CN115609180B - 基于焊接过程预测的强化参数生成方法、系统及存储介质 - Google Patents

基于焊接过程预测的强化参数生成方法、系统及存储介质 Download PDF

Info

Publication number
CN115609180B
CN115609180B CN202211529441.1A CN202211529441A CN115609180B CN 115609180 B CN115609180 B CN 115609180B CN 202211529441 A CN202211529441 A CN 202211529441A CN 115609180 B CN115609180 B CN 115609180B
Authority
CN
China
Prior art keywords
welding
index
calculation model
training data
parameter
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
CN202211529441.1A
Other languages
English (en)
Other versions
CN115609180A (zh
Inventor
王槐春
李加全
陈盼
杨超
戴鑫
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.)
Jiangsu New Hengji Special Equipment Co Ltd
Original Assignee
Jiangsu New Hengji Special Equipment Co Ltd
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 Jiangsu New Hengji Special Equipment Co Ltd filed Critical Jiangsu New Hengji Special Equipment Co Ltd
Priority to CN202211529441.1A priority Critical patent/CN115609180B/zh
Publication of CN115609180A publication Critical patent/CN115609180A/zh
Application granted granted Critical
Publication of CN115609180B publication Critical patent/CN115609180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B23K31/00—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups
    • B23K31/12—Processes relevant to this subclass, specially adapted for particular articles or purposes, but not covered by only one of the preceding main groups relating to investigating the properties, e.g. the weldability, of materials
    • 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
    • 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)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Factory Administration (AREA)
  • Arc Welding In General (AREA)

Abstract

本发明公开了基于焊接过程预测的强化参数设计方法、系统及存储介质，涉及智能化制造技术领域，包括：获取焊接母材的结构参数信息；实时检测焊接工件的焊接过程，获取实时焊接参数；根据结构参数信息和实时焊接参数通过指标计算模型进行焊缝结构指标计算；判断焊缝结构指标是否超过预设的第一阈值；根据焊缝结构指标小于第一阈值的焊接工件的焊缝结构指标通过参数计算模型进行焊缝强化参数计算。本发明的优点在于：基于焊接以及强化过程中的中间参数，建立双层映射的学习模型，可有效降低焊缝强化过程的主观因素的影响，极大的保证了焊接工件的的强化性能稳定性。

