一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法技术

本发明专利技术涉及一种基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，优化由激光焊接工艺参数预测模型与多目标粒子群优化方法构成，预测模型为采用Bagging模型融合算法将多个基学习器进行模型融合后得到，预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系，通过多目标粒子群优化算法最终得到优化后的激光焊接工艺参数，预测准确度更高，可以更好的为激光焊接工艺参数制定提供指导，提高工艺的制定效率。

An optimization method of laser welding process parameters based on prediction model of bagging integration and particle swarm optimization algorithm

【技术实现步骤摘要】
一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法
本专利技术涉及一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过新的预测模型与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方法。适用于机器人激光焊接工艺参数优化，属于机器人焊接

技术介绍
现有的激光焊接工艺参数优化方法包括激光焊接工艺参数预测与参数优化两部分内容。激光焊接参数预测模型作为建立激光焊接工艺参数与焊接质量评定参数之间的非线性映射关系的方法，其预测精度直接影响到了激光焊接工艺参数的优化效果。常用的焊接参数预测方法包括经验计算、实验总结、数值模拟等方法。经验计算与实验总结往往建立在经验的基础上，计算结果与实际情况可能有较大的误差，数值模拟则需要专业人员花费大量时间精力进行仿真模拟并需要耗费较多的计算资源。响应面法与机器学习方法凭借其可以快速准确的预测焊接变形被广泛应用。然而多项式响应面法在处理复杂问题时，需要大量的实验样本，成本较高。机器学习方法凭借其需要小样本量与预测精度较高的优势逐渐流行。然而由于不同的机器学习模型在不同的情况下表现情况不尽相同，针对于特定的数据集，现有的采用单一预测模型的焊接工艺参数预测方法并不一定能达到最优的预测效果。本专利技术采用基于Bagging算法将多个基学习器集成为新的预测模型的方法，采用多个基学习器并行预测，极大的提高了焊接工艺参数预测效果。多目标粒子群优化算法是一种迭代优化算法，对解决带约束的非线性多目标参数具有很好的效果。与预测模型结合可以对焊接工艺参数进行进一步的优化。
技术实现思路
针对现有技术的不足，本专利技术提供了一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方法，极大的提高焊接工艺参数的预测精度与焊接参数的优化效果。本专利技术的技术方案如下：一种基于Bagging算法将多个基学习器集成为新的预测模型，并通过新的预测模型与多目标粒子群优化算法结合进行激光焊接工艺参数优化的方法包括了激光焊接工艺参数预测模型与焊接工艺参数优化算法。包括步骤如下：确定焊接工艺参数优化目标，收集激光焊接工艺参数的样本数据集；构建机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将两个以上的基学习器进行模型融合后得到预测模型，通过预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系；由于预测模型仅建立多输入(多维)单输出(一维)的非线性映射关系，所述预测模型仅建立起激光焊接工艺参数与单个焊缝质量评定参数间的非线性映射关系；所以需要分别建立起激光焊接工艺参数与不同焊缝质量评定参数之间的非线性映射关系，形成最终的预测模型；即分别训练三个模型来构建焊接工艺参数(多维输入)对不同的焊接质量评定参数(一维)进行模型构建。将最终的预测模型与多目标粒子群优化算法结合，对机器人激光焊接工艺参数进行优化。