一种对接接头焊接角变形预测和控制方法及装置制造方法及图纸

本发明专利技术涉及一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法及装置，其中方法包括：建立MAG焊对接接头有限元模型，并通过实验对模型进行修正；焊接角变形预测；焊接角变形控制；其中，焊接角变形预测和控制分别包括以下步骤：选取设计变量，并基于正交试验统计角变形大小；基于设计变量和角变形大小确定神经网络模型结构并进行训练；基于GA遗传算法，以角变形大小作为个体适应度，对神经网络模型进行优化；基于优化后的模型进行变形预测或控制。与现有技术相比，本发明专利技术具有能够快速获得对接接头的变形量及控制变形等优点。优点。优点。

【技术实现步骤摘要】
一种对接接头焊接角变形预测和控制方法及装置


[0001]本专利技术涉及焊接变形控制领域，尤其是涉及一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法及装置。

技术介绍

[0002]由于焊接热输入的不均匀性，导致焊后会产生焊接变形。焊接变形对工件的使用安全和安装配置都有较大的影响。因此对于焊接变形的预测和控制具有很大的工程意义。但焊接变形与多个因素有关，通常需要经验丰富的工程师针对不同的焊接工艺参数进行调节，不断进行相关工艺参数的优化。这种依靠人员的方式通常会导致生产成本的提高和工艺设计效率的下降。
[0003]使用有限元模拟可以在一定程度上解决依靠经验判断存在的问题。但有限元模拟对于大型或者复杂工件存在计算时间长等问题，因此不利于不同类型大批量焊接生产的情况。
[0004]人工神经网络是利用工程技术模仿人脑神经网络的计算模型，具有强大的自适应学习能力，可以通过对输入输出之间建立高度非线性的关系，从而形成映射。目前未有技术将人工神经网络引入焊接变形控制与预测中，因此提出一种基于人工神经网络的快速和准确预测和控制焊接变形是目前工程上急需解决的问题之一。