Description

基于焊接过程预测的强化参数生成方法、系统及存储介质
技术领域
本发明涉及智能化制造技术领域，具体是涉及基于焊接过程预测的强化参数设计方法、系统及存储介质。
背景技术
焊接，也称作熔接，是一种以加热、高温或者高压的方式接合金属或其他热塑性材料如塑料的制造工艺及技术，现代焊接的能量来源有很多种，包括气体焰、电弧、激光、电子束、摩擦和超声波等。除了在工厂中使用外，焊接还可以在多种环境下进行，如野外、水下和太空。
焊接加工工艺通常会在焊缝位置处产生球状气孔、缩孔和柱状晶等缺陷，上述缺陷极大的影响了焊缝的力学性能，因此，请参阅图5所示，为提高焊缝的性能，通常会对焊缝采用压缩变形加热处理的方式进行焊缝强化通过这种方式可以压紧焊缝的疏松组织，消除焊接残余应力和因形变产生的内应力等，并使焊缝金属产生塑性变形和再结晶，可使粗大晶的粒细化，得到致密的金属组织，使焊缝内部的球状气孔和缩孔扁平化，从而提高焊缝的组织性能和力学性能，改善焊缝承载时应力线的分布，使焊缝的疲劳强度上也有明显提升。
由于焊缝强化过程中的参数确定由焊缝中存在的球状气孔、缩孔和柱状晶等缺陷决定，而这些内在缺陷的观测通常需要破坏焊接工件的结构，因此对于焊缝强化过程中的参数确定通常需要根据经验确定，这种方式主观影响因素较大，在进行生产中焊缝强化性能不够稳定，导致焊接工件的良率易发生波动。
发明内容
为解决上述技术问题，提供一种基于焊接过程预测的强化参数设计方法、系统及存储介质，本技术方案解决了上述的对于焊缝强化过程中的参数确定通常需要根据经验确定，这种方式主观影响因素较大，在进行生产中焊缝强化性能不够稳定，导致焊接工件的良率易发生波动的问题。
为达到以上目的，本发明采用的技术方案为：
一种基于焊接过程预测的强化参数设计方法，包括：
获取焊接母材的结构参数信息，所述结构参数信息包括母材的焊接长度以及母材焊接区域的高度；
实时检测焊接工件的焊接过程，获取实时焊接参数，所述焊接参数包括焊接电流、电弧电压和焊接速度；
根据结构参数信息和实时焊接参数通过指标计算模型进行焊缝结构指标计算，所述焊缝结构指标包括球状气孔指标、缩孔指标和柱状晶指标；
判断焊缝结构指标是否超过预设的第一阈值，若是，则判定为该焊接工件存在报废风险，输出警示信号，若否，则判定为该焊接工件焊接正常，输出合格信号；
根据判定为焊接正常的焊接工件的焊缝结构指标通过参数计算模型进行焊缝强化参数计算，所述焊缝强化参数包括焊缝的压缩形变量、热处理保温温度和热处理保温时间；
其中，所述指标计算模型中输入为母材的焊接长度、母材焊接区域的高度、焊接电流、电弧电压和焊接速度，输出为球状气孔指标、缩孔指标和柱状晶指标；
所述参数计算模型中输入为球状气孔指标、缩孔指标和柱状晶指标，输出为焊缝的压缩形变量、热处理保温温度和热处理保温时间。
优选的，所述指标计算模型或参数计算模型的训练步骤包括：
获取历史加工过程中的历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数；
根据历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数进行处理，获得若干组训练数据集，若进行指标计算模型训练，则所述训练数据集为指标计算训练数据集，若进行参数计算模型，则所述训练数据集为参数计算训练数据集；
将多组训练数据集随机分成计算训练样本和测试样本，所述训练样本中训练数据集数量占比为80％，所述测试样本中训练数据集数量占比为20％；
利用训练样本中的训练数据集进行指标计算模型或参数计算模型的预测模型计算，获得多个初步预测模型；
将测试样本中的训练数据集代入初步预测模型中，筛选出测试拟合度最高的初步预测模型，作为指标计算模型或参数计算模型。
优选的，所述将测试样本中的训练数据集代入初步预测模型中，筛选出测试拟合度最高的初步预测模型具体包括如下步骤：
将测试样本中的所有训练数据集的输入变量输入初步预测模型中，得到预测输出变量；
根据测试样本中的所有训练数据集的输出变量和预测输出变量计算回归确定系数；
对每一个初步预测模型进行回归确定系数计算；
筛选出回归确定系数最大的初步预测模型，并判断该初步预测模型的回归确定系数是否大于预设的确定系数阈值，若是，则将该初步预测模型作为指标计算模型或参数计算模型，若否，则输出模型训练失败信号。
优选的，所述回归确定系数的计算公式为：
Figure SMS_1
式中，
Figure SMS_2
为回归确定系数；
RSS为初步预测模型的残差平方和；
TSS为初步预测模型的总平方和。
优选的，所述指标计算模型包括球状气孔指标计算模型、缩孔指标计算模型和柱状晶指标计算模型；
所述球状气孔指标计算模型的指标计算训练数据集为：
Figure SMS_3
