【技术实现步骤摘要】
本专利技术涉及激光熔覆工艺参数优化，具体地指一种基于随机森林算法的激光熔覆工艺参数确定方法。
技术介绍
1、激光熔覆是一种先进的表面材料处理技术，可用于制造、修复和改善金属和非金属材料的表面性能。然而，由于激光熔覆过程中涉及到的复杂物理、化学和热力学现象，其熔覆层质量的控制和优化是一个具有挑战性的问题。近年来，神经网络模型的广泛应用为解决这一问题提供了新的思路和方法。神经网络是一种人工智能技术，它可以自动从数据中学习规律、进行预测和决策。神经网络可以用于激光熔覆的模型构建，实现对材料微观结构和性能之间的关系进行建模和优化。这种方法可以帮助研究人员快速而准确地预测材料的性能，同时也能够优化激光熔覆过程的控制参数，提高其表面质量和性能。目前，使用神经网络模型可以从实验数据和数值模拟结果中学习并构建材料性能预测模型。利用人工神经网络模型，可以在一定条件下预测不同材料在激光熔覆过程中的微观结构和硬度等性能。但是在激光熔覆参数优化过程中，样品数据较少，在应用过程中存在以下问题：
2、1、神经网络通常需要大量的标记数据进行训练，特别是深度神经网络。在激光熔覆领域，工艺参数收集和标记可能非常昂贵和耗时，难以获得足够的数据来训练准确的模型。
3、2、深度神经网络容易过拟合，特别是在训练数据有限的情况下。过拟合会导致模型在未见过的数据上表现不佳。
4、3、神经网络通常能够捕捉数据中的相关性，但不一定能够推断因果关系。在某些应用中，了解因果关系可能更为重要。
技术实现思路>
1、本专利技术的目的在于克服上述不足，提供一种基于随机森林算法的激光熔覆工艺参数确定方法，解决
技术介绍
中提出的问题。
2、本专利技术为解决上述技术问题，所采用的技术方案是：一种基于随机森林算法的激光熔覆工艺参数确定方法，它包括如下步骤：
3、s1：训练数据采集与处理：设计试验收集激光熔覆过程中的相关数据，同时对采集到的数据进行预处理；
4、s2：特征工程：对采集到的数据进行特征工程，包括特征提取和特征选择步骤，以选择出与激光熔覆过程相关的特征变量；
5、s3：使用随机森林算法对数据进行训练，建立模型并调整模型参数，以提高模型的准确性和稳定性；
6、s4：为降低少样本参数带来的过拟合，定义超参数空间并使用贝叶斯优化，找到最优的超参数组合，提高模型的性能。
7、进一步地，所述步骤s1具体为：设计正交试验收集激光熔覆过程中的工艺参数，包括激光功率、送粉速率、扫描速度、送粉量，同时需要对采集到的数据进行预处理，包括缺失值处理、异常值检测和数据标准化，确保后续模型建立的准确性。
8、进一步地，所述步骤s2中：选择出与激光熔覆过程相关的特征变量时，首先确定需要优化的对象，此步骤根据需求不同而选择不同的特征变量。
9、更进一步地，对于控制熔覆层裂纹而言，输入熔覆层的热量是关键参数之一，因此特征变量选择激光功率、扫描速度、送粉量；而对于表面质量形貌要求较高时，粉末的控制较为重要，因此特征变量选择激光功率、送粉量、搭接率。
10、进一步地，所述步骤s2中，由于样本数量较少，需要定义与优化参数相关性更强的输入量，提高输入数据的维度，这里选择与裂纹率密切相关的无量纲参数；选取激光功率(q)、扫描速度(v)、送粉量(ω)、光斑半径(rb)、材料密度(ρ)，热扩散率(α)、热导率(λ)、比热容(cp)、粉末熔点(tm)、环境温度(t0)作为相关参数；其对应的量纲分别为ml2t-3、lt-1、mt-1、l、lt-3、l2t-1、mlt-3θ-1,粉末熔点(tm)和环境温度(t0)的量纲均为θ。
11、更进一步地，定义无量纲量裂纹率如下：
12、
13、式中a为激光表面吸收率，η为粉末利用率。
14、进一步地，所述步骤s3中，构建随机森林模型算法，其过程包括收集数据、随机抽样、构建决策树、集成多个决策树；
15、(1)采用自助采样的方法，即从原始数据集中有放回地随机抽取样本，生成样本集dn(n＝1,...,k)，此样本集作为该树的训练集；
16、(2)假设每个样本的特征维度为l，指定一个常数l远小于l，随机从l个特征中选取l个特征子集，分裂时从特征子集中选取最优特征参数；
17、(3)递归地对每个子节点进行上述步骤，直到满足终止条件，在终止条件下，返回该叶子节点上的样本数据的平均值；
18、在每个节点上，使用平均方差作为性能评估指标；mse计算公式如下：
19、
20、式中yi是第i个样本的真实值，是第i个样本的预测值，n是样本总数。
21、进一步地，所述步骤s4具体为：首先定义超参数搜索空间，超参数搜索空间包含四个特征参数，分别为随机森林中决策树的数量t、每个决策树在分裂节点时考虑的最大特征数量f、决策树分裂一个节点所需的最小样本数s以及每个叶节点所需的最小样本数p；
22、基于高斯过程回归，贝叶斯优化的流程如下：
23、(1)输入一组超参数组合f、超参数搜索空间x、数据集d、采集函数s、随机森林模型m；
24、假设函数f:x→r，使用采集函数用于在x中寻找x满足x*＝argminx∈xf(x)；
