基于数学模型的大功率碟形激光焊支持向量回归熔宽预测

在焊接质量控制过程中,一个重要的考察因素就是熔宽。焊接是一个多因素强耦合问题,为了研究预测熔宽变化情况,采用支持向量机回归熔宽预测。构造出支持向量回归模型,并利用实验数据验证其准确性,借助于BP神经网络作为对比,以检验支持向量回归熔宽预测的效果。结果表明,BP神经网络和支持向量都能够很好地用于大功率碟形激光焊接过程,其中SVR更加合适,并且支持向量机预测效果在步数相同的情况下明显优于BP神经网路的预测结果。SVR在N=3时取得最优值,可是计算量与计算时间随N值减小时反而会增加,在综合了多方面的因素后,最终确定N=10为最优解。     

盘型激光焊接状态多传感信息融合分析

针对大功率盘型激光焊接状态,研究一种基于支持向量机的多传感信息融合分析方法. 使用紫外、可视和红外波段的两个高速摄像机同时获取激光焊接过程中金属蒸气、飞溅和熔池动态图像. 通过模式识别技术提取焊接过程多传感信息特征及进行数据主成分特征分析,并以焊缝宽度变化作为衡量焊接状态稳定性的参数. 运用支持向量机融合各特征,通过网格搜索和粒子群算法优化支持向量机参数,建立基于支持向量机的多传感信息融合模型. 结果表明,支持向量机多传感信息融合方法能够有效预测焊缝宽度变化趋势,为大功率盘型激光焊接状态的实时监控提供试验依据.     

激光焊熔池红外辐射特征支持向量机回归分析

大功率光纤激光焊接过程中,熔池红外辐射蕴含着丰富的焊接质量信息。以大功率光纤激光对接焊304不锈钢板为试验对象,运用近红外高速摄像机获取焊接熔池动态热像。定义并提取熔池宽度、匙孔面积、匙孔周长和匙孔质心横、纵坐标,作为熔池特征参数,运用支持向量机建立熔池特征参数和焊缝宽度的回归模型,并通过网格寻优和粒子群算法优化支持向量机参数。试验表明,所建立的支持向量回归机能够较好地融合熔池特征,预测焊缝宽度,从而为自动监控大功率光纤激光焊接质量提供试验依据。     

基于SVR模型的水下焊接最佳工艺

焊接工艺参数的确定,是水下焊接研究领域的重要内容,但恶劣的焊接环境使之成为研究的难点. 以水下湿法浅水药芯电弧焊(FCAW)为研究对象,将其看成一个多输入多输出(MIMO)的非线性系统,利用支持向量回归机(SVR)提高建模精度和预测速度. 首先在正交试验设计的基础上,利用SVR构建水下焊接模型,并与多元非线性回归及BP神经网络所构建的模型进行拟合精度的比较,然后将SVR模型融入进化算法(EA)的全局优化中,利用模型计算个体的评价函数,通过种群进化操作,得到满足要求的最优参数. 结果表明,该方案具有使用方便,效率高,精度好的优点,并能推广应用于众多类似领域,具有重要的理论和实践价值.     

基于支持向量机的镁熔液弱小目标检测

针对镁熔液图像中弱小目标不易检测的问题,提出一种基于支持向量机回归(SVR)的第一气泡检测方法。首先利用支持向量机回归原理的函数回归特性对原图像进行背景逼近;再重构两帧残差图像并对其进行帧差运算;最后通过所提出的阈值分割方法处理并利用形态学开运算识别第一气泡。与BP神经网络背景预测算法对比,SVR算法所获取的帧差图像在信噪比和信噪比增益方面分别提高了17.67%和17.69%,且在实时性方面较优。     

焊缝偏差RBF神经网络预测算法

以10 kW大功率光纤激光焊接304奥氏体不锈钢板为试验对象,研究一种焊缝偏差预测算法.利用红外摄像机摄取焊接过程中的熔池红外图像,提取匙孔质心、匙孔形状参数和热堆积效应参数等反映激光束与焊缝位置偏差的特征量作为径向基函数RBF神经网络预测模型的输入量,建立焊缝偏差RBF神经网络预测模型.选择焊缝偏差特征量作为训练样本并对预测模型进行训练,建立焊缝偏差预测模型.结果表明,该模型能够对大功率光纤激光焊接过程中的激光束与焊缝位置之间的偏差进行有效预测.     

支持向量机在焊接过程中的应用

焊接过程是典型的非线性系统,涉及到复杂的物理、化学过程,基于神经网络的建模方法往往不能有效地获得系统模型.支持向量机在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势,非常适合于复杂的非线性系统建模,因此在焊接过程系统建模中具有广阔的应用前景.介绍了支持向量机的基本理论,给出了支持向量机在焊接过程中的系统建...     