所述缩孔指标计算模型的指标计算训练数据集为：
Figure SMS_4
所述柱状晶指标计算模型的指标计算训练数据集为：
Figure SMS_5
其中，
Figure SMS_7
为球状气孔指标计算模型的指标计算训练数据集，
Figure SMS_10
为缩孔指标计算模型的指标计算训练数据集，
Figure SMS_13
为柱状晶指标计算模型，
Figure SMS_8
为球状气孔指标，
Figure SMS_11
为缩孔指标，
Figure SMS_14
为柱状晶指标，
Figure SMS_16
为母材的焊接长度，
Figure SMS_6
为母材焊接区域的高度，
Figure SMS_9
为焊接电流，
Figure SMS_12
为电弧电压，
Figure SMS_15
为焊接速度；
所述指标计算训练数据集的输入变量为L、H、I、U和V，所述指标计算训练数据集的输出变量为
Figure SMS_17
或
Figure SMS_18
或
Figure SMS_19
。
优选的，所述参数计算模型包括焊缝的压缩形变量计算模型、热处理保温温度计算模型和热处理保温时间计算模型；
所述压缩形变量计算模型的参数计算训练数据集为：
Figure SMS_20
所述热处理保温温度计算模型的参数计算训练数据集为：
Figure SMS_21
所述热处理保温时间计算模型的参数计算训练数据集为：
Figure SMS_22
其中，
Figure SMS_23
为压缩形变量计算模型的参数计算训练数据集，
Figure SMS_24
为热处理保温温度计算模型的参数计算训练数据集，
Figure SMS_25
为热处理保温时间计算模型的参数计算训练数据集，
Figure SMS_26
为焊缝的压缩形变量，
Figure SMS_27
为热处理保温温度，
Figure SMS_28
为热处理保温时间；
所述参数计算训练数据集的输入变量为
Figure SMS_29
，所述参数计算训练数据集的输出变量为
Figure SMS_30
或
Figure SMS_31
或
Figure SMS_32
。
一种基于焊接过程预测的强化参数生成系统，用于实现如上述的基于焊接过程预测的强化参数设计方法，包括：
处理器，处理器用于根据采集到的结构参数信息和实时焊接参数进行焊缝结构指标计算、判断焊缝结构指标是否超过预设的第一阈值和根据焊缝结构指标进行焊缝强化参数计算；
存储器，存储器与所述处理器相耦合，所述存储器用于进行指标计算模型、参数计算模型和历史加工过程中的历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数的存储；
数据接收模块，数据接收模块与所述处理器电性连接，所述数据接收模块用于接收焊接工件的焊接过程中的实时焊接参数；
信号输出模块，信号输出模块与所述处理器电性连接，所述信号输出模块用于进行警示信号和焊缝强化参数输出。
可选的，所述处理器内部集成有：
指标计算模型单元，所述指标计算模型单元用于进行指标计算模型的训练和调用；
参数计算模型单元，所述参数计算模型单元用于进行参数计算模型的训练和调用；
判断单元，所述判断单元用于进行判断焊缝结构指标是否超过预设的第一阈值；
计算单元，所述计算单元用于调用指标计算模型进行焊缝结构指标计算和调用参数计算模型进行焊缝强化参数计算。
再进一步的，提出一种存储介质，其上存储有计算机可读程序，所述计算机可读程序被调用时执行如上述的基于焊接过程预测的强化参数设计方法。
与现有技术相比，本发明的有益效果在于：
本发明提出一种基于焊接过程预测的强化参数生成方案，基于焊接以及强化过程中的中间参数，建立双层映射的学习模型，通过指标计算模型根据输入的母材的焊接长度、母材焊接区域的高度、焊接电流、电弧电压和焊接速度进行计算输出球状气孔指标、缩孔指标和柱状晶指标表示焊缝中可能存在的缺陷状况，之后通过球状气孔指标、缩孔指标和柱状晶指标进行计算焊缝的压缩形变量、热处理保温温度和热处理保温时间，使得焊缝强化过程中的参数确定实现了自动化高效精准计算，可有效降低焊缝强化过程的主观因素的影响，极大的保证了焊接工件的的强化性能稳定性。
附图说明
图1为本方案提出的基于焊接过程预测的强化参数设计系统的结构框图；
图2为本方案提出的基于焊接过程预测的强化参数设计方法的流程图；
图3为本方案中的指标计算模型或参数计算模型的训练方法流程图；
图4为本方案中的预测模型的筛选方法流程图；
图5为本发明中的焊缝强化工艺示意图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
参照图1所示，一种基于焊接过程预测的强化参数生成系统，包括：
