CN116595872B - 基于多目标学习算法的焊接参数自适应预测方法 - Google Patents
基于多目标学习算法的焊接参数自适应预测方法 Download PDFInfo
- Publication number
- CN116595872B CN116595872B CN202310534790.0A CN202310534790A CN116595872B CN 116595872 B CN116595872 B CN 116595872B CN 202310534790 A CN202310534790 A CN 202310534790A CN 116595872 B CN116595872 B CN 116595872B
- Authority
- CN
- China
- Prior art keywords
- welding
- parameters
- data set
- layer
- rule
- 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
Links
- 238000003466 welding Methods 0.000 title claims abstract description 211
- 238000000034 method Methods 0.000 title claims abstract description 196
- 230000003044 adaptive effect Effects 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 63
- 238000012549 training Methods 0.000 claims description 41
- 230000007547 defect Effects 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 33
- 238000005457 optimization Methods 0.000 claims description 30
- 230000007797 corrosion Effects 0.000 claims description 21
- 238000005260 corrosion Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000013441 quality evaluation Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005493 welding type Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 239000002356 single layer Substances 0.000 claims description 6
- 239000002893 slag Substances 0.000 claims description 6
- 230000003068 static effect Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000004140 cleaning Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
Abstract
为了解决现有焊接参数预测方法预测准确度低、预测实时性较低,以及当企业信息库中不含有或新任务中未录入焊件参数时无法生成相应的焊接工艺参数的技术问题,本发明提出了一种基于多目标学习算法的焊接参数自适应预测方法。本发明通过对焊接工件的特征信息进行分析,基于已有的工艺信息库和工艺经验,分析焊接工艺参数的关联关系,利用所提出的基于GA算法的多目标XGBoost模型对焊件信息和焊接工艺参数进行学习,构建焊接工艺全部参数的自适应预测模型,能够高效地对于原始数据库中没有的工艺参数进行较为准确的预测,提高焊接可靠性。
Description
技术领域
本发明涉及工业机器人焊接技术领域,具体涉及一种焊接参数自适应预测方法。
背景技术
随着制造业智能化的转变,制造企业需要能够快速敏捷地响应用户的个性化需求和市场的短周期需求,基于数据驱动的智能化决策技术为这些需求提供了可能。焊接机器人作为制造业中新兴的一部分,越来越受到人们的关注。但是目前焊接机器人存在着焊接参数难以预测、焊接经验难以普及、焊接参数难以评价等问题。这些问题使得焊接机器人的使用需要大量有经验的人员介入,严重制约了焊接机器人技术的应用和发展。因此焊接参数自适应优化已成为焊接机器人领域一项关键的研究内容。
近年来,在焊接参数自适应预测或优化方面的研究主要有:
配天机器人技术有限公司公开的发明专利《一种智能焊接装置、焊接方法以及计算机可读存储介质》(202010734486.7),通过读取计算机存储的工艺参数信息和焊件参数信息,为待加工工件匹配相对应的焊接参数。但是该技术仅构建了参数匹配模型,并未构建焊接参数预测模型,因此需要在系统预设匹配规则的前提下运行,如果新任务的焊件参数信息并未录入,则无法为其产生相对应的焊接工艺参数。
