基于BP神经网络的镁合金焊缝成形预测

为了研究镁合金的焊缝成形效果,搭建了焊接试验平台和数据采集系统,通过试验采集焊缝的数据样本,作为BP神经网络的学习训练和预测样本。建立了基于BP神经网络的镁合金焊缝成形预测模型,利用神经网络的映射能力和分析能力,采用焊接过程的焊接电流、焊接电压、焊接速度、焊丝干伸长作为预测输入,把焊缝成形中的焊缝熔深、熔宽、余高作为信息输出对神经网络进行训练,从而建立基于BP神经网络的焊接参数和焊缝成形的映射模型,通过BP神经网络的预测试验,预测值与实际值的误差能够控制在5%以内,可以满足设计要求。     

脉冲PAW快速成形焊缝尺寸的预测模型

介绍了一种基于脉冲等离子焊接快速成形的方法,并采用Taguchi法对单道成形试验进行了合理设计,从而获得了多组焊接工艺参数下的熔宽和余高数据.通过遗传算法（GA）结合BP神经网络的方法建立了等离子焊接快速成形的预测模型,该模型预测了不同焊接成形工艺参数下单道成形的熔宽和余高.结果表明,通过误差分析和线性回归的方法验证了模型具有较高的预测精度和泛化能力,能够合理的预测焊道尺寸,并能推广到多层多道堆积成形尺寸的预测.     

神经网络方法在建立脉冲激光焊焊缝形状模型中的应用

介绍了利用BP网络建立脉冲激光焊焊缝形状模型的原理。在脉冲激光焊焊接10Mn板的试验中,利用BP网络原理建立的网络模型用以预测脉冲激光焊焊缝形状,结果显示该模型具有可行性和实用性。     

电弧焊熔池表征与熔透状态映射研究

针对电弧焊熔池图像特点,试验研究通过熔池特征映射熔透状态的方法。在焊接过程中由摄像机实时摄取熔池图像,并通过图像处理得到熔池的轮廓,而后提取熔池面积、熔宽以及熔池图像质心到熔池图像底部的距离等三个特征量,用这三个特征作为BP(Back Propagation)神经网络的输入参数,从而建立熔透识别模型。通过改变BP神经网络的隐含层神经元个数及训练函数获得不同的模型,分析比较各个模型对熔透的识别效果,并把识别效果最好的模型作为最终的焊缝熔透状态识别模型。试验结果表明,将Levenberg-Marquardt算法作为BP神经网络模型的训练算法能更加准确预测焊缝熔透状态。     

基于机器学习的铝合金脉冲激光焊接工艺及质量预测研究

铝合金脉冲激光焊接能够精准调节激光能量输入,广泛应用于动力电池与新能源汽车等精密加工领域。然而,铝合金自身高导热率和高反射率等固有属性,以及与高能量激光剧烈的相互耦合作用,对工艺参数优化和焊接质量控制带来挑战。以2 mm厚1060铝合金作为研究对象,主要分析了不同脉冲激光工艺参数（峰值功率、脉冲频率和焊接速度）对焊缝成形的影响规律;以工艺参数为多维输入变量,进一步构建了基于BP神经网络的熔池尺寸预测模型。结果表明：不同工艺参数均对焊缝熔深和熔宽有直接影响,需要确定一个合适的工艺窗口;同时构建模型的平均预测误差在10%以内,具有较高的预测精度。为铝合金脉冲激光焊接质量预测及工艺优化提供了可靠的实验和指导依据。     

CO2焊接工艺参数优化的人工神经网络设计

比较了在虚拟仪器开发软件LabVIEW编程基础上用多种方法实现BP神经网络算法的优劣,并利用LabVIEW编程环境提供的CIN(Call Library Function Node)节点调用C语言编程代码.建立改进算法的多层BP神经网络,以焊接电流、电弧电压、焊接速度、施焊角度为输入层,焊缝熔宽、焊缝熔深为输出层.实验证明,利用该神经网络模型,可预测焊缝成形,并根据需要,选择CO2焊接工艺参数,在实际应用中取得较好的效果.     

大功率盘型激光焊接焊缝外观在线预测模型

焊缝成形在线检测和评估在自动焊接过程中具有举足轻重的作用。熔池形态与焊缝成形密切相关,而焊接过程中的熔池形态特征变化数据可以通过高速视觉传感器及相应的图像处理程序在线获取,通过BP神经网络建立在线获取的特征数据与焊后焊缝成形之间的非关系模型实时的进行焊后焊缝成形的预测,从而为自动焊接控制和焊接质量在线检测建立基础。     

基于多因素权重法的高压GMAW焊缝成形分析

水下高压干式GMAW焊缝成形难以控制,影响焊接质量,通过多因素权重法对影响高压GMAW焊缝成形的参数进行分析,以确定焊接过程中主要参数与焊缝成形之间的关系. 以高压GMAW焊接正交试验结果作为训练样本,利用BP神经网络建立了焊缝成形预测模型. 将模型预测结果与实际焊接试验结果进行对比,验证了模型的精确度. 以预测模型中的权值为基础,通过Garson算法得出各参数变量对于焊缝成形参数的权重系数,并通过高压干式GMAW试验进行验证. 结果表明,不同焊接参数变化引起的焊缝成形参数变化幅度与相应焊接参数对焊缝成形的影响权重基本对应,所得权重系数对于高压GMAW焊接工程应用具有指导作用.     