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。     

基于BP和GA的激光焊接热源模型参数优化

通过BP神经网络与遗传算法GA对激光焊接有限元模拟中的热源模型参数进行优化,实现了对激光焊接温度场的精确模拟。选取面体热源模型对激光焊接温度场进行了有限元模拟,将模拟中难以确定并且对结果影响较大的热源有效功率系数、热能分配系数和热源作用半径作为输入量,以有限元模拟结果的误差作为输出量对BP神经网络进行训练,得到具有一定预测能力的神经网络,并形成结合神经网络和遗传算法的参数优化方法。结果表明,经过参数优化后的激光焊接有限元模拟具有较高的精度。     

激光焊接状态图像灰度共生矩阵分析法

在激光焊接过程中,金属蒸气和飞溅蕴含着丰富的焊接状态信息.以大功率盘形激光焊接304不锈钢为试验对象,应用紫外波段和可见光波段高速摄像机摄取焊接过程中金属蒸气和飞溅瞬态图像.分析图像区域纹理二阶统计特征——灰度共生矩阵,并用ASM（angular second moment）能量、惯性矩、熵和自相关性描述灰度共生矩阵,分析灰度共生矩阵与焊缝成形之间的关系,同时提取飞溅数量和面积、金属蒸气质心方位和金属蒸气高度等特征,建立BP（back propagation）神经网络模型,预测焊缝成形.结果表明,所分析方法能够有效反映金属蒸气、飞溅与焊接状态之间的关联,为在线监测大功率盘形激光焊接质量提供依据.     

大功率激光焊背面焊缝宽度神经网络预测

针对焊接过程中熔透及焊缝背面成形难以直接检测的问题,通过焊件正面和侧面的传感特征信息,对焊件背面的焊缝宽度进行预测. 用视觉传感器获取激光焊接过程中包含焊接特征信息的图像,对图像进行分割分层、模式识别和空域图像处理,准确提取焊接特征信息,发现焊接特征信息随着焊接路径的变化有着相应的变化趋势. 建立包含两个隐含层的贝叶斯神经网络,用提取到的9组特征信息作为输入,对焊件背面焊缝宽度进行预测. 通过10组焊件背面焊缝宽度的预测值与实际值的比较,验证了贝叶斯神经网络具有良好的预测能力,在焊缝不理想的状态下,也具有较好的预测能力.     

改进粒子群优化BP的数控机床热误差预测研究

由于BP存在网络结构选取基于经验、易陷入局部最优、收敛速度慢等缺陷,致使基于BP的数控机床热误差预测模型精度不高,对此提出了一种改进粒子群优化BP的数控机床热误差预测建模的新方法。通过改进标准粒子群算法中粒子的位置与速度更新策略,以此寻找BP神经网络最优的阈值和权值,在此基础上建立数控机床热误差预测模型。仿真实验结果表明:与标准的BP神经网络和支持向量机相比,改进粒子群优化BP神经网络的数控机床热误差预测模型精度更高、泛化能力更强。     

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.     

基于正交实验与BP神经网络的2AL2激光切割工艺参数优化

运用正交试验对2A12铝合金激光切割参数中激光功率、切割速度、气体压力的工艺数据进行极差、方差分析,得到综合质量最优的因素组合。并以切口粗糙度为研究对象,建立其BP神经网络预测模型,训练后的模型在验证样本测试中的预测值和实际值之间误差较小,从而证明了建立BP神经网络来预测激光切割切口表面粗糙度的可行性,在实际生产中对指导激光切割获得较好的切割质量有一定的实用价值。     

基于SOA-LSSVM的SLS成形工艺参数优化研究

为提高选择性激光烧结(SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM),建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明：SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。     

基于神经网络的药芯焊丝GMAW发尘率预测

焊接工艺对焊接发尘率有直接的影响,建立基于相关焊接工艺参数的焊接发尘率预测模型,预测特定焊接工艺的发尘率对控制和降低焊接烟尘的排放具有重要意义。鉴于焊接发尘率影响因素复杂,存在高度非线性特征,提出了基于神经网络的熔化极气体保护焊(GMAW)焊接发尘率的预测模型。通过药芯焊丝E501T-1发尘率实测数据,分别建立了BP和Elman神经网络模型,并采用遗传算法(GA)对2种神经网络进行了优化。基于15组实测数据的验证,结果表明,采用遗传算法优化后,BP和Elman神经网络模型的预测合格率分别提升了6.7%和13.4%,遗传算法优化的BP神经网络模型(GA-BP)的均方误差为586.21,平均绝对百分比误差为3.01%,均为4个模型中最小,其预测结果更为准确可靠。基于GA-BP模型所预测数据,对不同焊接电流和电弧电压的发尘率进行预测,在一定的焊接速度和保护气流量条件下,焊接电流约为170 A,电弧电压约为26 V时,焊接发尘率最小。 创新点： (1)将神经网络模型引入到焊接发尘率数值预测中,并通过遗传算法对神经网络的权值和阈值进行优化,提高了预测准确性和可靠性。 (2)根据优化后的模型的预测结果,分析了焊接电流和电弧电压对发尘率的影响规律,为进一步控制焊接发尘率提供了有益的指导。     

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.