25、(2)获取数据集d，d＝(x1,y1),...,(xn,yn)，其中yi＝f(xi)；
26、(3)循环选出参数，已知数据集d，计算得出模型具体函数；
27、(4)得到超参数组合xi：
28、
29、其中argmaxs()函数用于返回最大值，然后将优化后的超参数空间传递给评估函数，评估函数采用超参数值和训练集作为输入，创建随机森林回归模型并对其进行训练，最后使用测试集数据进行预测，并计算均方误差作为评估指标。
30、本专利技术的有益效果：
31、(1)本专利技术使用随机森林算法不需要大量的工艺参数样本数据，有效的减少了前期试验成本。
32、(2)本专利技术提出超参数空间优化算法，可提高在低样本数据量下的预测精度和稳定性，有效的避免了模型的过拟合。
33、(3)随机森林算法具有较高的可解释性，能够清晰地展示每个变量的重要性和影响程度，使研究人员更容易理解和解释模型的预测结果。
34、(4)本专利技术提出了无量纲量输入参数，与优化参数存在强相关性，有效解决了样本量少的情形下预测漂移问题。
本文档来自技高网...【技术保护点】
1.一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：它包括如下步骤：
2.根据权利要求1所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤S1具体为：设计正交试验收集激光熔覆过程中的工艺参数，包括激光功率、送粉速率、扫描速度、送粉量，同时需要对采集到的数据进行预处理，包括缺失值处理、异常值检测和数据标准化，确保后续模型建立的准确性。
3.根据权利要求1所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤S2中：选择出与激光熔覆过程相关的特征变量时，首先确定需要优化的对象，此步骤根据需求不同而选择不同的特征变量。
4.根据权利要求3所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：对于控制熔覆层裂纹而言，输入熔覆层的热量是关键参数之一，因此特征变量选择激光功率、扫描速度、送粉量；而对于表面质量形貌要求较高时，粉末的控制较为重要，因此特征变量选择激光功率、送粉量、搭接率。
5.根据权利要求3所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤
6.根据权利要求5所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：定义无量纲量裂纹率如下：
7.根据权利要求1所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤S3中，构建随机森林模型算法，其过程包括收集数据、随机抽样、构建决策树、集成多个决策树；
8.根据权利要求1所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤S4具体为：首先定义超参数搜索空间，超参数搜索空间包含四个特征参数，分别为随机森林中决策树的数量T、每个决策树在分裂节点时考虑的最大特征数量F、决策树分裂一个节点所需的最小样本数S以及每个叶节点所需的最小样本数P；
...【技术特征摘要】
1.一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：它包括如下步骤：
2.根据权利要求1所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤s1具体为：设计正交试验收集激光熔覆过程中的工艺参数，包括激光功率、送粉速率、扫描速度、送粉量，同时需要对采集到的数据进行预处理，包括缺失值处理、异常值检测和数据标准化，确保后续模型建立的准确性。
3.根据权利要求1所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤s2中：选择出与激光熔覆过程相关的特征变量时，首先确定需要优化的对象，此步骤根据需求不同而选择不同的特征变量。
4.根据权利要求3所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：对于控制熔覆层裂纹而言，输入熔覆层的热量是关键参数之一，因此特征变量选择激光功率、扫描速度、送粉量；而对于表面质量形貌要求较高时，粉末的控制较为重要，因此特征变量选择激光功率、送粉量、搭接率。
5.根据权利要求3所述的一种基于随机森林算法的激光熔覆工艺参数确定方法，其特征在于：所述步骤s2中，由于样本数量较少，需要定义与优化参数...
【专利技术属性】
技术研发人员：陈磊，谭晓霞，李贵吉，张海库，刘得潭，商永喜，
申请(专利权)人：大唐水电科学技术研究院有限公司，
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。