基于BP人工神经网络的油箱端盖拉深成形仿真预测

以油箱端盖作为分析对象,借助DYNAFORM仿真软件,对油箱端盖的拉深成形过程进行数值模拟,并通过拉深成形试验验证可知,板料最大减薄率与最大增厚率的试验值与模拟值之间的相对误差分别为9.26%与8.32%,验证了有限元模型的正确性。结合正交试验,进行有限元仿真试验的设计,基于BP人工神经网络,对板料的成形质量进行仿真预测。选择冲压速度、模具间隙以及压边力作为输入层,将板料成形的最大减薄率作为输出层,建立了3-11-1的3层BP人工神经网络。通过BP人工神经网络的训练与测试得知:BP人工神经网络仿真预测值与数值模拟值之间的相对误差为2.15%,验证了BP人工神经网络应用于油箱端盖拉深成形质量仿真预测的正确性。     

基于BP人工神经网络模型的激光焊缝宽度预测方法

激光焊缝宽度是考核激光拼焊板质量的重要指标之一,直接影响到拼焊板的成形性能.因此,通过对激光焊缝宽度进行预测可以达到焊接工艺参数优化的目的,以提高拼焊板的焊接质量与成形性能.本文利用BP人工神经网络技术建立了焊缝宽度预测模型,该模型可以实现对焊缝宽度的有效预测,预测精度达到96%以上,具有较好的工业实用价值.     

改进型BP网络在优化焊接工艺参数中的应用

运用改进的BP网络方法建立焊接工艺参数与焊缝成形的关系.提出了L-M(Levenberg-Marquardt)优化算法进行改进BP神经网络,采用六因素和两水平的正交试验法安排实验,保证了网络训练样本的代表性,构建了旋转电弧焊缝成形的预测模型.预测结果表明,该方法有较高的预测精度,最大相对误差不超过3%.该网络模型的建立为优化旋转电弧工艺参数提供理论依据.     

焊接成形中焊接参数的选取与焊缝尺寸的预测

通过TIG堆焊试验,获取了在一定焊接参数下成形焊缝的熔宽、余高尺寸数据.建立了双BP神经网络模型:模型1,由焊接参数预测焊缝尺寸;模型2,由焊缝尺寸预测焊接参数.可先通过模型2预测一定尺寸的焊缝所对应的焊接参教,对预测的焊接参数作适当调整后再输入到模型1中,检验该焊接参数条件下获得的焊缝尺寸是否符合要求.可以利用此双模型选取合适的焊接参数来对焊缝尺寸进行控制,取得了较好的试验效果.     

电加热渐进成形工艺参数优化及成形温度预测

电加热渐进成形的成形温度是影响板料塑性性能和成形件质量的关键因素。本文采用正交试验方案进行了电加热渐进成形试验,分析了工具头直径、进给速度、垂直进给量和电流对成形温度的影响,并得到局部最优的电加热渐进成形参数组合。建立了输入为电加热渐进成形工艺参数,输出为成形温度的BP神经网络,利用正交试验的数据训练该网络,通过测试样本检验温度预测模型的精度。针对BP神经网络平均误差大(12.86%)的问题,分别用遗传算法(GA)和粒子群算法(PSO)优化了BP神经网络模型的权值和阀值,使预测误差分别降低到3.87%和9.05%。GA-BP神经网络模型可以高精度地预测工艺参数和成形温度之间的关系。     

非等厚异种钢电阻点焊焊点成形及神经网络预测

利用交流电阻点焊机在大量工艺试验的基础上,采用人工神经网络的方法,针对非等厚异种钢的双脉冲点焊构造了一种点焊焊点成形预测模型.该模型输入层由焊接电流、电极压力、通电时间和脉冲间隔组成,隐层为三节点双隐层,输出层包括熔核直径、熔核偏移量.通过试验,研究了输入层各焊接规范参数对焊点成形的影响,与神经网络预测结果对比表明,该模型预测结果与试验结果有较好的一致性,建立的模型较为可靠.     

