一种激光切割工艺设计方法及系统技术方案

本发明专利技术提供一种激光切割工艺设计方法及系统，包括：确定训练好的神经网络模型；其包括：BP隐层和ELM隐层；确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；结合目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。本发明专利技术提高了激光切割件的质量。激光切割件的质量。激光切割件的质量。

【技术实现步骤摘要】
一种激光切割工艺设计方法及系统


[0001]本专利技术属于激光切割领域，更具体地，涉及一种激光切割工艺设计方法及系统。

技术介绍

[0002]激光切割利用高功率密度激光束照射被切割材料，使材料很快被加热至汽化温度，蒸发形成孔洞，随着光束对材料的移动，孔洞连续形成宽度很窄的切缝，完成对材料的切割。与其他热切割方法相比较，有切割质量好，效率高，速度快的特点。然而，随着科技的不断进步，一些高精尖材料对切割加工质量的要求越来越高，表面粗糙度是其中重要的评价指标。在激光切割中，表面粗糙度会受到切割过程中的多项工艺参数的共同影响，关系复杂，如果通过大量重复进行基础实验进行工艺寻优，容易造成资源浪费。
[0003]随着信息技术与人工智能技术的发展，通过算法对各项加工技术的结果进行模拟，然后根据结果对加工参数进行推荐被认为是一种能有效节约资源，提高生产效率的手段。目前，教与学算法、粒子群算法等元启发式算法在计算机模拟中扮演着重要的角色，如何提高这些算法的搜索能力，防止算法陷入局部最优，并完成对多目标问题的计算是十分值得研究的课题。此外，算法模拟虽然不需要实际实验，但是需要有对实验规律的数学描述才能完成模拟。而往往许多实验规律是无法用具体的数学表达式来描述的，因此仅凭借单独的算法是无法完成对加工技术的模拟及推荐的。

