻优算法、基于非线性最小二乘法的Levenberg-Marquardt(LM)算法以及贝叶斯规范化算法(Bayesian regularization，BR)中的一种。
S4中利用教与学算法生成目标工艺参数并输入所述神经网络模型，以得到相应的性能数据预测值，即将S3中训练好的神经网络模型的预测值作为改进教与学算法的目标函数，然后不断的进行迭代寻优，生成新的学生，组成新种群，当得到的学生的函数值达到所需工艺目标值时，结束寻优，输出符合要求的结果。当迭代次数达到设定的次数仍未找到函数值为目标工艺值的学生时，则取结果最接近的学生为输出结果。其具体过程如下：
S41、根据实际情况，将激光功率的边界设置为[500,6000]，切割速度的边界设置为[1,30]，离焦量的边界设置为[-5,0]，气压的边界设置为[5,35]，然后随机生成初始种群。其中，一个种群包括多组工艺参数，并将当前种群作为历史种群的初始值。
S42、将当前种群作为BP-ELM神经网络的输入，经过计算后得到的输出上表面粗粗度y1和下表面粗糙度y2与所需的y1及y2的差值作为个体的目标函数，首先根据Pareto规则，计算出全局非支配解作为老师，并将各个体在两个目标函数上相对于该目标函数上最小值的评价指标，即粒子i在目标函数j上相对于最优值的评价指标
Figure BDA0003867078420000141
评价指标
Figure BDA0003867078420000142
越大，说明该粒子i在目标函数j上相对更具优势。由此将同一个目标上评价指标最大的可行解划分到同一个子集di(i＝1,2)中。
Figure BDA0003867078420000143
的计算方式如下所示：
Figure BDA0003867078420000144
其中Fj为该个体在第j个目标函数上的函数值，j＝1,2
S43、由于可能存在多个非支配解，但个体只能选择一个老师进行教学，因此。利用模糊优选法，即通过计算非支配解集中各个体的各目标函数与解集中相应目标函数的最小值的差值，相对于解集中该目标函数的最大值及最小值之差的比重(若某个个体的某个目标函数值等于解集中该目标函数值的最大值，则为1)，进行加和计算得到总比重值B，确定出在两个目标函数上表现较均衡的解，然后选取总比重值B最小的个体为老师，若仍有相同总比重值的多个个体，则进行随机选取。教学完成后，利用贪婪机制选择是否更新个体。
S44、完成教学后，各个体将在自己所属的子集di中，随机选取一个学习伙伴进行学习，并利用贪婪机制决定是否更新个体。
S45、完成学习阶段后，各个体将继续和自己的历史值进行学习，利用贪婪机制决定是否更新个体。
S46、随机更新历史种群，即通过产生随机数的方法，决定是否将各个个体的历史值替换为当前值。
S47、判断是否当前种群中是否有个体的目标函数值均为0，若有，则结束算法，输出相应的个体值，即为推荐工艺参数；若没有，则判断是否达到了最大迭代次数，若达到了最大迭代次数，则输出当前Pareto解集的所有解，若未达到，从S42开始循环。
图3是本发明实施例提供的激光切割工艺设计系统架构图，如图3所示，包括：
预测模型确定单元310，用于确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；
工艺参数设计单元320，用于确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；
粗糙度预测单元330，用于将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；
工艺参数优化单元340，用于结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。
模型训练单元350，用于利用响应曲面设计方法为激光切割设计多组工艺参数；所述工艺参数包括：激光功率、切割速度、离焦量及气体压力；基于多组工艺参数对样品分别进行试样切割，并测量切割后产品的上下表面粗糙度；将多组工艺参数和对应测量得到的上下表面粗糙度作为训练数据；以及基于所述训练数据对神经网络模型进行训练。
需要说明的是，图3中各个单元的详细功能实现可参见前述方法实施例中的介绍，在此不做赘述。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种激光切割工艺设计方法，其特征在于，包括如下步骤：
确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；
确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；
将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；
结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。
2.根据权利要求1所述的方法，其特征在于，循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度，具体为：
将当前设计多组工艺参数分别作为神经网络模型的输入，分别预测对应产品的上表面粗糙度和下表面粗糙度；
将预测的上表面粗糙度和下表面粗糙度分别与上表面目标粗糙度和下表面目标粗糙度作差，得到每组工艺参数的两个目标函数，将多组工艺参数分为两个子集，其中，一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
当两个目标函数均不为0时，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数；
将最优组工艺参数作为老师，将多组工艺参数中其他组工艺参数作为学生，采用教与学算法并利用贪婪机制再次更新各个学生的数值，作为各个学生对应的新设计工艺参数；再次为各个学生设计工艺参数后，随机选取与新设计的工艺参数属于相同子集的一组工艺参数作为学习伙伴进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；
将最后一次更新的新设计的工艺参数与新设计工艺参数的历史值一起进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；以及通过随机数的方式决定是否将新设计工艺参数的历史值更新，以提高教与学算法搜索最优解的能力，避免陷入局部最优；
将最后一次更新的新设计的工艺参数作为神经网络模型的输入，再次执行上述粗糙度预测、目标函数选取以及新设计工艺参数的过程，直至两个目标函数中任一目标函数的值为0。
3.根据权利要求2所述的方法，其特征在于，若所述循环执行的迭代次数达到最大次数，但预测的上下表面粗糙度仍未达到目标粗糙度，则输出当前全局非支配解集中的所有解。
4.根据权利要求2所述的方法，其特征在于，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数，具体为：
