[發明專利]一種面向批量加工的堆焊工藝參數優化方法

有效

• 申請號: 201410270025.3
• 申請日: 2014-06-17
• 公開（公告）號: CN105279291B
• 公開（公告）日: 2018-08-17
• 發明（設計）人: 張華;謝玉婷;馬峰;鄢威;江志剛;向琴;肖永茂;龔青山;張緒美;趙剛
• 申請（專利權）人: 武漢科技大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 湖北武漢永嘉專利代理有限公司 42102
• 代理人: 胡琳萍

1.一種面向批量加工的堆焊工藝參數優化方法，其特征在于，包括以下步驟：

1)根據待焊件確定待優化的堆焊工藝參數，所述工藝參數包括有焊條直徑、焊接電流、電弧電壓、焊接速度和焊接層數；

2)根據焊件厚度和焊條屬性確定待優化堆焊工藝參數的約束條件；

3)確定優化目標，根據優化目標建立優化目標與待優化堆焊工藝參數的綜合優化模型；

4)通過有限次試驗獲得優化目標與焊接工藝參數之間的離散關系；

5)根據綜合優化模型與焊接工藝參數之間的離散關系，建立模糊函數模型，同時對離散關系進行擬合建立與模糊函數模型對應的擬合函數；

6)對擬合函數實施最優值求解；

步驟3)中所述優化目標包括焊接過程中的能耗和焊接產品的合格率；

批量生產過程中能耗與待優化工藝參數的“黑箱”函數模型為：

其中EC(X)為能量消耗，M代表M臺設備，N代表N件產品，D為焊條直徑,I為焊接電流,U為電弧電壓,V為焊接速度,n為焊接層數；

合格率與工藝參數的“黑箱”函數模型為：

Q(X)＝Q(D,I,U,V,n)，Q(X)為批量生產的焊接產品的合格率；

綜合優化目標模型：

Y＝EC(X)/Q(X)，Y_min為最優模型。

2.根據權利要求1所述的堆焊工藝參數優化方法，其特征在于，步驟5)中采用神經網絡的方法來擬合輸入、輸出之間的函數關系。

3.根據權利要求2所述的堆焊工藝參數優化方法，其特征在于，采用神經網絡的方法來擬函數關系具體步驟如下：

用神經網絡的隱式來表達輸入、輸出之間的模糊函數關系，即將離散數據作為樣本輸入網絡進行訓練，建立輸入、輸出之間的非線性映射關系，并將信息存儲在連接權上，利用網絡的記憶功能形成虛擬函數，在后續的求解計算中可以直接調用此虛擬函數。

4.根據權利要求1所述的堆焊工藝參數優化方法，其特征在于，步驟6)中采用食物鏈算法對擬合函數實施最優值求解。

5.根據權利要求4所述的堆焊工藝參數優化方法，其特征在于，步驟6)中采用的食物鏈算法具體如下：

a.初始化：設置優化變量及初始樣本，將焊接產品合格率和能量消耗的綜合優化函數模型作為優化目標函數；

b.覓食：設置鄰域大小作為每一次尋優的范圍，通過比較綜合優化目標Y值大小作為覓食行為，保留較小的值，記作Y_min，直到所有人工生命都完成一次搜索，進入下一步；

c.更新位置：所有的生命個體均完成一次覓食行為之后，構成新的人工生命，這個過程相當于通過尋優機制，各人工生命個體實現了更新與優化；

d.成熟個體的選擇：按比例確定成熟及死亡人工生命個體，將所有的人工生命個體按其目標函數值從小到大排序，選取前半部分的人工生命個體作為成熟個體進入下一步，即進行新陳代謝活動；后半部分的人工生命個體，作為死亡個體，從人工生命世界中淘汰；

e.新陳代謝：設置隨機數生成函數，生成和成熟生命個體數量相同的子代人工生命個體，并與成熟的生命個體共同組成新的人工生命集體；

f.循環控制：當循環總代數不小于設定的最大循環代數時，結束求解過程，此時輸出的全局最優解即為綜合函數模型的最優值，對應各參數的值即為最優的工藝參數，然后將參數代入已經訓練好的神經網絡模型，便可得到優化的合格率和能量消耗值。