西咸新区大熊星座智能科技有限公司公开的发明专利《焊接工艺匹配调用方法及装置》(202010446654.2),提供了一种基于焊接领域工艺经验模型的参数处理方式,通过预设的工艺参数模型对定量参数数据进行处理,获取焊接工艺参数。该方法所获取的焊接工艺参数主要基于公式的焊接参数预测模型,但是由于焊接类型复杂、参数数量多,这样的参数预测模型在焊接类型发生变化后则需要重新构建公式,而且由于环境的影响,构建的公式无法准确地对参数进行预测。
上海船舶工艺研究所(中国船舶工业集团公司第十一研究所)公开的发明专利《面向船舶焊接工艺规划的参数规则匹配方法》(202111198144.9)通过对船舶焊接工艺规则进行汇总,通过船舶设计软件API接口读取工件设计数据,通过焊缝的设计属性以及其连接的零件外形,提取焊缝的特征信息,然后按照特殊到一般进行优先级降序排列为其匹配表达式计算焊缝特征,若表达式结果为真,则将表达式对应的工艺参数匹配给焊缝。同样的,这种方法是基于规则的焊接参数生成方法,并未构建焊接参数预测模型,如果企业信息库中不含有的焊件参数则无法预测其焊接工艺参数。
经略智能科技(苏州)有限公司公开的发明专利《基于XGBoost机器学习模型的焊接方法》(201810896178.7)提出了一种能够通过焊口质量样本数据,根据XGBoost机器学习模型对焊接参数进行调整,对输油管材进行自动焊接的方法。但是这种机器学习方法只能进行单目标预测,而实际中焊接参数数量很多,单一独立的预测模型无法充分考虑焊接参数之间的关联关系,从而导致参数预测准确度低,进而影响焊接精度。除此之外,由于焊接参数数量较大,预测模型的运算时间成倍增长,往往无法满足运行任务对参数实时预测的需求。
发明内容
为了解决现有焊接参数预测方法预测准确度低、预测实时性较低,以及当企业信息库中不含有或新任务中未录入焊件参数时无法生成相应的焊接工艺参数的技术问题,本发明提出了一种基于多目标学习算法的焊接参数自适应预测方法。
本发明的发明构思是:
本发明通过对焊接工件的特征信息进行分析,基于已有的工艺信息库和工艺经验,分析焊接工艺参数的关联关系,利用所提出的基于GA算法的多目标XGBoost模型对焊件信息和焊接工艺参数进行学习,构建焊接工艺全部参数的自适应预测模型,同时在每次任务结束用更新的工艺库对自适应预测模型进行训练,实现焊件信息的工艺参数预测和自适应预测模型的自动迭代更新。
首先,从现有的工艺信息库中抽取工艺信息表,对工艺信息表中的数据进行数据清洗,得到原始数据集,再对原始数据集进行扩充得到数据更加充分的训练数据集;
然后,利用GA算法对焊接工艺参数排序,并利用GA算法对多目标XGBoost模型进行超参数优化,最终得到焊接参数多目标自适应预测模型。
获取到的多目标自适应预测模型考虑了焊接工艺参数之间的关联关系,在输入新的工件信息后,对其相应的焊接工艺信息进行精确的预测,并且模型包含焊接机器人的全部焊接参数,提高了模型的泛化能力。
最后,通过对实验/实际焊接操作后的焊接结果进行获取,对其进行质量分析评价,将焊接质量与焊接工艺参数进行对应,将其重新输入到自适应预测模型中进行学习,实现对自适应预测模型的迭代优化。
本发明所采用的技术方案是:
基于多目标学习算法的焊接参数自适应预测方法,其特殊之处在于,包括以下步骤:
步骤1:基于企业工艺信息库建立包含工件特征和其所对应的焊接工艺参数的原始数据集;
步骤2:对所述原始数据集进行数据扩充,得到数据更加充分的训练数据集;
步骤3:将传统单目标XGBoost模型中的单层CART回归树改进为能够构架多目标输出的多层Mutli-CART回归树,从而构建出多目标XGBoost模型Multi_XGB;
步骤4:利用所述训练数据集对所述多目标XGBoost模型Multi_XGB进行训练和测试;
步骤5:将当前待加工工件的特征信息集输入到步骤4训练好的多目标XGBoost模型Multi_XGB中,得到与之对应的预测焊接工艺参数。
进一步地,还包括对所述多目标XGBoost模型Multi_XGB进行迭代更新的步骤,具体为:
步骤6:基于步骤5得到的预测焊接工艺参数对工件在实验室/实际焊接之后,采用层次分析法对焊接结果进行焊接质量评价,将评价结果作为焊接质量评价指标;
步骤7:将所述焊接质量评价指标与设定阈值进行比较,若小于设定阈值,则进入步骤8;若大于等于设定阈值,则将当前焊接工艺参数作为最优参数,并放入最优参数优化数据集中,进入步骤9;
步骤8:对当前焊接工艺参数进行调参优化,并基于调参优化后得到的焊接工艺参数开展焊接实验,并根据焊接过程中的实时熔池图像不断对焊接工艺参数进行调整,直到获取到最优参数进入步骤9;
步骤9:将最优参数与其对应的工件特征整合为一条工艺信息,加入到所述训练数据集中,对训练数据集进行更新;
步骤10:利用更新后的训练数据集对当前的多目标XGBoost模型Multi_XGB中进行模型训练,实现模型的迭代更新。
进一步地,所述步骤1具体为:
步骤1.1:从企业工艺信息库中抽取当前工件的特征信息以及与当前工件的工艺类型相同的加工工件的工艺信息表,得到特征信息集Feature和焊接工艺参数:
Feature={fea1,fea2,...,fean};
式中,
fean表示当前待加工工件的特征数据,包括焊接类型、焊接层数、工件的几何参数、工件的材质;
n为当前待加工工件总的特征个数;
步骤1.2:对抽取到的信息进行清洗、整合,得到原始数据集:
式中,
paj,m表示从企业工艺信息库中抽取到的焊件的焊接工艺参数;
feaj,n表示待加工工件(焊件)的特征参数;
m为焊接工艺参数的种类数量;
j为训练数据集的样本数,由抽取到的数据量决定。
进一步地,所述步骤2具体为:
步骤2.1:从企业工艺经验库中抽取工艺经验,包括焊接电流I、电弧电压U和焊接速度v的选取依据;其中:
焊接电流I的选取依据为:
I=(30~50)d
式中,d为焊条直径,单位为mm;焊接电流I的单位为A;
电弧电压U选取依据为:
U=16~25
式中,电弧电压的单位为V;
焊接速度v(单位为cm/min)的选取依据为:
式中,E表示焊缝所需的线能量,单位为J/cm,由焊板厚度和工件结构形式确定;焊接速度v的单位为cm/min;
步骤2.2:根据步骤2.1抽取的工艺经验,构建工艺规则库Rule:
Rule={rule1,rule2,rule3}
式中,rule1表示一条由焊接电流I的选取依据转化成的第一条工艺规则;
rule2表示一条由电弧电压U的选取依据转化成的第二条工艺规则;
rule3表示一条由焊接速度v的选取依据转化成的第三条工艺规则;
步骤2.3根据工艺规则库Rule对步骤1得到的原始数据集Rowdata进行扩充,得到数据更加充分的训练数据集Traindata:
Traindata={rule1(Rowdata),rule2(Rowdata),rule3(Rowdata)}。
进一步地,所述步骤3中将单层CART回归树改进为能够构架多目标输出的多层Mutli-CART回归树的方法是:将CART回归树的输出层由原本的一层更改为多层,原本的输出重新作为下一层的输入以进一步进行决策划分,以此类推,直到得到最后一个输出值。
进一步地,所述步骤4具体为:
利用所述训练数据集,从其中随机选择至少80%的数据作为训练数据,其余作为测试数据,以绝对误差MAE和平均绝对百分比误差MAPE作为评价指标,以GA算法调整参数的优化方向以提升多目标XGBoost模型Multi_XGB的收敛速度,对多目标XGBoost模型Multi_XGB进行调参得到最优模型参数,最终获得训练好的多目标XGBoost模型Multi_XGB。
进一步地,所述步骤6具体为:
步骤6.1:结合国标GB/T 6417.1-2005《金属熔化焊接头缺欠分类及说明》中的规定,根据未焊满、咬边、裂纹、气孔和夹渣这五类焊接缺陷划分情况,构建指标分析数据集EV:
EV={ev1,ev2,...,ev5}
式中,ev1、ev2...和ev5分别指针对第一个、第二个、...和第五个缺陷特征进行分析得到的权重结果;
步骤6.2:按照不同因素之间的相互关联影响和隶属关系进行不同层次组合,构建层次分析模型;所述层次分析模型包括自上之下设置的目标层、准则层、子准则层和因子层;目标层为焊接质量评价;准则层包括结构负载强度和耐腐蚀性能,即从结构负载强度和耐腐蚀性能这两方面对焊接质量进行评价;子准则层包括静载强度、疲劳强度、缝隙腐蚀和应力腐蚀,静载强度和疲劳强度隶属于准则层中的结构负载强度,缝隙腐蚀和应力腐蚀隶属于准则层中的耐腐蚀性能;因子层为与子准则层中各参数相关的焊接缺陷,包括气孔缺陷、裂纹缺陷、夹渣缺陷、未焊满缺陷和咬边缺陷;
步骤6.3:基于步骤6.2构建的层次分析模型,分别针对目标层、准则层、子准则层构建一致性判断矩阵,并计算构建好的各个一致性判断矩阵的一致性指标Q与平均随机性指标I,在此基础之上得到一致性比率R,若R<设定值则表示步骤6.1构建的指标分析数据集EV中各缺陷特征对应的权重通过一致性检验;如果R≥设定值,则需要对步骤6.1构建的指标分析数据集EV进行修正,直至其通过一致性检验为止;
步骤6.4:将通过一致性检验的指标分析数据集EV输入步骤6.2构建好的层次分析模型中,得到最终的评价指标G。
本发明还提供了一种存储介质,所述存储介质上存储有计算机程序;其特殊之处在于:所述计算机程序被处理器运行时执行上述的方法。
本发明还提供了一种电子设备,包括处理器和存储介质;所述存储介质上存储有计算机程序;其特殊之处在于:所述计算机程序被所述处理器运行时执行上述的方法。
与现有技术相比,本发明的优点是:
1.本发明通过基于经验的集成学习算法,对工艺信息进行了学习,能够高效地对于原始数据库中没有的工艺参数进行较为准确的预测,提高焊接可靠性;通过质量分析和参数优化,进一步对构建好的参数预测模型进行优化,实现模型的循环迭代,提高参数预测精度。
2.目前使用的XGBoost模型为单目标模型XGB,只能进行单参数分类或单目标回归,应用过程中进行多目标预测往往只能对所有目标构建相互独立的模型,针对具有强关联关系的多个焊接参数时则会降低整体模型预测的准确性,容易陷入局部最优解,因此不适用于对焊接参数进行预测。而本发明采用的XGBoost为改进的多目标模型Multi_XGB,且在模型建立时考虑了焊接参数之间的关联关系,能够有效提高预测的准确率,而且较之传统多个并行的独立单目标模型,本发明的模型训练时间和复杂度更低。
3.焊接机器人的工艺参数输入往往涉及到20以上的工艺参数,由于模型复杂度的限制,现有的焊接参数预测模型往往仅考虑了一部分的影响因素,以降低模型运算时间,这样获取到的预测模型无法考虑到全部的参数,使得模型预测的参数仅能应用在特定的环境,缺乏普遍性。而本发明所提出的Multi_XGB模型,能够对焊接过程中所涉及的全部参数进行训练和预测,提高了模型的适用范围。
4.焊接机器人工艺环境复杂、参数多。传统的XGB模型训练方法是通过遍历参数集,以确定合适超参数,这样会显著增加模型的训练时间和复杂度。而本发明发现焊接机器人的输出参数具有一定的关联性,比如单边停留时间最大值和最小值呈现正相关,因此可以将其作为同一输出参数同时进行预测,因此,本发明在对多目标XGBoost模型Multi_XGB进行训练时,通过GA算法调整参数的优化方向(包括确定多目标XGBoost模型Multi_XGB的学习率、深度、正则项大小、最小粒子数、输出参数的预测顺序和迭代次数),能够更快地使模型收敛,提高模型训练效率,满足预测的实时性要求。