处理器，处理器用于根据采集到的结构参数信息和实时焊接参数进行焊缝结构指标计算、判断焊缝结构指标是否超过预设的第一阈值和根据焊缝结构指标进行焊缝强化参数计算；
存储器，存储器与处理器相耦合，存储器用于进行指标计算模型、参数计算模型和历史加工过程中的历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数的存储；
数据接收模块，数据接收模块与处理器电性连接，数据接收模块用于接收焊接工件的焊接过程中的实时焊接参数；
信号输出模块，信号输出模块与处理器电性连接，信号输出模块用于进行警示信号和焊缝强化参数输出。
其中，处理器内部集成有：
指标计算模型单元，指标计算模型单元用于进行指标计算模型的训练和调用；
参数计算模型单元，参数计算模型单元用于进行参数计算模型的训练和调用；
判断单元，判断单元用于进行判断焊缝结构指标是否超过预设的第一阈值；
计算单元，计算单元用于调用指标计算模型进行焊缝结构指标计算和调用参数计算模型进行焊缝强化参数计算。
上述强化参数生成系统的工作流程为：
步骤一：指标计算模型单元和参数计算模型单元根据历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数进行指标计算模型训练和参数计算模型训练；
步骤二：数据接收模块接收焊接工件的焊接过程的实时焊接参数，并输送至计算单元中；
步骤三：计算单元通过指标计算模型单元从存储器中调用指标计算模型，对实时焊接参数进行计算获得焊缝结构指标；
步骤四：判断焊缝结构指标是否超过预设的第一阈值，若是，则判定为该焊接工件存在报废风险，输出警示信号，若否，则判定为该焊接工件焊接正常，输出合格信号；
步骤五：计算单元接收到合格信号时，通过参数计算模型单元从存储器中调用参数计算模型进行焊缝强化参数计算；
步骤六：信号输出模块将焊缝强化参数输出。
为进一步的解释说明本方案，以下结合上述强化参数生成系统，提出一种基于焊接过程预测的强化参数设计方法，请参阅图2所示，包括：
获取焊接母材的结构参数信息，结构参数信息包括母材的焊接长度以及母材焊接区域的高度；
实时检测焊接工件的焊接过程，获取实时焊接参数，焊接参数包括焊接电流、电弧电压和焊接速度；
根据结构参数信息和实时焊接参数通过指标计算模型进行焊缝结构指标计算，焊缝结构指标包括球状气孔指标、缩孔指标和柱状晶指标；
判断焊缝结构指标是否超过预设的第一阈值，若是，则判定为该焊接工件存在报废风险，输出警示信号，若否，则判定为该焊接工件焊接正常，输出合格信号；
根据判定为焊接正常的焊接工件的焊缝结构指标通过参数计算模型进行焊缝强化参数计算，焊缝强化参数包括焊缝的压缩形变量、热处理保温温度和热处理保温时间；
其中，指标计算模型输入为母材的焊接长度、母材焊接区域的高度、焊接电流、电弧电压和焊接速度，输出为球状气孔指标、缩孔指标和柱状晶指标；
参数计算模型输入为球状气孔指标、缩孔指标和柱状晶指标，输出为焊缝的压缩形变量、热处理保温温度和热处理保温时间。
本方案中输入母材的焊接长度、母材焊接区域的高度、焊接电流、电弧电压和焊接速度进行计算球状气孔指标、缩孔指标和柱状晶指标，之后以球状气孔指标、缩孔指标和柱状晶指标作为输入进行计算焊缝的压缩形变量、热处理保温温度和热处理保温时间这些焊缝强化工艺的参数，在实际的运用过程中，只需测量焊接过程中的实时焊接参数即可进行针对化的焊缝强化工艺参数的生成。
请参阅图3所示，指标计算模型或参数计算模型的训练步骤包括：
获取历史加工过程中的历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数；
根据历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数进行处理，获得若干组训练数据集，若进行指标计算模型训练，则训练数据集为指标计算训练数据集，若进行参数计算模型，则训练数据集为参数计算训练数据集；
将多组训练数据集随机分成计算训练样本和测试样本，训练样本中训练数据集数量占比为80％，测试样本中训练数据集数量占比为20％；
利用训练样本中的训练数据集进行指标计算模型或参数计算模型的预测模型计算，获得多个初步预测模型；
将测试样本中的训练数据集代入初步预测模型中，筛选出测试拟合度最高的初步预测模型，作为指标计算模型或参数计算模型。
在进行模型训练时首先对训练数据集进行数据分隔成训练样本和测试样本，通过训练样本建立多个预测模型，然后将这种训练好的预测模型应用于测试样本，此时测试样本作为新的、未见过的数据，进行预测，根据多个模型在测试样本上的表现来选择最佳模型。
请参阅图4所示，将测试样本中的训练数据集代入初步预测模型中，筛选出测试拟合度最高的初步预测模型具体包括如下步骤：
将测试样本中的所有训练数据集的输入变量输入初步预测模型中，得到预测输出变量；
