一种基于组合模型的MAG焊接接头性能预测方法及系统技术方案

本说明书实施例公开了一种基于组合模型的MAG焊接接头性能预测方法及系统。方案包括：获取焊接接头性能数据作为建立预测模型的训练数据；基于所述训练数据建立BP神经网络模型；基于所述训练数据建立RBF神经网络模型；基于所述训练数据建立克里金插值模型；采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；采用所述组合模型对MAG焊接接头性能进行预测。本方案用于提高MAG焊接接头性能(焊缝余高、接头抗拉强度和冲击功)预测的精度和稳定性。

【技术实现步骤摘要】
一种基于组合模型的MAG焊接接头性能预测方法及系统
本申请涉及焊接
，尤其涉及一种基于组合模型的MAG焊接接头性能预测方法及系统。
技术介绍
焊接接头性能预测模型是指利用各种数学建模方法所建立、能描绘焊接工艺参数与接头性能之间非线性关系的数学模型。在焊接性能预测模型中，输入相应的焊接工艺参数，就能预测出对应的接头性能。因此，建立高精度、高稳定性的焊接性能预测模型，可以减少所需焊接工艺试验数量和人力成本，是实现焊接工艺参数优化的前提。但是，如何在特定的工程应用场景中选择最合适的数学建模方法，如何进一步提升预测模型的精度和稳定性，这些问题仍然存在。
技术实现思路
有鉴于此，本申请实施例提供了一种基于组合模型的MAG焊接接头性能预测方法及系统，用于提高MAG焊接接头性能(焊缝余高、接头抗拉强度和冲击功)预测的精度和稳定性。为解决上述技术问题，本说明书实施例是这样实现的：本说明书实施例提供的一种基于组合模型的MAG焊接接头性能预测方法，包括：获取焊接接头性能数据作为建立预测模型的训练数据；...

【技术保护点】
1.一种基于组合模型的MAG焊接接头性能预测方法，其特征在于，包括：/n获取焊接接头性能数据作为建立预测模型的训练数据；/n基于所述训练数据建立BP神经网络模型；/n基于所述训练数据建立RBF神经网络模型；/n基于所述训练数据建立克里金插值模型；/n采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；/n采用所述组合模型对MAG焊接接头性能进行预测。/n

【技术特征摘要】
1.一种基于组合模型的MAG焊接接头性能预测方法，其特征在于，包括：
获取焊接接头性能数据作为建立预测模型的训练数据；
基于所述训练数据建立BP神经网络模型；
基于所述训练数据建立RBF神经网络模型；
基于所述训练数据建立克里金插值模型；
采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型；
采用所述组合模型对MAG焊接接头性能进行预测。


2.如权利要求1所述的方法，其特征在于，所述采用线性加权法将所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型进行组合，构建组合模型，具体包括：
将分别为所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型设置权值，并构建组合模型，其中各所述权值的和为1；
当所述组合模型的预测误差最小时，确定所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值。


3.如权利要求1或2所述的方法，其特征在于，采用遗传算法计算所述BP神经网络模型、所述RBF神经网络模型和所述克里金插值模型的最优权值，使组合模型预测误差的均方误差最小，进而采用加权相加组合。


4.如权利要求1所述的方法，其特征在于，所述训练数据包括MAG焊工艺参数变量和所测量的接头性能数据。


5.如权利要求1所述的方法，其特征在于，所述基于所述训练数据建立BP神经网络模型，具体包括：
根据所述训练数据中MAG焊工艺参数变量的数量和所测量的接头性能数据，确定输入层3和输出层的神经元数量；
根据经验公式确定隐含层的神经元数量的范围；
采用数值试验的方法，测量不同隐含层神经元数量下100次建...

【专利技术属性】
技术研发人员：徐连勇，王成，韩勇典，赵雷，荆洪阳，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12