基于粗糙集BP神经网络的AZ31镁合金挤压力快速预测模型

利用粗糙集、BP神经网络和有限元模拟3种方法有机结合,对AZ31镁合金挤压力进行快速预测。针对BP神经网络结构中隐层神经元个数、输入层至隐层神经元间初始权值大小的确定,提出一种基于粗糙集理论优化BP网络结构的方法,通过粗糙集属性约简、属性权重确定,对训练样本数据进行处理,根据结果确定BP网络的输入、输出、隐层神经元数及输入层至隐层神经元间初始权值,并应用于AZ31镁合金挤压力快速预测中,建立挤压工艺参数与挤压力间的非线性映射关系。与试验对比结果表明,该快速预测模型预测精度高,误差在5%以内;预测时间短,在10s左右。解决了传统挤压力预测中的精度差、效率低的问题。该方法还可推广应用到对挤压出口温度等参数的预测。     

基于人工神经网络的Q235焊缝强韧性预测

采用正交试验L9(34)设计Q235钢的机器人焊接试验次数及焊接参数，通过拉伸试验和低温冲击试验分别获取9组焊缝抗拉强度和冲击吸收能量样本数据，并进行归一化处理；通过Matlab工具箱函数分别建立BP网络、RBF网络和Elman网络，在尝试性学习训练和泛化验证的基础上确定各网络的最佳结构及主要参数，即BP网络结构确定为3×10×2，RBF网络spread值设为2.4，Elman网络隐含层神经元数设为25个，进而比较分析和研究3种网络模型对Q235钢焊缝强韧性的预测精度和应用效果。结果表明，BP，RBF及Elman神经网络的平均相对误差均低于10%，可用于焊缝的强韧性预测，尤其对焊缝抗拉强度的预测精度相对较高；在样本条件下，相比于BP和RBF网络，Elman网络更加稳定，预测精度更高，综合预测效果最佳，对焊缝抗拉强度和冲击韧性的趋势性预测较为有效，能够反映焊缝强韧性的实际变化规律和趋势；引入机器人焊接和射线检测方法，提高样本数据的准确性和代表性，从而提高神经网络的预测效果。 创新点：(1)比较BP，RBF及Elman神经网络对Q235钢焊缝强韧性的预测精度和效果。 (2)采用机器人焊接、射线检测及正交试验，提高样本数据准确性和代表性。     

基于神经网络的焊机参数预测方法

针对脉冲MIG焊参数众多，不易调节的特点，提出了一种基于神经网络的焊机参数预测方法. 该方法采用LM(levenberg-marquarlt)算法建立了焊机参数的BP(back propagation)神经网络模型，充分利用已知的理想数据对网络进行训练，实现了焊接过程中任一给定焊接电流状态下焊机输出参数的预测；利用焊接参数的预测值分别对单、双脉冲MIG焊进行了试焊. 结果表明，基于神经网络的焊机参数预测方法精度较高，焊接过程稳定，焊缝成形美观，能够实现良好的一元化调节.     

基于旋转电弧的焊缝成形预测模型

对基于旋转电弧的焊缝成形检测方法进行了深入的研究。首先,搭建旋转电弧传感的焊接试验平台,对影响旋转电弧焊焊缝成形的因素进行对比分析,确定以焊接电流i,旋转频率f,焊枪高度h和焊枪旋转半径r作为影响焊缝成形的输入状态参量。在此基础上,进行了焊接试验,采集训练数据,并设计三层网络模型,以熔宽和熔深为输出、输入试验数据进行训练,构建焊缝成形预测模型。最后进行了相关的验证试验,试验结果表明,所构建的神经网络模型能较好地预测熔深及熔宽,熔深与熔宽平均误差分别为0.004 mm及0.005 mm,为实现基于旋转电弧的焊缝成形检测提供了一种新的方法 。     

基于GA-BP和PSO-BP神经网络的SLM GH3625高温合金残余应力预测研究

采用PSO-BP和GA-BP混合算法的人工神经网络模型预测了选区激光熔化成形GH3625高温合金的残余应力。通过响应面法为实验设计生成样本集,以激光功率、扫描速度和扫描间距作为模型的输入层,以残余应力作为模型的输出层进行预测优化。采用相关系数R²和平均绝对相对误差e_AARE评价指标对预测模型进行了验证和对比分析。结果表明:BP、 GA-BP和PSO-BP神经网络模型均能够较好地预测不同工艺参数下GH3625高温合金的残余应力,且通过算法优化后的BP神经网络具有更高的预测精度。其中GA-BP神经网络对选区激光熔化成形GH3625高温合金残余应力的预测精度最高,模型性能更优越,其相关系数R²和相对平均绝对误差e_AARE分别为0.909和2.06%。     

薄片状TiNi合金激光焊试验研究

采用脉冲激光对薄片状TiNi合金进行对接焊．研究了激光焊接工艺参数对焊缝表面成形及焊缝组织的影响。结果表明,0．2mm厚TiNi合金薄片脉冲激光对接焊时易出现烧穿;激光峰值功率、脉冲宽度以及脉冲频率对焊缝成形有较大的影响。焊缝熔深和熔宽随着这三个参数的增大而增加。当激光峰值功率为1．0kW、脉冲频率和脉冲宽度分别在5-9Hz和1．5～2.3ms之间取值时,焊缝成形良好。焊缝组织由中心部位的等轴晶和边缘细小的柱状晶组成。