根据测试样本中的所有训练数据集的输出变量和预测输出变量计算回归确定系数；
对每一个初步预测模型进行回归确定系数计算；
筛选出回归确定系数最大的初步预测模型，并判断该初步预测模型的回归确定系数是否大于预设的确定系数阈值，若是，则将该初步预测模型作为指标计算模型或参数计算模型，若否，则输出模型训练失败信号。
回归确定系数的计算公式为：
Figure SMS_33
式中，
Figure SMS_34
为回归确定系数；
RSS为初步预测模型的残差平方和；
TSS为初步预测模型的总平方和。
其中，回归确定系数
Figure SMS_35
作为解释方差的相对量度，其值越大代表着预测模型所代表的交联关系与现实中的交联关系越接近，具体的，若
Figure SMS_36
=0.7，则代表训练样本中70%的训练数据集满足，该预测模型；
在实际运用中，为保证指标计算模型或参数计算模型的计算精准度，需要回归确定系数
Figure SMS_37
大于预设的确定系数阈值才可认定该指标计算模型或参数计算模型可以满足预测需求，确定系数阈值可根据实际需求进行确定，通常状态下，其取值需要大于0.9。
指标计算模型包括球状气孔指标计算模型、缩孔指标计算模型和柱状晶指标计算模型；
球状气孔指标计算模型的指标计算训练数据集为：
Figure SMS_38
缩孔指标计算模型的指标计算训练数据集为：
Figure SMS_39
柱状晶指标计算模型的指标计算训练数据集为：
Figure SMS_40
其中，
Figure SMS_41
为球状气孔指标计算模型的指标计算训练数据集，
Figure SMS_46
为缩孔指标计算模型的指标计算训练数据集，
Figure SMS_47
为柱状晶指标计算模型，
Figure SMS_42
为球状气孔指标，
Figure SMS_44
为缩孔指标，
Figure SMS_48
为柱状晶指标，
Figure SMS_51
为母材的焊接长度，
Figure SMS_43
为母材焊接区域的高度，
Figure SMS_45
为焊接电流，
Figure SMS_49
为电弧电压，
Figure SMS_50
为焊接速度；
指标计算训练数据集的输入变量为L、H、I、U和V，指标计算训练数据集的输出变量为
Figure SMS_52
或
Figure SMS_53
或
Figure SMS_54
。
参数计算模型包括焊缝的压缩形变量计算模型、热处理保温温度计算模型和热处理保温时间计算模型；
压缩形变量计算模型的参数计算训练数据集为：
Figure SMS_55
热处理保温温度计算模型的参数计算训练数据集为：
Figure SMS_56
热处理保温时间计算模型的参数计算训练数据集为：
Figure SMS_57
其中，
Figure SMS_58
为压缩形变量计算模型的参数计算训练数据集，
Figure SMS_59
为热处理保温温度计算模型的参数计算训练数据集，
Figure SMS_60
为热处理保温时间计算模型的参数计算训练数据集，
Figure SMS_61
为焊缝的压缩形变量，
Figure SMS_62
为热处理保温温度，
Figure SMS_63
为热处理保温时间；
参数计算训练数据集的输入变量为
Figure SMS_64
，参数计算训练数据集的输出变量为
Figure SMS_65
或
Figure SMS_66
或
Figure SMS_67
。
基于焊接以及强化过程中的中间参数既焊接完成中焊缝中存在的球状气孔、缩孔和柱状晶等缺陷，建立双层映射的学习模型，由于母材的焊接长度、母材焊接区域的高度、焊接电流、电弧电压和焊接速度与球状气孔指标、缩孔指标和柱状晶指标之间的特征交联关系以及球状气孔指标、缩孔指标和柱状晶指标与焊缝的压缩形变量、热处理保温温度和热处理保温时间之间的特征交联关系是显而易见的，因此在进行指标计算模型和参数计算模型的训练时代入已知的特征交联关系，可有效的减少神经网络中的隐含层的层数和节点数，进而极大的提高指标计算模型和参数计算模型的训练难度，同时保证了指标计算模型和参数计算模型的计算精准度。
进一步的，本方案还提出一种存储介质，其上存储有计算机可读程序，计算机可读程序被调用时执行如上述的基于焊接过程预测的强化参数设计方法；
可以理解的是，存储介质可以是磁性介质，例如，软盘、硬盘、磁带；光介质例如，DVD；或者半导体介质例如固态硬盘SolidStateDisk，SSD等。
综上所述，本发明的优点在于：基于焊接以及强化过程中的中间参数，建立双层映射的学习模型，可有效降低焊缝强化过程的主观因素的影响，极大的保证了焊接工件的的强化性能稳定性。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (9)