附图说明
图1是本发明方法的总体框架图。
图2是本发明方法的层次分析图。
图3是本发明方法的Multi_XGB模型模型示意图。
具体实施方式
下面结合实例和附图对本发明作进一步详细说明。
本发明提出了一种基于多目标学习算法的焊接参数自适应预测方法,目的是通过集成学习的方式,学习焊接工件参数与焊接工艺参数之间的关系,实现对新工件的焊接工艺参数预测,并通过质量分析进行参数优化,实现参数预测模型的迭代更新。具体实施步骤如下:
步骤1:基于企业工艺信息库建立包含工件特征和其所对应的焊接工艺参数的原始数据集Rowdata
步骤1.1根据新工件的工艺类型,通过企业的API接口,从企业工艺信息库中抽取当前工件的特征信息以及与当前工件工艺类型相同的加工工件的工艺信息表,得到相应的特征信息集Feature和焊接工艺参数,Feature={fea1,fea2,...,fean};式中,fean表示当前待加工工件的特征数据,包括焊接类型、焊接层数、工件的几何参数、工件的材质,n为当前待加工工件总的特征个数;所述工艺类型根据工件的材质、应用场景和焊接质量要求划分,包括MAG焊、TIG焊和MIG焊;
步骤1.2对步骤1.1抽取的数据进行数据清洗,删除其中存在的超出阈值、重复、缺失、异常的数据,整合得到包含工件特征和其所对应的焊接工艺参数的原始数据集Rowdata:
式中,paj,m表示从企业工艺信息库中抽取到的焊件的焊接工艺参数,feaj,n表示待加工工件(焊件)的特征参数,m为焊接工艺参数的种类数量,j为训练数据集的样本数,由抽取到的数据量决定。
步骤2:对原始数据集Rowdata进行扩充,得到训练数据集Traindata
步骤2.1从企业工艺经验库中抽取工艺经验,包括焊接电流I、电弧电压U和焊接速度v的选取依据;其中:
焊接电流I(单位为A)的选取依据为:
I=(30~50)d
式中,d为焊条直径,单位为mm。
电弧电压U(单位为V)选取依据为:
U=16~25
焊接速度v(单位为cm/min)的选取依据为:
式中,E表示焊缝所需的线能量,单位为J/cm,一般由焊板厚度和工件结构形式确定。
步骤2.2根据步骤2.1抽取的工艺经验,构建工艺规则库Rule:
Rule={rule1,rule2,rule3}
式中,rule1表示一条由焊接电流I的选取依据转化成的第一条工艺规则;rule2表示一条由电弧电压U的选取依据转化成的第二条工艺规则;rule3表示一条由焊接速度v的选取依据转化成的第三条工艺规则;
步骤2.3根据工艺规则库Rule对步骤1得到的原始数据集Rowdata进行扩充,得到数据更加充分的训练数据集Traindata:
Traindata={rule1(Rowdata),rule2(Rowdata),rule3(Rowdata)}。
步骤3:构建多目标XGBoost模型Multi_XGB
本步骤在传统单目标XGBoost模型的基础上,更改传统单目标XGBoost模型中的树结构,将原本的单层CART回归树改进为能够构架多目标输出的多层Mutli-CART回归树,得到多目标GBoost模型Multi_XGB。
将单层CART回归树改进为多层Mutli-CART回归树的方法具体是:将CART回归树的输出层由原本的一层更改为多层,原本的输出重新作为下一层的输入以进一步进行决策划分,以此类推,直到得到最后一个输出值。如图3所示,在回归模型中第一个输出参数output1(例如焊接电流)被预测出后,第二个输出参数output2(例如焊接电压)需要在第一个输出参数output1的基础上充分考虑所有输入参数input1、input2...、inputi来进行预测,以此类推,最终获得所有的焊接工艺参数。由于后一个预测参数是在前一个参数的基础上进行预测的,考虑了输出参数之间的互相影响,因此预测更准确,也更高效。
步骤4:对多目标XGBoost模型Multi_XGB进行训练
利用步骤2.3获取到的训练数据集Traindata,从其中随机选择80%作为训练数据,其余作为测试数据,以绝对误差MAE和平均绝对百分比误差MAPE作为评价指标,以GA算法调整参数的优化方向(即确定多目标XGBoost模型Multi_XGB的学习率、深度、正则项大小、最小粒子数、输出参数的预测顺序和迭代次数)以提升多目标XGBoost模型Multi_XGB的收敛速度,对多目标XGBoost模型Multi_XGB进行调参得到最优模型参数,最终获得训练好的多目标XGBoost模型Multi_XGB。
MAE=∑∑|paj,m-prej,m|
式中,prej,m为多目标XGBoost模型Multi_XGB输出的与输入的测试数据对应的焊件的预测焊接工艺参数。
步骤5:焊接参数预测
将当前待加工工件的特征信息集Feature输入到训练好的多目标XGBoost模型Multi_XGB中,可以得到与之对应的预测焊接工艺参数Params,基于该预测焊接参数对工件进行焊接。
Params={pa1,pa2,...,pam}
式中,pam为新的工件对应的工艺参数。
步骤6:焊接质量评价
基于步骤5得到的预测焊接工艺参数在实验室/实际焊接之后,依据国标GB/T6417.1-2005获取焊接质量逐项指标的分析数据集EV,通过层次分析法(AHP)对焊接结果进行评价,将层次分析法的评价结果作为预测焊接参数的评价指标G。
具体包括以下步骤:
步骤6.1:基于在实验室/实际焊接得到的数据,结合焊接领域公知知识,获取焊接质量判定准则与子准则,以及影响焊接质量的因素。结合国标GB/T 6417.1-2005《金属熔化焊接头缺欠分类及说明》中的规定,根据“未焊满”(国标代号GB/T6417.1-511)、“咬边”(国标代号GB/T6417.1-5011)、“裂纹”(国标代号GB/T6417.1-100)、“气孔”(国标代号GB/T6417.1-2017)和“夹渣”(国标代号GB/T6417.1-300)这五类焊接缺陷划分情况,构建指标分析数据集EV,并按照缺陷的分级情况对数据进行评价。以“咬边”缺陷为例,针对长度范围处于≤0.05δ且≤0.05mm与≤0.1δ且≤1mm的缺陷给予较高权重评价,对于缺陷长度处于其他范围的咬边缺陷给予较低权重评价。
EV={ev2,ev2,...,ev5}
式中,ev2、ev2...和ev5分别指针对第一个、第二个、...和第五个缺陷特征进行分析得到的权重结果。
步骤6.2:按照不同因素之间的相互关联影响和隶属关系进行不同层次组合,构建层次分析模型如图2所示,该层次分析模型包括自上之下设置的目标层、准则层、子准则层和因子层;目标层为焊接质量评价;准则层包括结构负载强度和耐腐蚀性能,即从结构负载强度和耐腐蚀性能这两方面对焊接质量进行评价;子准则层包括静载强度、疲劳强度、缝隙腐蚀和应力腐蚀,静载强度和疲劳强度隶属于准则层中的结构负载强度,缝隙腐蚀和应力腐蚀隶属于准则层中的耐腐蚀性能;因子层为与子准则层中各参数相关的焊接缺陷,包括气孔缺陷、裂纹缺陷、夹渣缺陷、未焊满缺陷和咬边缺陷。
步骤6.3:基于步骤6.2构建的层次分析模型,分别针对目标层、准则层、子准则层构建一致性判断矩阵(共构建三个一致性判断矩阵),并计算构建好的各个一致性判断矩阵的一致性指标Q与平均随机性指标I,在此基础之上得到一致性比率R,若R<设定值(一般取0.1)则表示步骤6.1构建的指标分析数据集EV中各缺陷特征对应的权重通过一致性检验;如果R≥设定值,则需要对步骤6.1构建的指标分析数据集EV进行修正,直至其通过一致性检验为止。
步骤6.4:将通过一致性检验的指标分析数据集EV输入步骤6.2构建好的层次分析模型中,则可得到最终的评价指标G。后续仅对评价指标G小于阈值(阈值一般设定为0.8)的焊接工艺参数方案进行参数优化处理即可。
步骤7:多目标XGBoost模型Multi_XGB和工艺经验库的迭代优化
对评价指标G小于阈值的参数方案进行参数优化处理。针对步骤6中获取到的分析数据集EV,从企业工艺经验库中抽取相应的焊接工艺参数优化方法,构建分析数据集EV的参数优化数据集OPT,并基于参数优化数据集OPT进行焊接实验并实时调整,直到获取到最优的参数优化数据集OPTbest,将该最优的参数优化数据集OPTbest重新输入到当前的多目标XGBoost模型Multi_XGB中进行训练,将焊接工艺参数的最优的参数优化数据集OPTbest重新输入到企业工艺经验库中,返回步骤2得到最新的训练数据集,将最新的训练数据集重新训练,实现多目标XGBoost模型Multi_XGB和工艺经验库的迭代优化。
步骤7.1:根据步骤6.1得到的指标分析数据集EV中分析得到的各个工艺参数的缺陷数据,从企业工艺经验库中抽取相对应的焊接工艺参数优化方法,基于抽取的参数优化方法构建参数优化数据集OPT,基于参数优化数据集OPT进行焊接实验,并根据焊接过程中的实时熔池图像不断对焊接工艺参数进行调整,直到获取到最优的参数优化数据集OPTbest。
OPT={opt1,opt2,...,optm}
OPTbest={optbest,1,optbest,2,...,optbest,m}
式中,optm代表针对焊接工艺参数调整的结果,m为焊接工艺参数的个数。
步骤7.2:将步骤7.1获取到的OPTbest及步骤1获取的当前待加工工件的特征数据整合成为一条新的工艺信息,将其加入到训练数据集Traindata中,重新将加入新的工艺信息后的训练数据集Traindata输入到多目标XGBoost模型Multi_XGB中进行模型训练,实现参数预测模型Multi_XGB的更新。
Claims (7)
1.基于多目标学习算法的焊接参数自适应预测方法,其特征在于,包括以下步骤:
步骤1:基于企业工艺信息库建立包含工件特征和其所对应的焊接工艺参数的原始数据集;
步骤2:对所述原始数据集进行数据扩充,得到数据更加充分的训练数据集;
步骤3:将传统单目标XGBoost模型中的单层CART回归树改进为能够构架多目标输出的多层Mutli-CART回归树,从而构建出多目标XGBoost模型Multi_XGB;将单层CART回归树改进为能够构架多目标输出的多层Mutli-CART回归树的方法是:将CART回归树的输出层由原本的一层更改为多层,原本的输出重新作为下一层的输入以进一步进行决策划分,以此类推,直到得到最后一个输出值;
步骤4:利用所述训练数据集对所述多目标XGBoost模型Multi_XGB进行训练和测试;
步骤5:将当前待加工工件的特征信息集输入到步骤4训练好的多目标XGBoost模型Multi_XGB中,得到与之对应的预测焊接工艺参数;
步骤6:基于步骤5得到的预测焊接工艺参数对工件在实验室/实际焊接之后,采用层次分析法对焊接结果进行焊接质量评价,将评价结果作为焊接质量评价指标;
步骤7:将所述焊接质量评价指标与设定阈值进行比较,若小于设定阈值,则进入步骤8;若大于等于设定阈值,则将当前焊接工艺参数作为最优参数,并放入最优参数优化数据集中,进入步骤9;
步骤8:对当前焊接工艺参数进行调参优化,并基于调参优化后得到的焊接工艺参数开展焊接实验,并根据焊接过程中的实时熔池图像不断对焊接工艺参数进行调整,直到获取到最优参数进入步骤9;
