一种电弧增材再制造焊接参数-焊道尺寸正逆神经网络预测模型制造技术

本发明专利技术公开了一种电弧增材再制造焊接参数

A forward and inverse neural network prediction model of arc additive remanufacturing welding parameters weld bead size

【技术实现步骤摘要】
一种电弧增材再制造焊接参数
‑
焊道尺寸正逆神经网络预测模型


[0001]本专利技术涉及电弧增材再制造领域，尤其涉及一种基于遗传算法优化的焊接工艺参数与焊道几何特征尺寸正逆向预测的神经网络模型。

技术介绍

[0002]电弧增材再制造技术是基于电弧增材制造技术，通过层层堆积的制造方式，实现零部件损伤部位的尺寸恢复和零部件性能恢复或提升的先进制造技术，具有制造成本低、修复效率高、零件性能好、材料利用率高等优点。在电弧增材再制造过程中，成形件通过层层累积的方式进行制造，每道焊缝的几何尺寸对构件的成形精度有着至关重要的影响，是分层切片和路径规划的重要依据之一。
[0003]目前，电弧增材再制造技术的发展存在一定的限制。一方面，通常情况下，构件在常规生产制造过程中的的普遍成形精度较低，不仅会降低构件的成形质量和力学性能，更将对构件在服役过程中的适用性和可靠性产生不利影响。另一方面，追求高精度构件成形的同时会导致成形效率较为低下，难以保证生产效率和使用时效，同样不利于构件的再制造过程。
[0004]因此，现有电弧增材再制造技术需要一种高精度和高效率的焊接参数
‑
焊道尺寸的正逆预测模型，并且需要一种神经网络优化方法，来实现依据焊接参数对焊道尺寸的正向精准预测，以及根据焊道尺寸对焊接参数的逆向合理推导。快速准确地实现构件增材再制造过程中的工艺优化，提高构件在电弧增材再制造过程中的成形精度与成形效率。