1.一种基于焊接过程预测的强化参数设计方法，其特征在于，包括：
获取焊接母材的结构参数信息，所述结构参数信息包括母材的焊接长度以及母材焊接区域的高度；
实时检测焊接工件的焊接过程，获取实时焊接参数，所述焊接参数包括焊接电流、电弧电压和焊接速度；
根据结构参数信息和实时焊接参数通过指标计算模型进行焊缝结构指标计算，所述焊缝结构指标包括球状气孔指标、缩孔指标和柱状晶指标；
判断焊缝结构指标是否超过预设的第一阈值，若是，则判定为该焊接工件存在报废风险，输出警示信号，若否，则判定为该焊接工件焊接正常，输出合格信号；
根据判定为焊接正常的焊接工件的焊缝结构指标通过参数计算模型进行焊缝强化参数计算，所述焊缝强化参数包括焊缝的压缩形变量、热处理保温温度和热处理保温时间；
其中，所述指标计算模型中输入为母材的焊接长度、母材焊接区域的高度、焊接电流、电弧电压和焊接速度，输出为球状气孔指标、缩孔指标和柱状晶指标；
所述参数计算模型中输入为球状气孔指标、缩孔指标和柱状晶指标，输出为焊缝的压缩形变量、热处理保温温度和热处理保温时间。
2.根据权利要求1所述的一种基于焊接过程预测的强化参数设计方法，其特征在于，所述指标计算模型或参数计算模型的训练步骤包括：
获取历史加工过程中的历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数；
根据历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数进行处理，获得若干组训练数据集，若进行指标计算模型训练，则所述训练数据集为指标计算训练数据集，若进行参数计算模型，则所述训练数据集为参数计算训练数据集；
将多组训练数据集随机分成计算训练样本和测试样本，所述训练样本中训练数据集数量占比为80％，所述测试样本中训练数据集数量占比为20％；
利用训练样本中的训练数据集进行指标计算模型或参数计算模型的预测模型计算，获得多个初步预测模型；
将测试样本中的训练数据集代入初步预测模型中，筛选出测试拟合度最高的初步预测模型，作为指标计算模型或参数计算模型。
3.根据权利要求2所述的一种基于焊接过程预测的强化参数设计方法，其特征在于，所述将测试样本中的训练数据集代入初步预测模型中，筛选出测试拟合度最高的初步预测模型具体包括如下步骤：
将测试样本中的所有训练数据集的输入变量输入初步预测模型中，得到预测输出变量；
根据测试样本中的所有训练数据集的输出变量和预测输出变量计算回归确定系数；
对每一个初步预测模型进行回归确定系数计算；
筛选出回归确定系数最大的初步预测模型，并判断该初步预测模型的回归确定系数是否大于预设的确定系数阈值，若是，则将该初步预测模型作为指标计算模型或参数计算模型，若否，则输出模型训练失败信号。
4.根据权利要求3所述的一种基于焊接过程预测的强化参数设计方法，其特征在于，所述回归确定系数的计算公式为：
Figure QLYQS_1
式中，
Figure QLYQS_2
为回归确定系数；
RSS为初步预测模型的残差平方和；
TSS为初步预测模型的总平方和。
5.根据权利要求4所述的一种基于焊接过程预测的强化参数设计方法，其特征在于，所述指标计算模型包括球状气孔指标计算模型、缩孔指标计算模型和柱状晶指标计算模型；
所述球状气孔指标计算模型的指标计算训练数据集为：
Figure QLYQS_3
所述缩孔指标计算模型的指标计算训练数据集为：
Figure QLYQS_4
所述柱状晶指标计算模型的指标计算训练数据集为：
Figure QLYQS_5
其中，
Figure QLYQS_8
为球状气孔指标计算模型的指标计算训练数据集，
Figure QLYQS_9
为缩孔指标计算模型的指标计算训练数据集，
Figure QLYQS_12
为柱状晶指标计算模型，
Figure QLYQS_7
为球状气孔指标，
Figure QLYQS_10
为缩孔指标，
Figure QLYQS_14
为柱状晶指标，