技术实现思路

[0005]本专利技术的目的就是为了提供一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法及装置，对不同工艺参数下的对接接头焊接角变形进行预测，从而为对接接头的变形控制提供一种快速而精确的指导。
[0006]本专利技术的目的可以通过以下技术方案来实现：
[0007]一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法，包括以下步骤：
[0008]S1：建立MAG焊对接接头有限元模型，并通过实验对模型进行修正；
[0009]S2：焊接角变形预测：
[0010]S21：选取工艺参数作为第一设计变量，在第一设计变量的取值范围内选取若干水平，设计正交试验表，实施正交试验方案，根据每个试验组的参数进行有限元模拟，并统计有限元模拟后模型中心截面上的第一角变形大小；
[0011]S22：以第一设计变量作为预测神经网络模型的输入参数，第一角变形大小作为输出参数，构建训练集和测试集；
[0012]S23：基于预测神经网络输入参数和输出参数确定预测神经网络模型的结构，并进行训练和测试，直到测试样本的神经网络预测输出值和实际值的均方误差在预配置的允许范围内；
[0013]S24：以第一设计变量组成种群个体，以第一角变形大小为个体适应度，使用GA遗
传算法获取初始权值和阈值并进行适应度计算，获取适应度的最优解，对神经网络进行优化，并对比优化后的预测结果与实验结果，若结果差异超过阈值则返回S23，重新构建预测神经网络模型并进行GA遗传算法的优化求解；
[0014]S25：基于优化后的预测神经网络模型进行焊接角变形预测；
[0015]S3：焊接角变形控制：
[0016]S31：以S21中选取的工艺参数以及第一角变形大小的倍数作为第二设计变量，在第二设计变量的取值范围内选取若干水平，设计正交试验表，实施正交试验方案，根据每个实验组的参数进行有限元模拟，统计有限元模拟后模型中心截面上施加反变形后的第二角变形大小；
[0017]S32：以第二设计变量作为控制神经网络的输入参数，以第二角变形大小作为输出参数，构建训练集和测试集；
[0018]S33：基于控制神经网络输入参数和输出参数确定控制神经网络模型的结构，并进行训练和测试，直到测试样本的神经网络预测输出值和实际值的均方误差在预配置的允许范围内；
[0019]S34：以第二设计变量组成种群个体，以第二角变形大小为个体适应度，使用GA遗传算法获取初始权值和阈值并进行适应度计算，获取适应度的最优解，从而对神经网络进行优化，并对比优化后的预测结果与实验结果，若结果差异超过阈值则返回S33，重新构建控制神经网络模型并进行GA遗传算法的优化求解；
[0020]S35：基于优化后的控制神经网络模型实现焊接角变形控制。
[0021]所述工艺参数包括焊板长度、焊板厚度、焊板宽度、焊接速度、预热温度和焊接热输入。
[0022]所述设计变量的取值范围具体为：焊板长度L的取值范围为50～400mm，焊板厚度H的取值范围为7～16mm，焊接速度S的取值范围为4～16mm/s，预热温度T的取值范围为20～300℃，焊接热输入为电流和电压乘积，其中电流I的取值范围为240～320A，电压U的取值范围为24～32V；第一角变形大小A的倍数C的取值范围为0.9～1.3。
[0023]所述预测神经网络模型的结构为：
[0024]定义输入层神经元个数为n，输出层神经元个数为m，其中输入层和输出层神经元的个数分别为输入变量和输出变量的个数，即n＝6，m＝1；
[0025]定义神经网络模型隐藏层层数为两层，第一层隐藏层神经元个数为9，第二层隐藏层神经元个数为12；
[0026]选择relu函数作为输入层和隐藏层、隐藏层和输出层之间的传递函数，选择adam函数作为反向传递误差的训练函数。
[0027]所述控制神经网络模型的结构为：
[0028]定义输入层神经元个数为p，输出层神经元个数为q，其中输入层和输出层神经元的个数分别为输入变量和输出变量的个数，即p＝7，q＝1；
[0029]定义神经网络模型隐藏层层数为两层，第一层隐藏层神经元个数为13，第二层隐藏层神经元个数为15；
[0030]选择relu函数作为输入层和隐藏层、隐藏层和输出层之间的传递函数，选择adam函数作为反向传递误差的训练函数。
[0031]一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制装置，包括：
[0032]对接接头有限元模型构建及修正模块，用于建立MAG焊对接接头有限元模型，并通过实验对模型进行修正；
[0033]焊接角变形预测模块，用于执行以下步骤：
[0034]S21：选取工艺参数作为第一设计变量，在第一设计变量的取值范围内选取若干水平，设计正交试验表，实施正交试验方案，根据每个试验组的参数进行有限元模拟，并统计有限元模拟后模型中心截面上的第一角变形大小；
[0035]S22：以第一设计变量作为预测神经网络模型的输入参数，第一角变形大小作为输出参数，构建训练集和测试集；
