【技术实现步骤摘要】
本专利技术属于机加工，涉及一种基于改进神经网络的水导激光切割参数预测方法。
技术介绍
1、水导激光加工技术是一种先进的激光加工技术，其原理是利用激光在水与空气的界面上发生全反射的现象，将激光约束在直径几十微米的微细水射流中，水射流内保持极高的激光能量密度，可以用于实现高精度切割。与传统加工方式相比，水导激光加工具有长工作距离，同时水射流可以减小激光热影响，及时带走加工碎屑。由于水导激光的切割参数直接影响切割时间与质量。一般直接可调节的参数有激光功率，激光频率，水压，气压，切割速度，加工高度等，特别是当加工图案为复杂图样时，对于加工图案里不同的元素，需要设定不同的参数。按照传统工艺，需要对样品大量试验才能够得到合适的加工参数，当加工图案越复杂，所需要调试的参数也就越多，不仅需要大量的实验样品，调参时间也大幅增加。而通过训练神经网络，可以得到一个符合样品的切割预测模型，而后输入不同的参数组合，根据预测结果找到最优切割参数。再将预测参数应用在实际的水导激光加工装置上，有效减轻人工调节参数的环节，减少了试验参数环节对样品的浪费。
2、然而，现有方法是设定各参数范围后，依次步进，以穷举法列出所有可能参数组合，输入神经网络后根据预测结果找到最优切割参数。这种方法，一方面随着参数的增加，所需要列举的参数组合也成指数增长；另一方面各参数的步进值也有很大影响，取值过大会造成结果不精细，所取得的参数不一定是最优，取值过小浪费计算资源，因此各参数步进值需要人工多次调节，影响预测与加工效率。因此，需要一种能有效减少对样品的切割实验，提高切割
技术实现思路
1、本专利技术解决技术问题所采取的技术方案是：一种基于改进神经网络的水导激光切割参数预测方法，包括如下步骤：
2、步骤一：采集数据：针对样品，设定不同参数，记录不同参数下，完成切割时间；
3、步骤二：数据处理：归一化公式为式中，x为原始数据，xmin为参数x中最小值，xmax为参数x中最大值，xr为归一化后数据；并将数据分为训练数据、验证数据、测试数据三部分；
4、步骤三：训练模型：
5、s3-1：根据参数个数设置输入神经元个数，包括：设置隐藏神经元设置数量、设置输出神经元数量、代表切割完成时间、设置学习率、设置训练最大迭代次数、设置目标误差，选择优化算法；
6、s3-2：将每一样本按列排列，每一行为不同参数，输入神经网络，进行训练，在训练完成后，输入测试数据，观测模型预测效果，若欠拟合或者过拟合则重新调整模型参数进行训练；
7、步骤四：参数寻优：
8、对参数进行编码，生成初代种群后，以切割时间倒数为适应度函数，计算种群适应度，后使用轮盘赌注方法进行选择，再经过变异和交叉后，重新计算适应度，判断是否满足退出迭代条件；达到最大迭代次数；达到目标适应度；n代以内最佳适应度变化始终小于阈值，则输出种群中最优参数，否则重复进行选择、变异和交叉生成新种群；
9、步骤五：将得到的最佳参数应用到水导激光切割平台，进行实际切割。
10、优选的，所述步骤三中，将输入参数进行特征降维，减小计算难度，避免不必要的计算开销，增加对神经网络模型参数的智能优化，提高训练效率，提高整体算法的速度与准确度。
11、优选的，所述步骤一中，根据实际情况设定的不同参数，包括：激光功率，激光频率，水压，气压，切割速度，加工高度等。
12、优选的，所述步骤二中，将70％的数据作为训练数据，15％的数据作为验证数据，15％的数据作为测试数据。
13、优选的，所述步骤三中，隐藏神经元设置为5～15个，输出神经元设置为1～3个，学习率为0.01～0.03，训练最大迭代次数为1000次，目标误差0.001。本专利技术的有益效果是：
14、本专利技术提出的水导激光切割参数预测方法，通过采集数据后进行数据处理与训练，完成参数寻优的过程，并将寻优得到的最佳参数应用到水导激光切割平台，进行实际切割，本专利技术能有效减少水导激光切割对样品的切割实验而得到最佳参数，提高切割效率。
本文档来自技高网...【技术保护点】
1.一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，所述步骤三中，将输入参数进行特征降维，减小计算难度，避免不必要的计算开销，增加对神经网络模型参数的智能优化，提高训练效率，提高整体算法的速度与准确度。
3.根据权利要求1所述的一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，所述步骤一中，设定的不同参数，包括：激光功率，激光频率，水压，气压，切割速度，加工高度。
4.根据权利要求1所述的一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，所述步骤二中，将70％的数据作为训练数据，15％的数据作为验证数据，15％的数据作为测试数据。
5.根据权利要求1所述的一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，所述步骤三中，隐藏神经元设置为5～15个，输出神经元设置为1～3个，学习率为0.01～0.03，训练最大迭代次数为500～2000次，目标误差0.001。
6.根据权利要求5所述的
...【技术特征摘要】
1.一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，所述步骤三中，将输入参数进行特征降维，减小计算难度，避免不必要的计算开销，增加对神经网络模型参数的智能优化，提高训练效率，提高整体算法的速度与准确度。
3.根据权利要求1所述的一种基于改进神经网络的水导激光切割参数预测方法，其特征在于，所述步骤一中，设定的不同参数，包括：激光功率，激光频率，水压，气压，切割速度，加工高度。
4.根据权利要求1所述的一种基于改进神经网络的水导激光切割参数预...
【专利技术属性】
技术研发人员：王伟，张鑫磊，
申请(专利权)人：陕西渥特镭铯机械制造有限公司，
类型：发明
国别省市：
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。