一种基于VMD和改进DA-RNN的激光熔覆熔池形貌预测方法和系统技术方案

本发明专利技术提供一种基于VMD和改进DA

【技术实现步骤摘要】
一种基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法和系统


[0001]本专利技术属于激光熔覆增材制造领域，尤其涉及一种基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法。

技术介绍

[0002]激光熔覆是一种通过粉末融化沉积来制造或修复金属零件的增材制造技术，它能够制造出起多种作用的具有匀质或异质结构的制件，可以生产出质量和强度都很高的金属零件，其适用范围和应用领域非常广泛，几乎可以覆盖整个机械制造业，包括零件制造、石油、航空、船舶等行业。在利用激光熔覆成形加工的过程中，基体材料或沉积层受到激光能量源照射会在激光和工件相交处和内部产生热变形和热应力，而产生的热量很难及时散发出去，热变形逐层积累，最终导致成形熔覆层产生形状误差和缺陷。大量研究表明在熔覆过程中的熔池信息能够一定程度反应最后成形件的质量，因此对熔覆过程中的熔池形貌信息进行预测来提前判断成形质量并改善加工精度，对增材制造熔覆层质量具有十分重要的指导作用。
[0003]现有技术中采用EMD分解进行熔池形貌处理的预处理，采用传统的LSTM等循环神经网络模型在熔池动态形貌信息上进行预测，但是EMD分解存在端点效应和模态混叠现象，分解结果较差，且传统LSTM等循环神经网络模型在熔池动态形貌信息上的预测表现不佳，因此需要其他模型方法对熔池动态形貌信息进行有效预测。