步骤9:将最优参数与其对应的工件特征整合为一条工艺信息,加入到所述训练数据集中,对训练数据集进行更新;
步骤10:利用更新后的训练数据集对当前的多目标XGBoost模型Multi_XGB中进行模型训练,实现模型的迭代更新。
2.根据权利要求1所述的基于多目标学习算法的焊接参数自适应预测方法,其特征在于:所述步骤1具体为:
步骤1.1:从企业工艺信息库中抽取当前工件的特征信息以及与当前工件的工艺类型相同的加工工件的工艺信息表,得到特征信息集Feature和焊接工艺参数:
Feature={fea1,fea2,...,fean};
式中,
fean表示当前待加工工件的特征数据,包括焊接类型、焊接层数、工件的几何参数和工件的材质;
n为当前待加工工件总的特征个数;
步骤1.2:对抽取到的信息进行清洗和整合,得到原始数据集:
式中,
paj,m表示从企业工艺信息库中抽取到的焊件的焊接工艺参数;
feaj,n表示待加工工件的特征参数;
m为焊接工艺参数的种类数量;
j为训练数据集的样本数,由抽取到的数据量决定。
3.根据权利要求1所述的基于多目标学习算法的焊接参数自适应预测方法,其特征在于:所述步骤2具体为:
步骤2.1:从企业工艺经验库中抽取工艺经验,包括焊接电流I、电弧电压U和焊接速度v的选取依据;其中:
焊接电流I的选取依据为:
I=(30~50)d
式中,d为焊条直径,单位为mm;焊接电流I的单位为A;
电弧电压U选取依据为:
U=16~25
式中,电弧电压的单位为V;
焊接速度v的选取依据为:
式中,E表示焊缝所需的线能量,单位为J/cm,由焊板厚度和工件结构形式确定;焊接速度v的单位为cm/min;
步骤2.2:根据步骤2.1抽取的工艺经验,构建工艺规则库Rule:
Rule={rule1,rule2,rule3}
式中,rule1表示一条由焊接电流I的选取依据转化成的第一条工艺规则;
rule2表示一条由电弧电压U的选取依据转化成的第二条工艺规则;
rule3表示一条由焊接速度v的选取依据转化成的第三条工艺规则;
步骤2.3根据工艺规则库Rule对步骤1得到的原始数据集Rowdata进行扩充,得到数据更加充分的训练数据集Traindata:
Traindata={rule1(Rowdata),rule2(Rowdata),rule3(Rowdata)}。
4.根据权利要求1所述的基于多目标学习算法的焊接参数自适应预测方法,其特征在于:所述步骤4具体为:
利用所述训练数据集,从其中随机选择至少80%的数据作为训练数据,其余作为测试数据,以绝对误差MAE和平均绝对百分比误差MAPE作为评价指标,以GA算法调整参数的优化方向以提升多目标XGBoost模型Multi_XGB的收敛速度,对多目标XGBoost模型Multi_XGB进行调参得到最优模型参数,最终获得训练好的多目标XGBoost模型Multi_XGB。
5.根据权利要求1所述的基于多目标学习算法的焊接参数自适应预测方法,其特征在于:所述步骤6具体为:
步骤6.1:根据未焊满、咬边、裂纹、气孔和夹渣这五类焊接缺陷划分情况,构建指标分析数据集EV:
EV=(ev1,ev2,...,evs}
式中,ev1、ev2...和ev5分别指针对第一个、第二个、...和第五个缺陷特征进行分析得到的权重结果;
步骤6.2:按照不同因素之间的相互关联影响和隶属关系进行不同层次组合,构建层次分析模型;所述层次分析模型包括自上至下设置的目标层、准则层、子准则层和因子层;目标层为焊接质量评价;准则层包括结构负载强度和耐腐蚀性能,即从结构负载强度和耐腐蚀性能这两方面对焊接质量进行评价;子准则层包括静载强度、疲劳强度、缝隙腐蚀和应力腐蚀,静载强度和疲劳强度隶属于准则层中的结构负载强度,缝隙腐蚀和应力腐蚀隶属于准则层中的耐腐蚀性能;因子层为与子准则层中各参数相关的焊接缺陷,包括气孔缺陷、裂纹缺陷、夹渣缺陷、未焊满缺陷和咬边缺陷;
步骤6.3:基于步骤6.2构建的层次分析模型,分别针对目标层、准则层、子准则层构建一致性判断矩阵,并计算构建好的各个一致性判断矩阵的一致性指标Q与平均随机性指标I,在此基础之上得到一致性比率R,若R<设定值则表示步骤6.1构建的指标分析数据集EV中各缺陷特征对应的权重通过一致性检验;如果R≥设定值,则需要对步骤6.1构建的指标分析数据集EV进行修正,直至其通过一致性检验为止;
步骤6.4:将通过一致性检验的指标分析数据集EV输入步骤6.2构建好的层次分析模型中,得到最终的评价指标G。
6.存储介质,所述存储介质上存储有计算机程序;其特征在于:所述计算机程序被处理器运行时执行权利要求1-5任一所述的方法。
7.电子设备,包括处理器和存储介质;所述存储介质上存储有计算机程序;其特征在于:所述计算机程序被所述处理器运行时执行权利要求1-5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534790.0A CN116595872B (zh) | 2023-05-12 | 2023-05-12 | 基于多目标学习算法的焊接参数自适应预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310534790.0A CN116595872B (zh) | 2023-05-12 | 2023-05-12 | 基于多目标学习算法的焊接参数自适应预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116595872A CN116595872A (zh) | 2023-08-15 |
