[发明专利]一种基于BP神经网络焊接工艺参数优化方法

说明书

本发明提供一种基于BP神经网络的工艺参数优化方法，其具体思路为：基于有限元计算方法，建立激光焊接模型并加载热源，通过实验测温对热源模型进行修正，然后对计算所得的温度场和变化规律进行分析，得到神经网络的训练样本数据。BP算法是按误差逆传播算法训练的多层前馈网络，学习规则是最速下降法，通过反向传播来不断调整网络的权值和阈值，减小网络误差。本发明简化焊接工艺参数调节过程，能够根据焊接工件参数快速适配优质的工艺参数；优化工艺参数，提高焊缝接头力学性能。

技术领域

本发明涉及焊接领域，尤其涉及一种基于BP神经网络焊接工艺参数优化方法。

背景技术

由于焊接过程具有高度的复杂性、不确定性、可变性和多变量耦合性，给焊接过程建立通用的数学模型是极其困难的。由于没有通用的数学模型，在实际焊接过程中，需要焊接经验丰富的工程师针对当前的焊接条件，不断调节起弧、收弧、送气、焊枪速度等参数，不断优化焊接效果以达到产品要求。这种工艺参数调整方式对焊接调试人员技术水平要求极高。专业焊接技术人员短缺，焊接工艺调试过程复杂，焊接生产效率和工艺设计效率低下是当前焊接领域面临的主要问题。

发明内容

根据以上技术问题，本发明提供一种基于BP神经网络的工艺参数优化方法，其具体思路为：基于有限元计算方法，建立激光焊接模型并加载热源，通过实验测温对热源模型进行修正，然后对计算所得的温度场和变化规律进行分析，得到神经网络的训练样本数据；

1、建立钢铝激光焊接的神经网络模型，利用所得的训练样本对神经网络进行学习、训练，通过神经网络优化焊接工艺参数；

2、选定激光焊接工艺参数范围，设计正交试验，通过数值模拟获得试验结果，得到不同工艺参数下的焊接熔深数据作为神经网络的训练样本；

3、利用训练样本对BP神经网络进行训练，获得焊接工艺参数和熔接深度之间的非线性映射关系；

4、在选定的最优熔深数据点附近对每个工艺参数增加和减少某一微小步长，获得新的一组工艺参数，重新设计正交实验，获得新的工艺参数组合；

5、通过BP神经网络仿真预测新的工艺参数下的熔深数据；

6、在新的熔深数据中查找最逼近合适熔深数据的点，若熔深已满足要求，则优化结束，反之则返回步骤5继续寻优，直至获得最优工艺参数组合；

7、分析最优工艺参数条件下的应力场，找出焊接过程和冷却过程中应力场的变化规律；

8、观察最优工艺参数条件下焊接接头表面成形性和表面缺陷，测试焊接接头的力学性能。

所述BP神经网络包括输入层、隐含层、输出层及各层之间的传递函数，BP网络可以包含不同的隐层，本设计选用单隐层的神经网络模型，

所述BP神经网络的学习过程分两个阶段：第一阶段是输入已知学习样本，结合网络结构和前一次迭代的权值和阈值，从前往后计算各神经元的输出；第二阶段是修改权值和阈值，从后往前计算各权值和阈值对总误差的影响，据此对各权值和阈值进行修改。以上两个过程反复交替，直到误差达到收敛为止。

在选定的最优熔深数据点附近对每个工艺参数增加或减少某一微小步长，获得一组新的工艺参数，重新设计正交实验，获得新的工艺参数组合，通过BP神经网络仿真预测新的工艺参数下的熔深数据，反复优化计算，直至最新熔深数据是否满足要求。