[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

说明书

本发明公开了一种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，属于增材制造领域，方法通过训练BP神经网络使之具有输入的焊机和激光器工艺参数与输出的焊道尺寸参数之间的映射关系；利用个体适应度函数，计算个体适应度值，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；进而对优化的工艺参数步长增减获得多组工艺参数，再利用训练好的BP神经网络预测得到焊道尺寸参数，最后通过目标函数获取最优工艺参数。本发明解决了现有技术激光电弧复合增材制造焊道尺寸参数预测误差较大和输入焊机激光器工艺参数的优化问题。

技术领域

本发明属于增材制造技术领域，更具体地，涉及一种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。

背景技术

近年来，增材制造(AM)技术，又称3D打印，有着快速原型制造或者自由成型制造的特点，所以其在制造复杂零件方面有着很大的优势。相比于单一电弧增材制造，激光电弧复合增材制造具有电弧稳定、沉积效率高、焊道形貌好、力学性能高等诸多优点，越来越受到研究者的关注。由于激光电弧复合增材是逐层逐道沉积的过程，因此每一道的表面质量都可能对最终部件的质量产生影响。因而研究激光电弧复合增材制造过程中焊道尺寸的变化及实现对堆积过程中参数的控制对增材制造质量的保证有着重要的意义。近年来，随着人工智能技术的发展，通过神经网络方法训练出的网络模型，可以结合送丝速度、焊接速度、弧长修正、脉冲修正、激光功率、光斑大小、离焦量等工艺参数直接得到预测焊道尺寸的值，并根据行业的标准，对于预测焊道尺寸的值进行调整，达到最优解。

类似上述中的现有的技术方案存在以下缺陷：例如，使用线性回归预测焊道尺寸，由于输入参数一般是多个，与部件尺寸不一定呈线性相关的，此时用线性回归预测结果是不太准确的。使用多项式来预测焊道尺寸，然而多项式中最高次的次数不好确定，训练出来的模型所能达到的准确率往往不太令人满意。使用普通的神经网络来预测焊道尺寸，虽然可以达到一定的准确率的，但是误差比较大。

因此，有必要研究一种基于机器学习的增材制造尺寸预测及工艺优化方法，以提升激光电弧复合增材制造焊道尺寸参数预测的准确性和输入焊机激光器工艺参数的优化度。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种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，其目的在于，通过训练BP神经网络使之具有输入的焊机和激光器工艺参数与输出的焊道尺寸参数之间的映射关系，通过遗传算法获得优化的工艺参数，进而对优化的工艺参数步长增减获得多组工艺参数，再利用训练好的BP神经网络预测得到焊道尺寸参数，最后通过目标函数获取最优工艺参数，由此解决现有技术激光电弧复合增材制造焊道尺寸参数预测误差较大和输入焊机激光器工艺参数的优化问题。

为实现上述目的，按照本发明的一个方面，提供了以下技术方案：

一种基于机器学习的增材制造尺寸预测及工艺优化方法，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：