[发明专利]一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法

说明书

本发明涉及一种基于电参数和XGBOOST‑NN算法的板材激光切割质量判断方法，包括以下步骤：步骤S1:获取激光加工设备电信号与工艺参数所对应的激光切割质量数据，并划分为训练集和验证集；步骤S2:通过K折交叉验证法划分训练集为i个子训练集;步骤S3：将子训练集分别用于训练XGBOOST‑NN算法参数，得到i个已训练的XGBOOST‑NN算法模型；步骤S4:根据验证集分别验证XGBOOST‑NN算法模型的准确率，并获取准确率最高的模型用于激光切割质量判断。

技术领域

本发明属于生产制造技术领域，具体涉及一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法。

背景技术

随着现代工业的发展，信息技术和网络技术已经在生产车间中得到广泛应用，数字化已经成为未来工业发展的主要方向。数字化技术对产线的生产管理、资源调度、异常处理等方面都提升明显，数字车间的建设对企业的转型升级和适应市场有着重要意义。相比于传统切削，激光切割具有无切削力，且加工效率高的优点，因此被广泛应用于板材加工，在板材加工工艺中占据重要地位，而比较各种激光切割技术数字化方法优劣的重点在于对激光切割质量判断准确率的高低。因此根据激光切割过程中产生的数字信息判断激光切割质量是数字化车间建设的一个切入点。

一般而言，对板材激光切割质量的评定包括：切缝宽度、切面粗糙度、热影响区和挂渣长度这四个方面。目前，有关激光切割质量判断的技术主要分为两大类，一是利用传统物理建模的方法判断激光切割质量，该类方法的准确率很大程度依赖于事先设定好的一系列力学、材料学、光学和热学参数，而在实际激光切割过程中，这些参数往往具有耦合性和时变性，因此基于物理建模的判断方法不准确。二是基于机器学习算法的激光切割质量判断方法，这类方法能通过机器学习算法学习激光切割过程中的数据的变化，判断结果比第一类方法更加准确。

机器学习算法的准确率依赖于训练数据是否全面和算法的特征处理能力是否强大。训练数据包含的特征越全面、算法对特征的处理能力越强，对激光切割质量判断的准确率越高。目前，大部分基于机器学习算法的激光切割质量判断方法在训练数据和算法的选取方面大多存在如下不足：

所选用的训练数据不够全面。目前，大多方法选用激光切割工艺参数作为训练数据，但由于激光切割机的老化或者电网的波动等，激光切割过程会伴随各种随机现象，如切割机电压骤降、光闸跳闸等，这些加工过程的突发变化都会影响切割质量。因此仅选用工艺参数无法全面反映激光过程的变化情况。

所选用的机器学习算法处理特征能力不强。全连接神经网络是目前最常用的机器学习算法，但是该算法不具备特征选择能力，并且特征提取的能力不强。而要进一步提高对激光切割质量判断能力，必须引入更丰富的训练数据进行算法训练，这样也会引入更多的特征，当特征数量较多时，全连接神经网络算法的准确率会降低。

发明内容

有鉴于此，本发明的目的在于提供一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，将激光切割机运行时的电参数(电压、电流、功率等)与工艺参数(激光功率、切割速度、气体压力、占空比、脉冲频率、焦点位置)一同作为训练数据，并提出一种XGBOOST-NN算法作为判断激光切割质量的机器学习算法。

为实现上述目的，本发明采用如下技术方案：

一种基于电参数和XGBOOST-NN算法的板材激光切割质量判断方法，包括以下步骤：

步骤S1:获取激光加工设备电信号与工艺参数所对应的激光切割质量数据，并划分为训练集C_t和验证集C_v；

步骤S2:通过K折交叉验证法划分训练集C_t为i个子训练集C_t1,C_t2,C_t3...C_tk；