System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及金属焊接,特别是涉及一种基于b2b的焊接工艺参数确定方法、系统及电子设备。
技术介绍
1、金属焊接作为一种重要的制造工艺,在多个行业中广泛应用,包括汽车制造、航空航天、建筑和电子制造等领域。焊接质量和工艺参数的选择对于确保焊接接头的强度、耐久性和性能至关重要。传统上,焊接工艺参数的优化通常依赖于经验和试验。焊接工程师通过多次实际试验不同的参数组合来寻找最优方案。然而,这种方法存在一些严重的缺点。首先,它会导致昂贵的实验成本和资源浪费。其次,如果可变因素过多或有限元模拟不够准确,可能会导致实验失败。此外,传统方法通常需要大量的实验数据才能得出结果,这可能耗费大量时间。为了克服这些问题,近年来提出了一些基于数据和机器学习的方法,用于预测焊接工艺参数的最优组合。然而,现有的方法仍然存在一些挑战,如处理复杂非线性关系、噪音数据和高维特征等。
技术实现思路
1、本专利技术的目的是提供一种基于b2b的焊接工艺参数确定方法、系统及电子设备,减少实验成本和资源浪费,提高焊接工艺的质量和效率。
2、为实现上述目的,本专利技术提供了如下方案:
3、一种基于b2b的焊接工艺参数确定方法,包括:
4、获取多个待筛选组合;各所述待筛选组合包括待筛选的具有不同数值的多个焊接工艺参数;所述焊接工艺参数包括:最高温度、保温时间和冷却速度;
5、分别基于各待筛选组合和焊接结果预测模型,得到对应的焊接结果的预测值;所述焊接结果预测模型是利用训练集对b2b模
6、基于各所述焊接结果的预测值和预设焊接工艺参数要求,从各所述待筛选组合中确定目标焊接工艺参数,从而进行焊接操作。
7、可选地,所述焊接结果预测模型的训练过程,包括:
8、采集所述训练集;
9、基于所述训练集,利用bagging算法和boosting算法构建多个强学习器;其中,任一强学习器的确定过程,包括:
10、基于所述训练集和有放回采样,得到多组样本集;
11、确定各所述样本集的权重;
12、利用各具有不同权重的样本集对多个弱学习器进行训练,得到训练后的弱学习器;
13、基于各训练后的弱学习器的预测效果确定各训练后的弱学习器的权重;
14、基于所有训练后的弱学习器和对应的权重,构建强学习器;
15、基于所有所述强学习器确定所述焊接结果预测模型。
16、可选地,基于所述训练集和有放回采样,得到多组样本集,包括:
17、对所述训练集中的各训练用焊接工艺参数组合和对应的焊接结果的实际值进行预处理,得到预处理后的训练集;所述预处理包括:数据清洗、数据转换和数据特征升维;
18、对所述预处理后的训练集中的各数据进行有放回采样,得到多组样本集。
19、可选地,所述焊接结果预测模型在云端服务器部署或者在本地搭建。
20、可选地,分别基于各待筛选组合和焊接结果预测模型,得到对应的焊接结果的预测值,包括:
21、对各待筛选组合中的焊接工艺参数均进行预处理,得到预处理后的待筛选组合;所述预处理包括:数据清洗、数据转换和数据特征升维;
22、将各所述预处理后的待筛选组合输入至所述焊接结果预测模型,得到对应的焊接结果的预测值。
23、一种基于b2b的焊接工艺参数确定系统,包括:
24、待筛选组合获取模块,用于获取多个待筛选组合;各所述待筛选组合包括待筛选的具有不同数值的多个焊接工艺参数;所述焊接工艺参数包括:最高温度、保温时间和冷却速度;
25、预测模块,用于分别基于各待筛选组合和焊接结果预测模型,得到对应的焊接结果的预测值;所述焊接结果预测模型是利用训练集对b2b模型进行训练得到的,所述训练集包括多个训练用焊接工艺参数组合和对应的焊接结果的实际值,所述b2b模型包括:bagging和boosting,所述焊接结果包括:焊缝的强度和焊后残余应力;
26、筛选模块,用于基于各所述焊接结果的预测值和预设焊接工艺参数要求,从各所述待筛选组合中确定目标焊接工艺参数,从而进行焊接操作。
27、一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述所述的基于b2b的焊接工艺参数确定方法。
28、可选地,所述存储器为可读存储介质。
29、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
30、本专利技术公开了一种基于b2b的焊接工艺参数确定方法、系统及电子设备,首先,获取多个待筛选组合;各待筛选组合包括待筛选的具有不同数值的多个焊接工艺参数;然后,分别基于各待筛选组合和焊接结果预测模型得到对应的焊接结果的预测值;焊接结果预测模型利用训练集对b2b模型进行训练得到,训练集包括多个训练用焊接工艺参数组合和对应的焊接结果的实际值,b2b模型包括:bagging和boosting,焊接结果包括:焊缝的强度和焊后残余应力;最后,基于各焊接结果的预测值和预设焊接工艺参数要求,从各待筛选组合中确定目标焊接工艺参数,从而进行焊接操作。本专利技术首先利用训练后得到的焊接结果预测模型对各待筛选组合进行预测得到焊接结果的预测值,然后根据预设焊接工艺参数要求和预测值确定最优的焊接工艺参数,无需进行实际的焊接实验操作来确定最优的焊接工艺参数,减少实验成本和资源浪费,提高焊接工艺的质量和效率。
本文档来自技高网...【技术保护点】
1.一种基于B2B的焊接工艺参数确定方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于B2B的焊接工艺参数确定方法,其特征在于,所述焊接结果预测模型的训练过程,包括:
3.根据权利要求2所述的基于B2B的焊接工艺参数确定方法,其特征在于,基于所述训练集和有放回采样,得到多组样本集,包括:
4.根据权利要求1所述的基于B2B的焊接工艺参数确定方法,其特征在于,所述焊接结果预测模型在云端服务器部署或者在本地搭建。
5.根据权利要求1所述的基于B2B的焊接工艺参数确定方法,其特征在于,分别基于各待筛选组合和焊接结果预测模型,得到对应的焊接结果的预测值,包括:
6.一种基于B2B的焊接工艺参数确定系统,其特征在于,所述系统包括:
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的基于B2B的焊接工艺参数确定方法。
8.根据权利要求7所述的一种电子设备,其特征在于,所述存储器为可读存储介质。
...【技术特征摘要】
1.一种基于b2b的焊接工艺参数确定方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于b2b的焊接工艺参数确定方法,其特征在于,所述焊接结果预测模型的训练过程,包括:
3.根据权利要求2所述的基于b2b的焊接工艺参数确定方法,其特征在于,基于所述训练集和有放回采样,得到多组样本集,包括:
4.根据权利要求1所述的基于b2b的焊接工艺参数确定方法,其特征在于,所述焊接结果预测模型在云端服务器部署或者在本地搭建。
5.根据权利要求1所述的...
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。