一种基于机器学习的激光送丝工艺参数的控制方法及系统技术方案

本发明专利技术提供一种基于机器学习的激光送丝工艺参数的控制方法及系统，属于激光送丝领域。为了解决现有激光送丝工艺需要人工修正工艺参数，效率低，且人工修正误差相对较大的问题。本发明专利技术通过测试不同激光功率、扫描速度和送丝速度得到的单轨道沉积物的珠高和珠宽，然后将数据集利用BP神经网络获得拟合模型，利用模型进行工艺加工。利用工艺参数数据样本，可以较好地通过工艺参数预测沉积物地珠高和珠宽，以及通过需要的珠宽和珠高来反向预测所需的工艺参数，因此可以减低工艺人员因实时观察熔池判断有误而出现的层积物形状偏差，也可以实现对设备数据进行挖掘分析,并赋予设备智能化处理工艺过程的能力，降低了工艺过程对工艺人员的专业要求。

【技术实现步骤摘要】

本专利技术涉及激光送丝，具体而言，涉及一种基于机器学习的激光送丝工艺参数的控制方法及系统。

技术介绍

1、激光直接金属沉积(ldmd)属于一种增材制造方法，可在基板上提供具有良好耐腐蚀性、表面光洁度好和精确几何形状的金属熔覆层，已广泛应用于航空航天、能源动力、冶金机械等领域。然而，激光送丝熔覆的工艺稳定性是限制其工业应用的重要因素之一，因此，激光送丝工艺参数的控制具有重要的意义。

2、在直接能量沉积中，激光和丝材金属相互作用，液化并沉积在基板材料上，由于对整个沉积过程复杂，很难直接构建一个非常准确的物理模型，能够准确地显示工艺参数与沉积物珠宽、珠高之间的关系。

3、传统的控制方法是根据经验预设工艺参数，然后观察沉积物和熔池状态手动调整加工参数，然而，通过人工经验修正工艺参数，这样的过程往往不是最合理的，而且加工过程中需要技术工艺师全程观察，效率低下。

技术实现思路

1、本专利技术要解决的技术问题是：

2、为了解决现有激光送丝工艺需要人工修正工艺参数，效率低，且人工修正误差相本文档来自技高网...

【技术保护点】

1.一种基于机器学习的激光送丝工艺参数的控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于机器学习的激光送丝工艺参数的控制方法，其特征在于：在步骤S200中，将激光功率、扫描速度和送丝速度设为BP神经网络的输入参数X，将珠宽和珠高设为神经网络的输出Y；

3.根据权利要求2所述的一种基于机器学习的激光送丝工艺参数的控制方法，其特征在于：隐藏层与输出层的判别函数使用Sigmoid函数对于训练集而言，假设当前神经网络输出为那么BP神经网络在数据集上的均方差为：

4.根据权利要求3所述的一种基于机器学习的激光送丝工艺参数的控制方法，其特征在...

【技术特征摘要】

1.一种基于机器学习的激光送丝工艺参数的控制方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于机器学习的激光送丝工艺参数的控制方法，其特征在于：在步骤s200中，将激光功率、扫描速度和送丝速度设为bp神经网络的输入参数x，将珠宽和珠高设为神经网络的输出y；

3.根据权利要求2所述的一种基于机器学习的激光送丝工艺参数的控制方法，其特征在于：隐藏层与输出层的判别函数使用sigmoid函数对于训练集而言，假设当前神经网络输出为那么bp神经网络在数据集上的均方差为：

4.根据权利要求3所述的一种基于机器学习的激光送丝工艺参数的控制方法，其特征在于：采用梯度...

【专利技术属性】
技术研发人员：高永卓，赵祥贤，董为，于楠，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：