技术实现思路

[0005]本专利技术提出了一种电弧增材再制造焊接参数
‑
焊道尺寸正逆神经网络预测模型，其目的在于提高构件在电弧增材再制造过程中的成形精度，降低再制造过程中的工艺优化难度，提高成形效率。为电弧增材再制造技术的发展和工程应用提供新的思路。
[0006]本专利技术具体技术方案如下：
[0007]一种电弧增材再制造焊接参数
‑
焊道尺寸正逆神经网络预测模型，其特征在于步骤为：
[0008]S1：预测模型正向输入\逆向输出焊接参数选取与预测模型正向输出\逆向输入焊道几何特征尺寸选取。
[0009]S2：单道焊接工艺试验设计。
[0010]S3：焊接试验展开与数据获取。
[0011]S4：基于BP神经元网络模型建立焊接参数
‑
焊道尺寸正向神经网络预测模型。
[0012]S5：基于BP神经元网络模型建立焊道尺寸
‑
焊接参数逆向神经网络预测模型。
[0013]S6基干遗传算法对焊道尺寸
‑
焊接参数正逆神经网络预测模型进行训练优化。
[0014]S7：预测模型可靠性验证。
[0015]优先地，预测模型正向输入\逆向输出焊接参数选取与预测模型正向输出\逆向输入焊道几何特征尺寸选取。具体为：电弧增材再制造焊道几何特征尺寸主要包括熔宽、熔深和余高等，其成形过程的主要影响因素较多，包括焊接电压、焊接电流、送丝速度、焊接速度、焊丝干伸长、保护气体流量及流速等，各因素之间存在高度的非线性耦合作用。其中，焊接电压、焊接电流、送丝速度和焊接速度对焊道成形效果影响较大。本专利所建立的一种电弧增材再制造焊接参数
‑
焊道尺寸正逆神经网络预测模型，其正向输入层为三个节点，即需要输入三种焊接参数变量。正向输出层为两个节点，即需要输出两种焊道特征尺寸变量。逆向模型输入层数与输出层数与正向模型相反。因此，首先在上述关键焊接参数中选取三种焊接参数作为模型的正向输入层\逆向输出层。同样，确定两种焊道几何特征尺寸作为模型的正向输入层\逆向输出层。
[0016]优先地，单道焊接工艺试验设计。具体为：根据所选取的预测模型所需焊接参数和焊道几何特征尺寸，设计单道焊缝成形焊接工艺试验。焊接工艺试验基于正交试验设计方法，正交试验可以实现最少的试验次数达到与大量全面试验等效的结果，具有高效、快速和经济等优点。在一定参数范围内，设计每种焊接参数不同水平值，根据正交试验表完成正交试验方案设计，获得一定组数的焊接工艺试验方案。
[0017]优先地，焊接试验展开与数据获取。具体为：首先，确定试验材料、设备与方法。试验开始前，对基板表面进行机械打磨去除表面氧化层等杂质，随后用酒精清洁基板表面并风干处理对基板表面进行机械打磨，并用酒精清洗干净，然后将基板固定在工作台上，并设定好机器人焊枪运动轨迹及焊接参数，进行试验。实验结束后，对模型所需焊道几何特征尺寸进行测量。为减小测量误差以保证实验结果的可靠性和准确性，每组数据均测量三次并取平均值。
[0018]优先地，基于BP神经元网络模型建立焊接参数
‑
焊道尺寸正向神经网络预测模型。具体为：引入三层结构的神经元网络模型，神经网络模型输入层三个节点分别为所选焊接参数，输入层神经元个数为3；输出层两个节点为所选焊道几何特征尺寸，输出层神经元个数为2；隐藏层神经元个数参考经验公式如下：
[0019][0020]式中，S，m，n分别表示隐藏层，输入层，输出层神经元个数，a为1
‑
10之间的常数。
[0021]通过多次试验，比较不同隐藏层节点时的MSE(均方偏差特性函数)，最终确定隐藏层层数为10层。因此，所建立焊接参数
‑
焊道尺寸的正向神经网络预测模型结构是3
‑
10
‑
2型。
[0022]神经网络每层之间存在连接权值，且各层均具有阈值和激活函数，利用激活函数正向传递输入值，求得输出值。BP神经网络最常用的激活函数有Sigmoid、Tanh和Relu，模型选择Sigmoid作为激活函数，具体公式如下：
[0023]f(x)＝(1+e
‑
x
)
‑1[0024]使用Mapminmax函数完成数据的归一化处理，确保其不超过[
‑
1，1]的取值范围，最后对网络输出的数据展开反归一化操作，从而获取真实的输出值。Mapminmax函数的具体公式如下：
[0025][0026]式中，x，x
min
，x
max
分别代表样本数据、样本数据中最小值和样本数据中最大值，y表示对x进行归一化后得到的数据，y
min
和y
max
表示归化参数，默认值为
‑
1和1。
[0027]根据调参经验确定网络训练函数为Levenberg
‑
Marquardt算法，训练函数选取trainlm，网络学习速率取0.001，最大训练次数为1000次。
[0028]优先地，基于BP神经元网络模型建立焊道尺寸
‑
焊接参数逆向神经网络预测模型。具体为：引入三层结构的神经元网络模型，神经网络模型输入层两个节点分别为所选焊道几何特征尺寸，输入层神经元个数为2；输出层三个节点为所选焊接参数，输出层神经元个数为3；选用均方误差(Mean Squared Error，MSE)作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电弧增材再制造焊接参数
‑
焊道尺寸正逆神经网络预测模型，其特征在于步骤为：S1：预测模型正向输入\逆向输出焊接参数选取与预测模型正向输出\逆向输入焊道几何特征尺寸选取。S2：单道焊接工艺试验设计。S3：焊接试验展开与数据获取。S4：基于BP神经元网络模型建立焊接参数
‑
焊道尺寸正向神经网络预测模型。S5：基于BP神经元网络模型建立焊道尺寸
‑
焊接参数逆向神经网络预测模型。S6：基于遗传算法对焊道尺寸
‑
焊接参数正逆神经网络预测模型进行训练优化。S7：预测模型可靠性验证。2.如权利要求1所述的一种电弧增材再制造焊接参数
‑
焊道尺寸正逆神经网络预测模型，其特征在于：步骤S4中基于BP神经元网络模型建立焊接参数
‑
焊道尺寸正向神经网络预测模型。引入三层结构的神经元网络模型，神经网络模型输入层三个节点分别为所选焊接参数，输入层神经元个数为3；输出层两个节点为所选焊道几何特征尺寸，输出层神经元个数为2；选用均方误差(Mean Squared Error，MSE)作为模型结构评价指标，最终确定隐藏层节点数为10，所建立的焊接参数
‑
焊道尺寸的逆向神经网络预测模型结构是3
‑
10
‑
2型。模型选择Sigmoid作为激活函数，使用Mapminmax函数完成数据的归一化处理，确保其不超过[
‑
1，1]的取值范围，最后对网络输出的数据展开反归一化操作，从而获取真实的输出值。根据调参经验确定网络训练函数为Levenberg
‑
Marquardt算法，训练函数选取trainlm，网络学习速率取0.001，最大训练次数为1000次。步骤S5中基于BP神经元网络模型建立焊道尺寸
‑
焊接参数逆向神经网络预测模型。引入三层结构的神经元网络模型，神经网络模型输入层两个节点分别为所选焊道几何特征尺寸，输入层神经元个数为2；输出层三个节点为所选焊接参数，输出层神经元个数为3；选用均方误差(Mean Squared Error，MSE)作为模型结构评价指标，最终确定隐藏层节点数为11，所建立的焊接参数
‑
焊道尺寸的逆向神经网络预测模型结构是2
‑
11
‑
3型。模型选择Sigmoid作为激活函数，使用Mapminmax函数完成数据的归一化处理，确保其不超过[
‑
1，1]的取值范围，最后对网络输出的数据展开反归一化操作，从而获取真实的输出值。根据调参经验确定网络训练函数为Levenberg
‑
Marquardt算法，训练函数选取trainlm，网络学习速率取0....

【专利技术属性】
技术研发人员：魏艳红，王猛，倪永谦，蔡佳思，杜心伟，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：