根据Pareto规则，从多组工艺参数中计算出全局非支配解集；所述全局非支配解集包括N组工艺参数；N为大于1的整数；
将N组工艺参数分为所述两个子集；一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
分别求解第一个子集和第二个子集中各组工艺参数的总比重；所述总比重为：上表面粗糙度目标函数的比重与下表面粗糙度目标函数的比重之和；一组工艺参数的上表面粗糙度目标函数值减去其所在子集中上表面粗糙度目标函数值最小值后，除以其所在子集中上表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数上表面粗糙度目标函数的比重；一组工艺参数的下表面粗糙度目标函数值减去其所在子集中下表面粗糙度目标函数值最小值后，除以其所在子集中下表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数下表面粗糙度目标函数的比重；
将多组工艺参数中总比重最小的一组工艺参数为最优组工艺参数；
若多组工艺参数中总比重最小的值对应不止一组工艺参数，则从所述不止一组工艺参数中随机选取一组作为最优组。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述神经网络模型还包括：输入层和输出层；
所述输入层，用于接收激光切割工艺参数，将其转换为相关信息；
所述输出层，用于基于上下表面粗糙度相关的信息对上下表面粗糙度进行预测，输出预测的上下表面粗糙度，输出层有2个节点，分别输出上表面粗糙度和下表面粗糙度；
所述输入层连接BP隐层，BP隐层连接ELM隐层，ELM隐层连接输出层。
6.根据权利要求1至4任一项所述的方法，其特征在于，所述神经网络模型的训练过程为：
利用响应曲面设计方法为激光切割设计多组工艺参数；所述工艺参数包括：激光功率、切割速度、离焦量及气体压力；
基于多组工艺参数对样品分别进行试样切割，并测量切割后产品的上下表面粗糙度；
将多组工艺参数和对应测量得到的上下表面粗糙度作为训练数据；
基于所述训练数据对神经网络模型进行训练。
7.一种激光切割工艺设计系统，其特征在于，包括：
预测模型确定单元，用于确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；
工艺参数设计单元，用于确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；
粗糙度预测单元，用于将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；
工艺参数优化单元，用于结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。
8.根据权利要求7所述的系统，其特征在于，所述工艺参数优化单元循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度，具体为：将当前设计多组工艺参数分别作为神经网络模型的输入，分别预测对应产品的上表面粗糙度和下表面粗糙度；将预测的上表面粗糙度和下表面粗糙度分别与上表面目标粗糙度和下表面目标粗糙度作差，得到每组工艺参数的两个目标函数，将多组工艺参数分为两个子集，其中，一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；当两个目标函数均不为0时，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数；将最优组工艺参数作为老师，将多组工艺参数中其他组工艺参数作为学生，采用教与学算法并利用贪婪机制再次更新各个学生的数值，作为各个学生对应的新设计工艺参数；再次为各个学生设计工艺参数后，随机选取与新设计的工艺参数属于相同子集的一组工艺参数作为学习伙伴进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；将最后一次更新的新设计的工艺参数与新设计工艺参数的历史值一起进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；以及通过随机数的方式决定是否将新设计工艺参数的历史值更新，以提高教与学算法搜索最优解的能力，避免陷入局部最优；以及将最后一次更新的新设计的工艺参数作为神经网络模型的输入，再次执行上述粗糙度预测、目标函数选取以及新设计工艺参数的过程，直至两个目标函数中任一目标函数的值为0。
9.根据权利要求8所述的系统，其特征在于，若所述工艺参数优化单元循环执行的迭代次数达到最大次数，但预测的上下表面粗糙度仍未达到目标粗糙度，则输出当前全局非支配解集中的所有解。
10.根据权利要求8所述的系统，其特征在于，所述工艺参数优化单元利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数，具体为：根据Pareto规则，从多组工艺参数中计算出全局非支配解集；所述全局非支配解集包括N组工艺参数；N为大于1的整数；将N组工艺参数分为所述两个子集；一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；分别求解第一个子集和第二个子集中各组工艺参数的总比重；所述总比重为：上表面粗糙度目标函数的比重与下表面粗糙度目标函数的比重之和；一组工艺参数的上表面粗糙度目标函数值减去其所在子集中上表面粗糙度目标函数值最小值后，除以其所在子集中上表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数上表面粗糙度目标函数的比重；一组工艺参数的下表面粗糙度目标函数值减去其所在子集中下表面粗糙度目标函数值最小值后，除以其所在子集中下表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数下表面粗糙度目标函数的比重；将多组工艺参数中总比重最小的一组工艺参数为最优组工艺参数；以及若多组工艺参数中总比重最小的值对应不止一组工艺参数，则从所述不止一组工艺参数中随机选取一组作为最优组。
CN202211181738.3A 2022-09-27 2022-09-27 一种激光切割工艺设计方法及系统 Pending CN115600492A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211181738.3A CN115600492A (zh) 2022-09-27 2022-09-27 一种激光切割工艺设计方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211181738.3A CN115600492A (zh) 2022-09-27 2022-09-27 一种激光切割工艺设计方法及系统

