【技术实现步骤摘要】
本专利技术属于工艺参数优化设计，具体涉及一种基于机器学习优化铝合金激光焊接工艺参数的方法及系统。
技术介绍
1、激光焊接因其能量密度高、热影响小、焊接变形小和自动化程度高等一系列优点，在铝合金焊接领域得到广泛应用。但是脉冲激光焊接作为一个多参数相互耦合的复杂非线性动态系统，其中焊缝熔深、熔宽和剪切力大小是表征焊接的重要指标，而影响焊接质量主要由激光功率、激光焊接速度、离焦量、异化曲线这几个因素组成，所以利用工艺先验知识建立准确的解析模型以实现对焊接质量的精准预测较为困难。目前更多停留在大量工艺实验和破坏性金相分析测试等方式，这极大降低了生产效率。为解决上述难题，部分研究采用正交实验的方法来得到最佳工艺参数，但由于正交实验的缺陷，难以满足实际预测精度，并且一个正交实验只能针对一次实验，参数变了以后需要重新实验，极大的浪费了时间。因此，需要一个以激光焊接工艺参数为输入，以优化目标值作为输出的数学模型来描述两者之间的关系。
2、bp神经网络是一个按误差逆传播算法训练的多层前沿网络，是应用最为广泛的神经网络模型之一。作为一种强大的机器学习方法，bp神经网络可以灵活处理非线性数据，具有算法快、易于理解和预测速度快等优点，但在铝合金激光焊接中，焊接过程是一个高度复杂的非线性系统，仅靠bp神经网络来完成激光焊接工艺参数和熔深、熔宽、拉力之间的关系预测是不够的，还需要一种极值寻优的算法来找出最佳工艺参数。
技术实现思路
1、针对现有技术的不足，本专利技术提供了一种基于机器学习提高铝合金
2、为了达到前述专利技术目的，本专利技术采用了以下方案：
3、本专利技术的一个方面提供了一种基于机器学习优化铝合金激光焊接工艺参数的方法，包括以下步骤：
4、s1：根据焊接材料参数确定焊接工艺参数，获取待优化目标函数；所述焊接材料参数包括焊接材料类型和焊接材料厚度；
5、s2：构建机器学习模型，所述机器学习模型用于建立焊接工艺参数和待优化目标函数之间的关系；
6、s3：通过不同焊接工艺参数下的试验生成试验数据，将所述试验数据作为样本数据集；
7、s4：使用所述样本数据集对机器学习模型进行训练，并使用独立的测试数据集对训练好的机器学习模型进行评估，得到优化后的机器学习模型；
8、s5：针对优化后的机器学习模型中对应的优化目标函数，采用遗传算法对所述优化目标函数进行优化，得到优化后的焊接工艺参数。
9、本专利技术的另一个方面提供了一种基于机器学习优化铝合金激光焊接工艺参数的系统，包括：
10、工艺参数和待优化目标函数确定模块，用于根据焊接材料参数确定焊接工艺参数，获取待优化目标函数；所述焊接材料参数包括焊接材料类型和焊接材料厚度；
11、机器学习模型构建模块，用于构建机器学习模型，所述机器学习模型用于建立焊接工艺参数和待优化目标函数之间的关系；
12、样本数据集获取模块，用于通过不同焊接工艺参数下的试验生成试验数据，将所述试验数据作为样本数据集；
13、模型优化模块，用于使用所述样本数据集对机器学习模型进行训练，并使用独立的测试数据集对训练好的机器学习模型进行评估，得到优化后的机器学习模型；
14、工艺参数优化模块，用于针对优化后的机器学习模型中对应的优化目标函数，采用遗传算法对所述优化目标函数进行优化，得到优化后的焊接工艺参数。
15、与现有技术相比，本专利技术至少具有如下优点：(1)本专利技术使用bp神经网络来精准的建立工艺参数和优化目标之间的关系；(2)本专利技术通过权重系数法将多目标优化问题化为单目标优化问题，简化了优化函数；(3)本专利技术通过机器学习的方法通过优化适应度函数来得到最佳的工艺参数；(4)本专利技术针对一系铝合金的激光焊接提出了5个激光焊接工艺参数与3个优化参数。
本文档来自技高网...【技术保护点】
1.一种基于机器学习优化铝合金激光焊接工艺参数的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述焊接工艺参数包括：激光焊接速度v、激光焊接功率P、离焦量R、线条异化参数；其中，线条异化参数包括正弦线的振幅A和周期T；所述待优化目标函数中的优化目标包括：焊缝的熔宽Lk，熔深Ls和拉力F。
3.根据权利要求2所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述机器学习模型为神经网络模型，包括：输入层、隐藏层和输出层；
4.根据权利要求1所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述步骤S3具体包括：
5.根据权利要求1所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述优化目标函数为三个BP神经网络模型，分别为：熔深模型f1(x1,x2，x3，x4，x5)，熔宽模型f2(x1,x2，x3，x4,x5)和拉力模型f3(x1,x2，x3，x4,x5)；其中，x1,x2，x3,x4,x5分别表示激光焊接功率、激光焊接速度、离焦量、焊接线段异化的振幅、焊接线段异化的周
6.一种基于机器学习优化铝合金激光焊接工艺参数的系统，其特征在于，包括：
7.根据权利要求6所述的优化铝合金激光焊接工艺参数的系统，其特征在于，所述焊接工艺参数包括：激光焊接速度v、激光焊接功率P、离焦量R、线条异化参数；其中，线条异化参数包括正弦线的振幅A和周期T；所述待优化目标函数中的优化目标包括：焊缝的熔宽Lk，熔深Ls和拉力F。
8.根据权利要求7所述的优化铝合金激光焊接工艺参数的系统，其特征在于，所述机器学习模型为神经网络模型，包括：输入层、隐藏层和输出层；
9.根据权利要求6所述的优化铝合金激光焊接工艺参数的系统，其特征在于，样本数据集获取模块具体用于：
10.根据权利要求6所述的优化铝合金激光焊接工艺参数的系统，其特征在于，所述优化目标函数为三个BP神经网络模型，分别为：熔深模型f1(x1,x2，x3，x4,x5)，熔宽模型f2(x1,x2，x3，x4,x5)和拉力模型f3(x1,x2，x3，x4,x5)；其中，x1,x2，x3,x4,x5分别表示激光焊接功率、激光焊接速度、离焦量、焊接线段异化的振幅、焊接线段异化的周期；
...【技术特征摘要】
1.一种基于机器学习优化铝合金激光焊接工艺参数的方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述焊接工艺参数包括：激光焊接速度v、激光焊接功率p、离焦量r、线条异化参数；其中，线条异化参数包括正弦线的振幅a和周期t；所述待优化目标函数中的优化目标包括：焊缝的熔宽lk，熔深ls和拉力f。
3.根据权利要求2所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述机器学习模型为神经网络模型，包括：输入层、隐藏层和输出层；
4.根据权利要求1所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述步骤s3具体包括：
5.根据权利要求1所述的优化铝合金激光焊接工艺参数的方法，其特征在于，所述优化目标函数为三个bp神经网络模型，分别为：熔深模型f1(x1,x2，x3，x4，x5)，熔宽模型f2(x1,x2，x3，x4,x5)和拉力模型f3(x1,x2，x3，x4,x5)；其中，x1,x2，x3,x4,x5分别表示激光焊接功率、激光焊接速度、离焦量、焊接线段异化的振幅、焊接线段异化的周期；
...【专利技术属性】
技术研发人员：张启平，廉宏远，郑天江，李俊杰，张驰，
申请(专利权)人：中国科学院宁波材料技术与工程研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。