[發明專利]基于機器學習的增材制造尺寸預測及工藝優化方法及系統

在審

• 申請號: 202110790025.6
• 申請日: 2021-07-13
• 公開（公告）號: CN113569352A
• 公開（公告）日: 2021-10-29
• 發明（設計）人: 張海鷗;吳俊;李潤聲;戴福生;王凱;王桂蘭;王睿哲
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/08;G06F113/10
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 劉洋洋

本發明公開了一種基于機器學習的增材制造尺寸預測及工藝優化方法及系統，屬于增材制造領域，方法通過訓練BP神經網絡使之具有輸入的焊機和激光器工藝參數與輸出的焊道尺寸參數之間的映射關系；利用個體適應度函數，計算個體適應度值，再利用遺傳算子調整輸入量，產生具有更好適應性的新的種群即輸入量，重復該優化過程直至適應度函數數值收斂，與該適應度函數數值對應的輸入量即為一組優化的工藝參數；進而對優化的工藝參數步長增減獲得多組工藝參數，再利用訓練好的BP神經網絡預測得到焊道尺寸參數，最后通過目標函數獲取最優工藝參數。本發明解決了現有技術激光電弧復合增材制造焊道尺寸參數預測誤差較大和輸入焊機激光器工藝參數的優化問題。

技術領域

本發明屬于增材制造技術領域，更具體地，涉及一種基于機器學習的增材制造尺寸預測及工藝優化方法及系統。

背景技術

近年來，增材制造(AM)技術，又稱3D打印，有著快速原型制造或者自由成型制造的特點，所以其在制造復雜零件方面有著很大的優勢。相比于單一電弧增材制造，激光電弧復合增材制造具有電弧穩定、沉積效率高、焊道形貌好、力學性能高等諸多優點，越來越受到研究者的關注。由于激光電弧復合增材是逐層逐道沉積的過程，因此每一道的表面質量都可能對最終部件的質量產生影響。因而研究激光電弧復合增材制造過程中焊道尺寸的變化及實現對堆積過程中參數的控制對增材制造質量的保證有著重要的意義。近年來，隨著人工智能技術的發展，通過神經網絡方法訓練出的網絡模型，可以結合送絲速度、焊接速度、弧長修正、脈沖修正、激光功率、光斑大小、離焦量等工藝參數直接得到預測焊道尺寸的值，并根據行業的標準，對于預測焊道尺寸的值進行調整，達到最優解。

類似上述中的現有的技術方案存在以下缺陷：例如，使用線性回歸預測焊道尺寸，由于輸入參數一般是多個，與部件尺寸不一定呈線性相關的，此時用線性回歸預測結果是不太準確的。使用多項式來預測焊道尺寸，然而多項式中最高次的次數不好確定，訓練出來的模型所能達到的準確率往往不太令人滿意。使用普通的神經網絡來預測焊道尺寸，雖然可以達到一定的準確率的，但是誤差比較大。

因此，有必要研究一種基于機器學習的增材制造尺寸預測及工藝優化方法，以提升激光電弧復合增材制造焊道尺寸參數預測的準確性和輸入焊機激光器工藝參數的優化度。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于機器學習的增材制造尺寸預測及工藝優化方法及系統，其目的在于，通過訓練BP神經網絡使之具有輸入的焊機和激光器工藝參數與輸出的焊道尺寸參數之間的映射關系，通過遺傳算法獲得優化的工藝參數，進而對優化的工藝參數步長增減獲得多組工藝參數，再利用訓練好的BP神經網絡預測得到焊道尺寸參數，最后通過目標函數獲取最優工藝參數，由此解決現有技術激光電弧復合增材制造焊道尺寸參數預測誤差較大和輸入焊機激光器工藝參數的優化問題。

為實現上述目的，按照本發明的一個方面，提供了以下技術方案：

一種基于機器學習的增材制造尺寸預測及工藝優化方法，包括如下步驟：

(S1)將多組工藝參數分別輸入訓練好的BP神經網絡，輸出多組預測的焊道尺寸參數；所述工藝參數包括焊機的工藝參數和激光器的工藝參數；

(S2)利用個體適應度函數，計算步驟(S1)輸出量的個體適應度值，再利用遺傳算子調整輸入量，產生具有更好適應性的新的種群即輸入量，重復該優化過程直至適應度函數數值收斂，與該適應度函數數值對應的輸入量即為一組優化的工藝參數；

(S3)在所述優化的工藝參數數據點附近按照預設的步長增減，獲得新的多組優化的工藝參數；

(S4)將所述新的多組優化的工藝參數分別輸入所述訓練好的BP神經網絡，得到新的多組預測的焊道尺寸參數；

(S5)將所述新的多組預測的焊道尺寸參數分別代入目標函數，計算得到的最優目標函數值對應的輸入的工藝參數即為最優工藝參數；

所述BP神經網絡的訓練方法如下：