技术实现思路

[0004]针对上述技术问题，本专利技术的一个方式的目的之一是提供一种基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法，VMD利用迭代搜索变分模型最优解来确定每个分解的分量中心频率及带宽，属于完全非递归模型，有效的避免了在分解结果中出现的模态混叠和端点效应现象，引入双阶段注意力机制的DA
‑
RNN，并通过GRU单元代替原本的LSTM单元，本专利技术不仅能有效地提取数据特征，降低数据的复杂性，并能有效提高熔池形貌预测模型精度。
[0005]本专利技术的一个方式的目的之一是提供一种基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测系统，引入双阶段注意力机制的DA
‑
RNN，并通过GRU单元代替原本的LSTM单元，本专利技术不仅能有效地提取数据特征，降低数据的复杂性，并能有效提高熔池形貌预测模型精度。
[0006]注意，这些目的的记载并不妨碍其他目的的存在。本专利技术的一个方式并不需要实现所有上述目的。可以从说明书、附图、权利要求书的记载中抽取上述目的以外的目的。
[0007]本专利技术是通过以下技术手段实现上述技术目的的。
[0008]一种基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法，包括以下步骤：
[0009]步骤S1：数据采集：分析利用高速相机增材制造过程中熔池动态视频，连续采集所
述熔池动态视频中的熔池形貌信息，得到熔池形貌信息数据；
[0010]步骤S2：数据预处理：通过变分模态分解VMD对熔池形貌信息数据进行预处理，将原始数据序列信号分解成K个不同的子序列；
[0011]步骤S3：构建数据集：将分解的不同的子序列作为数据特征变量构建VMD数据集，将VMD数据集划分成训练集、验证集和测试集；
[0012]步骤S4：DA
‑
RNN预测网络模型的建立和训练：利用GRU单元代替原本的LSTM单元建立改进的DA
‑
RNN预测网络模型，并在VMD构建的数据集上进行训练和预测；
[0013]步骤S5：DA
‑
RNN预测网络模型评估：采用平均绝对百分比误差MAPE指标和均方误差MSE指标对改进的DA
‑
RNN预测网络模型的预测能力进行量化评估；
[0014]步骤S6：激光熔覆熔池形貌预测：利用DA
‑
RNN预测网络模型对激光熔覆熔池形貌信息进行预测。
[0015]上述方案中，所述步骤S2变分模态分解VMD对数据进行预处理的具体步骤为：
[0016]所述步骤S2变分模态分解VMD对数据进行预处理的具体步骤为：
[0017]步骤S2.1：构造变分问题，将原始信号F被分解为K个分量，为保证分解序列为具有中心频率的有限带宽的模态分量IMF，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，使用以下步骤构造VMD约束变分模型：
[0018]步骤S2.1.1定义本征模函数为幅频
‑
调制(AM
‑
FM)信号，其表达式为:
[0019][0020]其中，u
k
(t)为分解后的k个模态分量，A
k
(t)为k个模态分量的幅值，为k个模态分量的相位；
[0021]步骤S2.1.2Hilbert变换求每个模态函数的边际谱，得到分量的单边频谱为：
[0022][0023]其中，δ(t)是冲激函数，j是虚部，t代表时间，“*”表示卷积运算，k是模态分量的总数；
[0024]步骤S2.1.3对每一模态函数对应中心频率w
k
的指数项混叠，将信号平移到基带：
[0025][0026]其中，是复平面上模态函数中心频率的相量描述，w
k
是第K个模态分量相应的中心频率；
[0027]步骤S2.1.4利用Gaussian smoothness来估计信号的带宽：即梯度的2范数的平方转换为VMD约束变分模型；
[0028]步骤S2.2：变分问题求解
[0029]进一步的，所述步骤S2.1.4的VMD约束变分模型公式如下：
[0030][0031][0032]其中{u
k
}＝{u1，
…
，u
k
}为分解的K个模态函数分量；{w
k
}＝{w1，
…
，w
k
}为各模态函数IMF的中心频率，δ(t)是冲激函数，j是虚部，t代表时间f为原始输入信号，为对t求偏导，min表示最小值，s.t.表示约束条件。
[0033]上述方案中，所述步骤S2.2的具体过程为：
[0034]步骤S2.2.1：引入二次惩罚项α和拉格朗日乘子λ求变分模型的最优解，将2.2中式子转化为无约束变分问题来求解，增广拉格朗日表达式如下：
[0035][0036]其中，L({u
k
}，{w
k
}，λ)为增广拉格朗日函数，λ(t)为拉格朗日乘子，{u
k
}＝{u1，
…
，u
k
}为分解的K个模态函数分量；{w
k
}＝{w1，
…
，w
k
}为各模态函数IMF的中心频率，δ(t)是冲激函数，j是虚部，t代表时间f为原始输入信号，为对t求偏导；
[0037]步骤S2.2.2：初始化λ1，迭代次数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法，其特征在与，包括以下步骤：步骤S1：数据采集：分析利用高速相机增材制造过程中熔池动态视频，连续采集所述熔池动态视频中的熔池形貌信息，得到熔池形貌信息数据；步骤S2：数据预处理：通过变分模态分解VMD对熔池形貌信息数据进行预处理，将原始数据序列信号分解成K个不同的子序列；步骤S3：构建数据集：将分解的不同的子序列作为数据特征变量构建VMD数据集，将VMD数据集划分成训练集、验证集和测试集；步骤S4：DA
‑
RNN预测网络模型的建立和训练：利用GRU单元代替原本的LSTM单元建立改进的DA
‑
RNN预测网络模型，并在VMD构建的数据集上进行训练和预测；步骤S5：DA
‑
RNN预测网络模型评估：采用平均绝对百分比误差MAPE指标和均方误差MSE指标对改进的DA
‑
RNN预测网络模型的预测能力进行量化评估；步骤S6：激光熔覆熔池形貌预测：利用DA
‑
RNN预测网络模型对激光熔覆熔池形貌信息进行预测。2.根据权利要求1所述的基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法，其特征在于，所述步骤S2变分模态分解VMD对数据进行预处理的具体步骤为：步骤S2.1：构造变分问题，将原始信号F被分解为K个分量，为保证分解序列为具有中心频率的有限带宽的模态分量IMF，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始信号相等，使用以下步骤构造VMD约束变分模型：步骤S2.1.1定义本征模函数为幅频
‑
调制(AM
‑
FM)信号，其表达式为:其中，u
k
(t)为分解后的k个模态分量，A
k
(t)为k个模态分量的幅值，为k个模态分量的相位；步骤S2.1.2Hilbert变换求每个模态函数的边际谱，得到分量的单边频谱为：其中，δ(t)是冲激函数，j是虚部，t代表时间，“*”表示卷积运算，k是模态分量的总数；步骤S2.1.3对每一模态函数对应中心频率w
k
的指数项混叠，将信号平移到基带：其中，是复平面上模态函数中心频率的相量描述，w
k
是第K个模态分量相应的中心频率；步骤S2.1.4利用Gaussian smoothness来估计信号的带宽：即梯度的2范数的平方转换为VMD约束变分模型；步骤S2.2：变分问题求解。3.根据权利要求2所述的基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法，其特征在于，所述步骤S2.1.4的VMD约束变分模型公式如下：
其中{u
k
}＝{u1，
…
，u
k
}为分解的K个模态函数分量；{w
k
}＝{w1，
…
，w
k
}为各模态函数IMF的中心频率，δ(t)是冲激函数，j是虚部，t代表时间f为原始输入信号，为对t求偏导，min表示最小值，s.t.表示约束条件。4.根据权利要求2所述的基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法，其特征在于，所述步骤S2.2的具体过程为：步骤S2.2.1：引入二次惩罚项α和拉格朗日乘子λ求变分模型的最优解，将VMD约束变分模型转化为无约束变分问题来求解，增广拉格朗日表达式如下：其中，L({u
k
}，{w
k
}，λ)为增广拉格朗日函数，λ(t)为拉格朗日乘子，{u
k
}＝{u1，
…
，u
k
}为分解的K个模态函数分量；{w
k
}＝{w1，
…
，w
k
}为各模态函数IMF的中心频率，δ(t)是冲激函数，j是虚部，t代表时间f为原始输入信号，为对t求偏导；步骤S2.2.2：初始化λ1，迭代次数n，并利用交替乘子方向算法连续更新求解各分量u
k
及其中心频率w
k
以及λ；步骤S2.2.2.1：利用交替乘子方向算法更新求解各模态分量u
k
；步骤S2.2.2.2：利用交替乘子方向算法更新求解各分量对应的中心频率w
k
；步骤S2.2.2.3：利用交替乘子方向算法连续更新求解拉格朗日乘子λ；步骤S2.2.3：通过设定阈值ε，重复上述步骤直到满足下式停止迭代：其中，分别表示在第n+1、n次迭代的傅里叶变换后的模态函数分量；步骤S2.2.4：此时得到K个有限带宽的模态分量IMF，即u
k
(t)。5.根据权利要求1所述的基于VMD和改进DA
‑
RNN的激光熔覆熔池形貌预测方法，其特征在于，所述步骤S3所述数据集构建按照7：3的比例，将步骤S2所提取的特征划分成训练集和测试集[X
tw
，Y
tw
]t1，[X
tw
，Y
tw...

【专利技术属性】
技术研发人员：许桢英，张雨轩，韩丽玲，李林航，陶宇成，刘清华，
申请(专利权)人：江苏大学，
类型：发明
国别省市：