[0036]S23：基于预测神经网络输入参数和输出参数确定预测神经网络模型的结构，并进行训练和测试，直到测试样本的神经网络预测输出值和实际值的均方误差在预配置的允许范围内；
[0037]S24：以第一设计变量组成种群个体，以第一角变形大小为个体适应度，使用GA遗传算法获取初始权值和阈值并进行适应度计算，获取适应度的最优解，对神经网络进行优化，并对比优化后的预测结果与实验结果，若结果差异超过阈值则返回S23，重新构建预测神经网络模型并进行GA遗传算法的优化求解；
[0038]S25：基于优化后的预测神经网络模型进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法，其特征在于，包括以下步骤：S1：建立MAG焊对接接头有限元模型，并通过实验对模型进行修正；S2：焊接角变形预测：S21：选取工艺参数作为第一设计变量，在第一设计变量的取值范围内选取若干水平，设计正交试验表，实施正交试验方案，根据每个试验组的参数进行有限元模拟，并统计有限元模拟后模型中心截面上的第一角变形大小；S22：以第一设计变量作为预测神经网络模型的输入参数，第一角变形大小作为输出参数，构建训练集和测试集；S23：基于预测神经网络输入参数和输出参数确定预测神经网络模型的结构，并进行训练和测试，直到测试样本的神经网络预测输出值和实际值的均方误差在预配置的允许范围内；S24：以第一设计变量组成种群个体，以第一角变形大小为个体适应度，使用GA遗传算法获取初始权值和阈值并进行适应度计算，获取适应度的最优解，对神经网络进行优化，并对比优化后的预测结果与实验结果，若结果差异超过阈值则返回S23，重新构建预测神经网络模型并进行GA遗传算法的优化求解；S25：基于优化后的预测神经网络模型进行焊接角变形预测；S3：焊接角变形控制：S31：以S21中选取的工艺参数以及第一角变形大小的倍数作为第二设计变量，在第二设计变量的取值范围内选取若干水平，设计正交试验表，实施正交试验方案，根据每个实验组的参数进行有限元模拟，统计有限元模拟后模型中心截面上施加反变形后的第二角变形大小；S32：以第二设计变量作为控制神经网络的输入参数，以第二角变形大小作为输出参数，构建训练集和测试集；S33：基于控制神经网络输入参数和输出参数确定控制神经网络模型的结构，并进行训练和测试，直到测试样本的神经网络预测输出值和实际值的均方误差在预配置的允许范围内；S34：以第二设计变量组成种群个体，以第二角变形大小为个体适应度，使用GA遗传算法获取初始权值和阈值并进行适应度计算，获取适应度的最优解，从而对神经网络进行优化，并对比优化后的预测结果与实验结果，若结果差异超过阈值则返回S33，重新构建控制神经网络模型并进行GA遗传算法的优化求解；S35：基于优化后的控制神经网络模型实现焊接角变形控制。2.根据权利要求1所述的一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法，其特征在于，所述工艺参数包括焊板长度、焊板厚度、焊板宽度、焊接速度、预热温度和焊接热输入。3.根据权利要求2所述的一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法，其特征在于，所述设计变量的取值范围具体为：焊板长度L的取值范围为50～400mm，焊板厚度H的取值范围为7～16mm，焊接速度S的取值范围为4～16mm/s，预热温度T的取值范围为20～300℃，焊接热输入为电流和电压乘积，其中电流I的取值范围为240～
320A，电压U的取值范围为24～32V；第一角变形大小A的倍数C的取值范围为0.9～1.3。4.根据权利要求2所述的一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法，其特征在于，所述预测神经网络模型的结构为：定义输入层神经元个数为n，输出层神经元个数为m，其中输入层和输出层神经元的个数分别为输入变量和输出变量的个数，即n＝6，m＝1；定义神经网络模型隐藏层层数为两层，第一层隐藏层神经元个数为9，第二层隐藏层神经元个数为12；选择relu函数作为输入层和隐藏层、隐藏层和输出层之间的传递函数，选择adam函数作为反向传递误差的训练函数。5.根据权利要求2所述的一种基于BP神经网络和GA遗传算法的对接接头焊接角变形预测和控制方法，其特征在于，所述控制神经网络模型的结构为：定义输入层神经元个数为p，输出层神经元个数为q，其中输入层和输出层神经元的个数分别为输入变量和输出变量的个数，即p＝7，q＝1；定义神经网络模型隐藏层层数为两层，第一层隐藏层神经元个数为13，第二层隐藏层神经元个数为15；选择relu函数作为输入层和隐藏层、隐藏层和输出层之间的传递函数，选择adam函数作为反向传递误差的训练函数。6.一种基于BP神经网络和GA遗传算...

【专利技术属性】
技术研发人员：陆皓，叶圣，陈俊梅，余春，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：