Figure QLYQS_16
为母材的焊接长度，
Figure QLYQS_6
为母材焊接区域的高度，
Figure QLYQS_11
为焊接电流，
Figure QLYQS_13
为电弧电压，
Figure QLYQS_15
为焊接速度；
所述指标计算训练数据集的输入变量为L、H、I、U和V，所述指标计算训练数据集的输出变量为
Figure QLYQS_17
或
Figure QLYQS_18
或
Figure QLYQS_19
。
6.根据权利要求5所述的一种基于焊接过程预测的强化参数设计方法，其特征在于，所述参数计算模型包括焊缝的压缩形变量计算模型、热处理保温温度计算模型和热处理保温时间计算模型；
所述压缩形变量计算模型的参数计算训练数据集为：
Figure QLYQS_20
所述热处理保温温度计算模型的参数计算训练数据集为：
Figure QLYQS_21
所述热处理保温时间计算模型的参数计算训练数据集为：
Figure QLYQS_22
其中，
Figure QLYQS_23
为压缩形变量计算模型的参数计算训练数据集，
Figure QLYQS_24
为热处理保温温度计算模型的参数计算训练数据集，
Figure QLYQS_25
为热处理保温时间计算模型的参数计算训练数据集，
Figure QLYQS_26
为焊缝的压缩形变量，
Figure QLYQS_27
为热处理保温温度，
Figure QLYQS_28
为热处理保温时间；
所述参数计算训练数据集的输入变量为
Figure QLYQS_29
，所述参数计算训练数据集的输出变量为
Figure QLYQS_30
或
Figure QLYQS_31
或
Figure QLYQS_32
。
7.一种基于焊接过程预测的强化参数生成系统，用于实现如权利要求1-6任一项所述的基于焊接过程预测的强化参数设计方法，其特征在于，包括：
处理器，处理器用于根据采集到的结构参数信息和实时焊接参数进行焊缝结构指标计算、判断焊缝结构指标是否超过预设的第一阈值和根据焊缝结构指标进行焊缝强化参数计算；
存储器，存储器与所述处理器相耦合，所述存储器用于进行指标计算模型、参数计算模型和历史加工过程中的历史焊接参数、历史焊缝结构指标以及历史焊缝强化参数的存储；
数据接收模块，数据接收模块与所述处理器电性连接，所述数据接收模块用于接收焊接工件的焊接过程中的实时焊接参数；
信号输出模块，信号输出模块与所述处理器电性连接，所述信号输出模块用于进行警示信号和焊缝强化参数输出。
8.根据权利要求7所述的一种基于焊接过程预测的强化参数生成系统，其特征在于，所述处理器内部集成有：
指标计算模型单元，所述指标计算模型单元用于进行指标计算模型的训练和调用；
参数计算模型单元，所述参数计算模型单元用于进行参数计算模型的训练和调用；
判断单元，所述判断单元用于进行判断焊缝结构指标是否超过预设的第一阈值；
计算单元，所述计算单元用于调用指标计算模型进行焊缝结构指标计算和调用参数计算模型进行焊缝强化参数计算。
9.一种存储介质，其特征在于，其上存储有计算机可读程序，所述计算机可读程序被调用时执行如权利要求1-6任一项所述的基于焊接过程预测的强化参数设计方法。
CN202211529441.1A 2022-12-01 2022-12-01 基于焊接过程预测的强化参数生成方法、系统及存储介质 Active CN115609180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211529441.1A CN115609180B (zh) 2022-12-01 2022-12-01 基于焊接过程预测的强化参数生成方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211529441.1A CN115609180B (zh) 2022-12-01 2022-12-01 基于焊接过程预测的强化参数生成方法、系统及存储介质