技术实现思路

[0004]针对现有技术的缺陷，本专利技术的目的在于提供一种激光切割工艺设计方法及系统，旨在解决现有技术无法完成对激光切割加工过程进行模拟和推荐，故无法很好的进行激光切割工艺设计的问题。
[0005]为实现上述目的，第一方面，本专利技术提供了一种激光切割工艺设计方法，包括如下步骤：
[0006]确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；
[0007]确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；
[0008]将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；
[0009]结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗
糙度。
[0010]在一个可选的示例中，循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度，具体为：
[0011]将当前设计多组工艺参数分别作为神经网络模型的输入，分别预测对应产品的上表面粗糙度和下表面粗糙度；
[0012]将预测的上表面粗糙度和下表面粗糙度分别与上表面目标粗糙度和下表面目标粗糙度作差，得到每组工艺参数的两个目标函数，将多组工艺参数分为两个子集，其中，一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
[0013]当两个目标函数均不为0时，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数；
[0014]将最优组工艺参数作为老师，将多组工艺参数中其他组工艺参数作为学生，采用教与学算法并利用贪婪机制再次更新各个学生的数值，作为各个学生对应的新设计工艺参数；再次为各个学生设计工艺参数后，随机选取与新设计的工艺参数属于相同子集的一组工艺参数作为学习伙伴进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；
[0015]将最后一次更新的新设计的工艺参数与新设计工艺参数的历史值一起进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；以及通过随机数的方式决定是否将新设计工艺参数的历史值更新，以提高教与学算法搜索最优解的能力，避免陷入局部最优；
[0016]将最后一次更新的新设计的工艺参数作为神经网络模型的输入，再次执行上述粗糙度预测、目标函数选取以及新设计工艺参数的过程，直至两个目标函数中任一目标函数的值为0。
[0017]在一个可选的示例中，若所述循环执行的迭代次数达到最大次数，但预测的上下表面粗糙度仍未达到目标粗糙度，则输出当前全局非支配解集中的所有解。
[0018]在一个可选的示例中，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数，具体为：
[0019]根据Pareto规则，从多组工艺参数中计算出全局非支配解集；所述全局非支配解集包括N组工艺参数；N为大于1的整数；
[0020]将N组工艺参数分为所述两个子集；一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；
[0021]分别求解第一个子集和第二个子集中各组工艺参数的总比重；所述总比重为：上表面粗糙度目标函数的比重与下表面粗糙度目标函数的比重之和；一组工艺参数的上表面粗糙度目标函数值减去其所在子集中上表面粗糙度目标函数值最小值后，除以其所在子集中上表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数上表面粗糙度目标函数的比重；一组工艺参数的下表面粗糙度目标函数值减去其所在子集中下表面粗糙度目标函数值最小值后，除以其所在子集中下表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数下表面粗糙度目标函数的比重；
[0022]将多组工艺参数中总比重最小的一组工艺参数为最优组工艺参数；
[0023]若多组工艺参数中总比重最小的值对应不止一组工艺参数，则从所述不止一组工艺参数中随机选取一组作为最优组。
[0024]在一个可选的示例中，所述神经网络模型还包括：输入层和输出层；
[0025]所述输入层，用于接收激光切割工艺参数，将其转换为相关信息；
[0026]所述输出层，用于基于上下表面粗糙度相关的信息对上下表面粗糙度进行预测，输出预测的上下表面粗糙度，输出层有2个节点，分别输出上表面粗糙度和下表面粗糙度；
[0027]所述输入层连接BP隐层，BP隐层连接ELM隐层，ELM隐层连接输出层。
[0028]在一个可选的示例中，所述神经网络模型的训练过程为：
[0029]利用响应曲面设计方法为激光切割设计多组工艺参数；所述工艺参数包括：激光功率、切割速度、离焦量及气体压力；
[0030]基于多组工艺参数对样品分别进行试样切割，并测量切割后产品的上下表面粗糙度；
[0031]将多组工艺参数和对应测量得到的上下表面粗糙度作为训练数据；
[0032]基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种激光切割工艺设计方法，其特征在于，包括如下步骤：确定训练好的神经网络模型；所述神经网络模型用于根据激光切割工艺参数预测产品切割处上下表面的粗糙度，其包括：BP隐层和ELM隐层；所述BP隐层用于对激光切割工艺参数相关的信息进行非线性映射，以提取有效信息；所述ELM隐层用于基于所述有效信息提取与上下表面粗糙度相关的信息，以便预测产品切割处上下表面粗糙度；确定激光切割产品的目标粗糙度，并利用教与学算法根据所述目标粗糙度初步设计多组工艺参数；所述目标粗糙度包括上表面目标粗糙度和下表面目标粗糙度；将初步设计的各组工艺参数输入到训练好的神经网络模型，分别预测按照所述各组工艺参数切割得到产品的上下表面粗糙度；结合所述目标粗糙度和各组工艺参数预测得到的粗糙度，利用模糊优选法从初步设计的多组工艺参数选取一组最优的工艺参数，作为所述教与学算法的最优目标函数，以便基于教与学算法再次为所述目标粗糙度设计对应的工艺参数，并循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度。2.根据权利要求1所述的方法，其特征在于，循环执行上述粗糙度预测、目标函数选取以及再次设计工艺参数的过程，直至预测的上下表面粗糙度达到目标粗糙度，具体为：将当前设计多组工艺参数分别作为神经网络模型的输入，分别预测对应产品的上表面粗糙度和下表面粗糙度；将预测的上表面粗糙度和下表面粗糙度分别与上表面目标粗糙度和下表面目标粗糙度作差，得到每组工艺参数的两个目标函数，将多组工艺参数分为两个子集，其中，一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；当两个目标函数均不为0时，利用模糊优选法多组工艺参数中选取目标函数比重值最小的一组工艺参数为最优组工艺参数；将最优组工艺参数作为老师，将多组工艺参数中其他组工艺参数作为学生，采用教与学算法并利用贪婪机制再次更新各个学生的数值，作为各个学生对应的新设计工艺参数；再次为各个学生设计工艺参数后，随机选取与新设计的工艺参数属于相同子集的一组工艺参数作为学习伙伴进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；将最后一次更新的新设计的工艺参数与新设计工艺参数的历史值一起进行学习，并基于贪婪机制决定是否再次设计对应的工艺参数替换所述新设计的工艺参数；以及通过随机数的方式决定是否将新设计工艺参数的历史值更新，以提高教与学算法搜索最优解的能力，避免陷入局部最优；将最后一次更新的新设计的工艺参数作为神经网络模型的输入，再次执行上述粗糙度预测、目标函数选取以及新设计工艺参数的过程，直至两个目标函数中任一目标函数的值为0。3.根据权利要求2所述的方法，其特征在于，若所述循环执行的迭代次数达到最大次数，但预测的上下表面粗糙度仍未达到目标粗糙度，则输出当前全局非支配解集中的所有解。4.根据权利要求2所述的方法，其特征在于，利用模糊优选法多组工艺参数中选取目标
函数比重值最小的一组工艺参数为最优组工艺参数，具体为：根据Pareto规则，从多组工艺参数中计算出全局非支配解集；所述全局非支配解集包括N组工艺参数；N为大于1的整数；将N组工艺参数分为所述两个子集；一个子集中上表面粗糙度的目标函数值最小，另一个子集中下表面粗糙度的目标函数值最小；分别求解第一个子集和第二个子集中各组工艺参数的总比重；所述总比重为：上表面粗糙度目标函数的比重与下表面粗糙度目标函数的比重之和；一组工艺参数的上表面粗糙度目标函数值减去其所在子集中上表面粗糙度目标函数值最小值后，除以其所在子集中上表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数上表面粗糙度目标函数的比重；一组工艺参数的下表面粗糙度目标函数值减去其所在子集中下表面粗糙度目标函数值最小值后，除以其所在子集中下表面粗糙度目标函数最大值与最小值的差值，得到该组工艺参数下表面粗糙度目标函数的比重；将多组工艺参数中总比重最小的一组工艺参数为最优组工艺参数；若多组工艺参数中总比重最小的值对应不止一组工艺参数，则从所述不止一组工艺参数中随机选取一组作为最优组。5.根据权利要求1至4任一项所述的方法，其特征在于，所述神经网络模型还包括：输入层和输出层；所述输入层，用于接收激光切割工艺参数，将其转换为相关信息；所述输出层，用于基于上下表面粗糙度相关的信息对上下表面粗糙度进行预测，输出预测的上下表面粗糙度，输出层有2个节点，分别输出上表面粗糙度和下表面粗糙度；所述输入层连接BP隐层，BP隐层连接ELM隐层，ELM隐层连接输出层。6.根据权利要求1至4任一项所述的方法，其特征在于，所述神经网络模型的训练过程为...

【专利技术属性】
技术研发人员：计效园，王治国，陈嘉龙，王泽明，涂先猛，王伟，周圣智，罗建东，周建新，任黎平，
申请(专利权)人：中国核动力研究设计院，
类型：发明
国别省市：