CN116595872B true CN116595872B (zh) | 2024-02-02 |
Family
ID=87600195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310534790.0A Active CN116595872B (zh) | 2023-05-12 | 2023-05-12 | 基于多目标学习算法的焊接参数自适应预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116595872B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108817724A (zh) * | 2018-08-08 | 2018-11-16 | 经略智能科技(苏州)有限公司 | 基于XGBoost机器学习模型的焊接方法 |
CN111161244A (zh) * | 2019-12-30 | 2020-05-15 | 华南理工大学 | 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法 |
CN112330050A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 |
CN114529063A (zh) * | 2022-01-28 | 2022-05-24 | 中银金融科技有限公司 | 一种基于机器学习的金融领域数据预测方法、设备及介质 |
CN114565139A (zh) * | 2022-02-15 | 2022-05-31 | 大唐互联科技(武汉)有限公司 | 基于lstm模型的汽车车身焊接工艺质量评分预测方法及装置 |
CN114595625A (zh) * | 2022-01-25 | 2022-06-07 | 天津大学 | 一种基于数据驱动方法的焊接结构疲劳性能分析方法 |
WO2023280316A1 (zh) * | 2021-07-09 | 2023-01-12 | 杨光 | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220324060A1 (en) * | 2021-04-12 | 2022-10-13 | Branson Ultrasonics Corporation | Using Analytics And Algorithms To Predict Weld Quality |
-
2023
- 2023-05-12 CN CN202310534790.0A patent/CN116595872B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108817724A (zh) * | 2018-08-08 | 2018-11-16 | 经略智能科技(苏州)有限公司 | 基于XGBoost机器学习模型的焊接方法 |
CN111161244A (zh) * | 2019-12-30 | 2020-05-15 | 华南理工大学 | 基于FCN+FC-WXGBoost的工业产品表面缺陷检测方法 |
CN112330050A (zh) * | 2020-11-20 | 2021-02-05 | 国网辽宁省电力有限公司营口供电公司 | 一种基于双层XGBoost考虑多特征的电力系统负荷预测方法 |
WO2023280316A1 (zh) * | 2021-07-09 | 2023-01-12 | 杨光 | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 |
CN114595625A (zh) * | 2022-01-25 | 2022-06-07 | 天津大学 | 一种基于数据驱动方法的焊接结构疲劳性能分析方法 |
CN114529063A (zh) * | 2022-01-28 | 2022-05-24 | 中银金融科技有限公司 | 一种基于机器学习的金融领域数据预测方法、设备及介质 |
CN114565139A (zh) * | 2022-02-15 | 2022-05-31 | 大唐互联科技(武汉)有限公司 | 基于lstm模型的汽车车身焊接工艺质量评分预测方法及装置 |
Non-Patent Citations (3)
Title |
---|
A dynamic prediction method of transient temperature in friction stir welding process;Yan Fang等;《Measurement》;第200卷;1-12 * |
基于XGBoost的无线传播预测模型;朱家鹏;段宇帅;;软件导刊(第08期);35-39 * |
焊接机器人特征参数预测方法的研究综述与展望;吴月玉等;《机床与液压》;第49卷(第15期);168-173, 199 * |
Also Published As
Publication number | Publication date |
---|---|
CN116595872A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhas et al. | Optimization of parameters of submerged arc weld using non conventional techniques | |
CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
CN114969553B (zh) | 一种基于知识图谱的焊接成本和工艺参数综合智能推荐方法 | |
CN113762410B (zh) | 基于机器学习的关键焊接工艺参数预测方法 | |
CN111652271A (zh) | 一种基于神经网络的非线性特征选择方法 | |
Vimal et al. | Optimization of process parameters of SMAW process using NN-FGRA from the sustainability view point | |
Azadi Moghaddam et al. | Simultaneous optimization of joint edge geometry and process parameters in gas metal arc welding using integrated ANN-PSO approach | |
CN116900582B (zh) | 一种具有参数预测功能的焊接机器人 | |
CN116595872B (zh) | 基于多目标学习算法的焊接参数自适应预测方法 | |
Xiao et al. | Research on recognition methods of spot-welding surface appearances based on transfer learning and a lightweight high-precision convolutional neural network | |
CN116561710B (zh) | 基于数据空间转化的焊接参数迁移学习预测方法 | |
Ding et al. | A big data based cost prediction method for remanufacturing end-of-life products | |
Zhang et al. | Intelligent design of robotic welding process parameters using learning-based methods | |
Guo et al. | Joint multi-objective dynamic scheduling of machine tools and vehicles in a workshop based on digital twin | |
Wei et al. | Manufacturing data-driven process adaptive design method | |
Kim et al. | A review on optimizations of welding parameters in GMA welding process | |
Kim et al. | Optimization of a gas metal arc welding process using the desirability function and the genetic algorithm | |
Lin | Optimizing the auto-brazing process quality of aluminum pipe and flange via a Taguchi-Neural-Genetic approach | |
Wang et al. | GMAW welding procedure expert system based on machine learning | |
Chandra et al. | A comparative study of machine learning algorithms in the prediction of bead geometry in wire-arc additive manufacturing | |
CN114970813A (zh) | 一种溶解氧浓度数据修复及预报方法 | |
Nautiyal et al. | Optimal designs by means of genetic algorithms | |
Ma et al. | Weld geometry monitoring for metal inert gas welding process with galvanized steel plates using Bayesian network | |
Chandra et al. | Deep learning for anomaly detection in wire-arc additive manufacturing | |
Choudhury et al. | Electron Beam Welding Investigation of Inconel 825 and Optimize Energy Consumption Using Integrated Fuzzy Logic-Particle Swarm Optimization Approach |
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 |