优选的，激光焊接工艺参数预测模型构建方法为：1)将样本数据集划分为训练集与验证集，训练集用于训练基学习器，验证集用于验证基学习器的拟合效果；2)用划分好的训练集分别训练基学习器，将基学习器记作fi(x)(i＝1,2,...)，得到在验证集上预测效果较好的基学习器，基学习器的评定指标采用均方根误差RMSE，最终得到拟合效果较好的基学习器模型用于下一步的模型融合；利用训练集训练基学习器，模型融合后将得到激光焊接工艺参数与单个焊缝质量评定参数之间的预测模型；3)基于Bagging算法将步骤2)得到的基学习器进行集成，最终的预测模型表述为其中m为基学习器个数，μi为基学习器fi(x)(i＝1,2,...)对应的权重；权重μi由基学习器的准确度决定，基学习器的准确度越高，拟合效果越好，相应的权重μi越大；相反准确度越底，拟合效果越差，相应的权重μi越小；4)重复步骤1)、2)、3)，分别建立激光焊接工艺参数与其余焊缝质量评定参数之间的预测模型，所有独立的预测模型最终构建起激光焊接工艺参数与焊接质量评定参数之间的非线性映射关系；最终预测模型的输出将在随后的多目标粒子群优化算法中被用来构建适应度函数值。进一步优选的，步骤2)中，选用均方根误差RMSE反映模型预测精度，公式如下：其中fi(x)为第i个基学习器对样本的预测值，为样本X＝(x1,x2,x3,…,xn)的真实值，n为样本个数，选用均方根误差RMSE作为基学习器的损失函数，训练基学习器的模型使基学习器在数据集上表现最优，所述表现最优为模型的预测值与真实值的均方根误差最小。进一步优选的，步骤3)中，权重通过公式(3)确定：其中为样本X＝(x1,x2,x3,…,xn)(k＝1,...,n)的真实值，n为样本个数，使最终预测模型loss最小的μi即为模型最终的权重，通过求取loss最小，确定各个基学习器的权重μi。通过这样的方式可以降低在数据集上预测精度相对较差的基模型带来的不良影响，使预测精度高的模型对预测结果产生更大的影响。使得最终的预测模型预测结果更为精确。优选的，其中基学习器包括支持向量回归SVR模型、RBF神经网络模型、Kriging模型、BP神经网络模型、决策树回归模型。优选的，所述激光焊接工艺参数包括激光功率(LaserPower,LP)、焊接速度(WeldingSpeed,WP)、离焦量(DefocusingAmount，DA)、激光脉冲宽度(LaserPulseWidth,LPW)；焊接质量评定参数包括焊缝深宽比、焊缝抗拉强度、焊缝余高；其中，焊缝深宽比为DW＝DP/BW，DP为焊缝熔池深度、BW为焊缝熔池宽度，焊缝抗拉强度为TS＝Fmax/S，Fmax为焊缝最大抗拉应力、S为焊缝有效横截面积，H为焊缝余高。所述多目标粒子群优化算法的优化目标为：在激光焊接工艺参数的设定范围中找到一组焊接工艺参数使焊接质量评定参数达到最优，所述最优为焊缝深宽比最大、抗拉强度最大、焊后余高为理想高度，理想高度可根据实际焊接经验确定，可参见ISO5817标准。优选的，利用多目标粒子群优化算法的优化步骤为：1、初始化粒子群，种群大小为N，将种群分为支配子集和非支配子集；精英集用来存储每次迭代产生的非劣子集，每次迭代仅对支配子集进行更新，随机初始化每个粒子的位置向量和速度向量设置初始权重ωi；2、通过预测模型计算当前位置所对应的多目标值通过适应度函数计算适应度值3、计算支配子集粒子当前的个体最优和整个粒子群的全局最优；4、分别更新支配子集各个粒子的位置向量和速度向量V(i)＝(ν1(i),ν2(i),ν3(i),ν4(i))；5、对更新后的支配子集与非支配子集比较，选出支配子集中的非劣解加入，并剔除支配子集中的劣解，更新精英集；6、如果满足迭代终止条件，则停止迭代，输出精英集，否则返回步骤1。进一步优选的，步骤4中，每个粒子的位置向量为速度向量为V(i)＝(ν1(i),ν2(i),ν3(i),ν4(i))，粒子在搜索空间中运动时记录了其所经历的最优位置，根据种群的最优位置来改变自身速度以调整自身位置，粒子群中粒子个体按照公式(4)、(5)进行变化：xid＝xid+vid(4)vid＝wvid+c1r1(pid-xid)+c2r2(pgd-xid)(5)其中xi本文档来自技高网...