Publications (1)

Publication Number Publication Date
CN115600492A true CN115600492A (zh) 2023-01-13

Family

ID=84845946

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211181738.3A Pending CN115600492A (zh) 2022-09-27 2022-09-27 一种激光切割工艺设计方法及系统

Country Status (1)

Country Link
CN (1) CN115600492A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522806A (zh) * 2023-07-03 2023-08-01 泉州装备制造研究所 抛光工艺参数优化方法、抛光系统、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522806A (zh) * 2023-07-03 2023-08-01 泉州装备制造研究所 抛光工艺参数优化方法、抛光系统、电子设备及存储介质
CN116522806B (zh) * 2023-07-03 2023-09-19 泉州装备制造研究所 抛光工艺参数优化方法、抛光系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Zhang et al. Short-term rainfall forecasting using multi-layer perceptron
CN113537600B (zh) 一种全过程耦合机器学习的中长期降水预报建模方法
CN109214449A (zh) 一种电网投资需求预测方法
CN106650920A (zh) 一种基于优化极限学习机的预测模型
CN113065268A (zh) 一种基于代理模型快速多目标空间反射镜优化设计方法
Zadeh et al. An efficient metamodel-based multi-objective multidisciplinary design optimization framework
CN110703899B (zh) 一种基于迁移学习的数据中心能效优化方法
CN112765902B (zh) 一种基于TentFWA-GD的RBF神经网络的农村生活污水处理过程中COD浓度的软测量建模方法
CN114492191A (zh) 基于dbn-svr的热力站设备剩余寿命评估方法
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN114004153A (zh) 一种基于多源数据融合的侵彻深度预测方法
CN109858665A (zh) 基于特征筛选与anfis-pso的光伏短期功率预测方法
CN115600492A (zh) 一种激光切割工艺设计方法及系统
CN114548350A (zh) 一种基于樽海鞘群和bp神经网络的电力负荷预测方法
CN117421989A (zh) 面向高维昂贵优化问题的代理模型辅助的并行协同方法
CN116911459A (zh) 适应于虚拟电厂的多输入多输出超短期电力负荷预测方法
CN115062551B (zh) 一种基于时序神经网络的湿物理过程参数化方法
CN116502750A (zh) 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法
CN113470732B (zh) 微生物代谢网络模型多优化目标确定方法及其应用
Liu et al. Weapon equipment management cost prediction based on forgetting factor recursive GM (1, 1) model
CN114091304B (zh) 氢氧气体热源加工船体外板的智能决策方法
Liu et al. An improved quantum particle swarm algorithm for solving multi-objective fuzzy flexible job shop scheduling problem
CN114240069A (zh) 一种基于回归学习与特征挖掘的电网在线风险计算方法
Manchala et al. Ensembling teaching-learning-based optimization algorithm with analogy-based estimation to predict software development effort
CN114880734A (zh) 一种基于bp-lstm的钢混组合桥面系温度场及温度效应预测方法

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