Publications (2)

Publication Number Publication Date
CN115609180A CN115609180A (zh) 2023-01-17
CN115609180B true CN115609180B (zh) 2023-03-10

Family

ID=84880325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211529441.1A Active CN115609180B (zh) 2022-12-01 2022-12-01 基于焊接过程预测的强化参数生成方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN115609180B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116561710B (zh) * 2023-05-12 2024-02-02 西咸新区大熊星座智能科技有限公司 基于数据空间转化的焊接参数迁移学习预测方法
CN117650790B (zh) * 2024-01-30 2024-04-05 苏芯物联技术(南京)有限公司 基于工况智能识别的焊接保护气测量数据压缩存储方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109283378A (zh) * 2018-08-30 2019-01-29 番禺珠江钢管（珠海）有限公司 一种旋转电弧焊缝成形参数检测方法、系统、装置和介质
CN110116254B (zh) * 2019-05-05 2021-07-02 中国石油天然气集团有限公司 油气集输用双金属复合管环焊接头缺陷预测与控制方法
CN110362926B (zh) * 2019-07-17 2023-02-07 佛山科学技术学院 一种基于ansys的铜合金平板对接焊热裂纹预测方法
US20220324060A1 (en) * 2021-04-12 2022-10-13 Branson Ultrasonics Corporation Using Analytics And Algorithms To Predict Weld Quality
CN113199184B (zh) * 2021-07-05 2021-10-08 北京航空航天大学 一种基于改进自适应模糊神经网络的焊缝外形预测方法
CN114218703A (zh) * 2021-12-13 2022-03-22 深圳市浦联智能科技有限公司 基于机器学习的回流焊工艺参数优化方法、装置和设备
CN114519312A (zh) * 2022-02-24 2022-05-20 中车青岛四方机车车辆股份有限公司 焊缝气孔产生倾向的判别方法、装置、设备及产品
CN115216618B (zh) * 2022-06-08 2023-03-10 西南交通大学 一种铁路钢轨焊缝接头磨耗的控制方法及装置

Also Published As

Publication number Publication date
CN115609180A (zh) 2023-01-17

Similar Documents

Publication Publication Date Title
CN115609180B (zh) 基于焊接过程预测的强化参数生成方法、系统及存储介质
CN108803486B (zh) 基于并联深度学习网络的数控机床热误差预测与补偿方法
Chen et al. A parallel strategy for predicting the quality of welded joints in automotive bodies based on machine learning
CN105740551B (zh) 一种焊缝疲劳寿命预测方法
CN107335908B (zh) 用于特征发现的自动化随机方法及其在重复过程中的使用
CN115964797A (zh) 一种基于数字孪生的壁板结构质量问题识别方法
Ren et al. Digital twin for the transient temperature prediction during coaxial one-side resistance spot welding of Al5052/CFRP
Liu et al. Thermal fatigue life prediction method for die casting mold steel based on the cooling cycle
Shi et al. Process monitoring in ultrasonic metal welding of lithium batteries by power signals
CN112100753A (zh) 一种大数据的自冲铆接头关键几何参数的预测系统及方法
CN116227087A (zh) 一种基于有限元法的薄壁件焊接接头拉伸特性预测方法
CN114611369B (zh) 一种多物理场耦合的金属超声焊接数值模拟分析方法
CN116542091A (zh) 一种焊接接头双轴拉伸疲劳试验件设计方法
Xue et al. Improving mechanical properties of 18 mm thick plate friction stir welding joint by combining the thermomechanical-fluid coupled model and partial least squares regression algorithm
CN115455614A (zh) 一种基于ansys的中厚钢板焊接接头尺寸确定方法
Elsanabary et al. Optimization of inertia friction welding of dissimilar polymeric PA6-PVC hollow cylinders by genetic algorithm
Senthilkumar et al. A comparative study of predicting burn off length in continuous drive solid state friction welding for ASTM A516 Steel by regression analysis, fuzzy logic analysis and finite element analysis
Wang et al. Thermal error modeling of a machine tool using data mining scheme
KR20180129280A (ko) 3차원 적층 가공의 실시간 가공 상태 검사와 보정 장치 및 이를 적용한 방법
Escribano-García et al. Improvement in manufacturing welded products through multiple response surface methodology and data mining techniques
Daneshgar et al. Analysis of residual stresses and angular distortion in stiffened cylindrical shell fillet welds using finite element method
CN117790300B (zh) 一种精细线路的动态蚀刻补偿方法
Wen et al. Finite Element Analysis and Simulation Research on Body Welding Hole Shape and Welding Optimization for Automotive Lightweighting
CN117451544A (zh) 一种薄壁电池焊缝疲劳检测方法及系统
CN115618287B (zh) 一种基于小样本数据的电阻点焊质量评价模型的构建方法

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
GR01 Patent grant
GR01 Patent grant