【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 ...
【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
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。