【技术保护点】
1.一种基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，包括步骤如下：确定焊接工艺参数优化目标，收集激光焊接工艺参数的样本数据集；构建机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将两个以上的基学习器进行模型融合后得到预测模型，通过预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系；所述预测模型仅建立起激光焊接工艺参数与单个焊缝质量评定参数间的非线性映射关系，所以分别建立起激光焊接工艺参数与不同焊缝质量评定参数之间的非线性映射关系，形成最终的预测模型；将最终的预测模型与多目标粒子群优化算法结合，对机器人激光焊接工艺参数进行优化。

【技术特征摘要】
1.一种基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，包括步骤如下：确定焊接工艺参数优化目标，收集激光焊接工艺参数的样本数据集；构建机器人激光焊接工艺参数预测模型：采用Bagging模型融合算法将两个以上的基学习器进行模型融合后得到预测模型，通过预测模型建立起激光焊接工艺参数与焊缝质量评定参数之间的非线性映射关系；所述预测模型仅建立起激光焊接工艺参数与单个焊缝质量评定参数间的非线性映射关系，所以分别建立起激光焊接工艺参数与不同焊缝质量评定参数之间的非线性映射关系，形成最终的预测模型；将最终的预测模型与多目标粒子群优化算法结合，对机器人激光焊接工艺参数进行优化。2.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，激光焊接工艺参数预测模型构建方法为：1)将样本数据集划分为训练集与验证集，训练集用于训练基学习器，验证集用于验证基学习器的拟合效果；2)用划分好的训练集分别训练基学习器，将基学习器记作fi(x)(i＝1,2,...)，得到在验证集上预测效果较好的基学习器，基学习器的评定指标采用均方根误差RMSE，最终得到拟合效果较好的基学习器模型用于下一步的模型融合；利用训练集训练基学习器，模型融合后将得到激光焊接工艺参数与单个焊缝质量评定参数之间的预测模型；3)基于Bagging算法将步骤2)得到的基学习器进行集成，最终的预测模型表述为其中m为基学习器个数，μi为基学习器fi(x)(i＝1,2,...)对应的权重；权重μi由基学习器的准确度决定，基学习器的准确度越高，拟合效果越好，相应的权重μi越大；相反准确度越底，拟合效果越差，相应的权重μi越小；4)重复步骤1)、2)、3)，分别建立激光焊接工艺参数与其余焊缝质量评定参数之间的预测模型，所有独立的预测模型最终构建起激光焊接工艺参数与焊接质量评定参数之间的非线性映射关系；最终预测模型的输出将在随后的多目标粒子群优化算法中被用来构建适应度函数值。3.根据权利要求2所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，步骤2)中，选用均方根误差RMSE反映模型预测精度，公式如下：其中fi(x)为第i个基学习器对样本的预测值，为样本X＝(x1,x2,x3,…,xn)的真实值，n为样本个数，选用均方根误差RMSE作为基学习器的损失函数，训练基学习器的模型使基学习器在数据集上表现最优，所述表现最优为模型的预测值与真实值的均方根误差最小。4.根据权利要求2所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，步骤3)中，权重通过公式(3)确定：其中为样本X＝(x1,x2,x3,…,xn)(k＝1,...,n)的真实值，n为样本个数，使最终预测模型loss最小的μi即为模型最终的权重，通过求取loss最小，确定各个基学习器的权重μi。5.根据权利要求1所述的基于Bagging集成预测模型与粒子群优化算法的激光焊接工艺参数优化方法，其特征在于，其中基学习器包括支持向量回归SVR模型、RBF神经网络模型、Krigi...

【专利技术属性】
技术研发人员：胡天亮，李政誉，张承瑞，沈卫东，伍杰，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37