[发明专利]基于机器学习的增材制造尺寸预测及工艺优化方法及系统

权利要求书

1.一种基于机器学习的增材制造尺寸预测及工艺优化方法，其特征在于，包括如下步骤：

(S1)将多组工艺参数分别输入训练好的BP神经网络，输出多组预测的焊道尺寸参数；所述工艺参数包括焊机的工艺参数和激光器的工艺参数；

(S2)利用个体适应度函数，计算步骤(S1)输出量的个体适应度值，再利用遗传算子调整输入量，产生具有更好适应性的新的种群即输入量，重复该优化过程直至适应度函数数值收敛，与该适应度函数数值对应的输入量即为一组优化的工艺参数；

(S3)在所述优化的工艺参数数据点附近按照预设的步长增减，获得新的多组优化的工艺参数；

(S4)将所述新的多组优化的工艺参数分别输入所述训练好的BP神经网络，得到新的多组预测的焊道尺寸参数；

(S5)将所述新的多组预测的焊道尺寸参数分别代入目标函数，计算得到的最优目标函数值对应的输入的工艺参数即为最优工艺参数；

所述BP神经网络的训练方法如下：

(S1.1)采集焊机和激光器的工艺参数、焊道尺寸参数，并进行归一化处理，分别作为输入量和输出量，构成训练集；

(S1.2)建立BP神经网络，利用所述训练集训练BP神经网络，通过学习使其具有输入输出之间的映射关系。

2.如权利要求1所述的一种基于机器学习的增材制造尺寸预测及工艺优化方法，其特征在于，步骤(S1)中，所述焊机的工艺参数包括送丝速度、焊接速度、弧长修正和脉冲修正，所述激光器的工艺参数包括激光功率、光斑大小、离焦量，所述焊道尺寸参数包括焊道的焊宽、焊高、宽高比和熔深。

3.如权利要求2所述的一种基于机器学习的增材制造尺寸预测及工艺优化方法，其特征在于，所述BP神经网络包括输入层、三层隐藏层和输出层；

步骤(S1.2)中，BP神经网络的具体训练方式如下：

(S1.2.1)前向传播：将训练集数据输入BP神经网络的输入层，经过三层隐藏层的非线性变换，最后到达输出层并输出结果；若输出结果与期望输出不相符，则执行步骤(S1.2.2)进行误差的反向传播；

(S1.2.2)反向传播：利用误差函数计算输出结果与期望输出之间的误差，将输出误差通过隐藏层向输入层逐层反传，并将误差分摊给各层所有神经元使误差沿梯度方向下降，以各层获得的误差作为调整权值和阈值的依据；

(S1.2.3)重复步骤(S1.2.1)和(S1.2.2)，直到达到预设的收敛条件，确定与最小输出误差相对应的权值和阈值，训练完成。

4.如权利要求3所述的一种基于机器学习的增材制造尺寸预测及工艺优化方法，其特征在于，步骤(S1.2.1)中，输出结果的计算公式为：

z^l＝w^la^l-1+b^l,a^l＝σ(z^l)

其中，z^l表示BP神经网络第l层所有神经元的输入，w^l表示第(l-1)层神经元连接到第l层的神经元的权重，b^l表示第l层神经元的偏置，a^l表示第l层的输出，σ表示激活函数。

5.如权利要求4所述的一种基于机器学习的增材制造尺寸预测及工艺优化方法，其特征在于，步骤(S1.2.2)中，所述误差函数公式如下：

式中，J(θ)表示BP神经网络的输出值和期望输出之间的误差，θ表示x⁽ⁱ⁾映射为y⁽ⁱ⁾的权重，x⁽ⁱ⁾是第i组输入样本，h_θ(x⁽ⁱ⁾)是第i组输入样本的预测值，y⁽ⁱ⁾是表示第i组样本的期望输出，m表示样本组数。