[发明专利]一种基于神经进化的激光扫描焊接熔深预测方法及应用

说明书

本发明公开了一种基于神经进化的激光扫描焊接熔深预测方法及应用，解决了现有技术中存在现有的预测方法过于依赖初始的网络结构和随机权重的问题，具有保证熔深预测精度的有益效果，具体方案如下：一种基于神经进化的激光扫描焊接熔深预测方法，包括准备焊接试板和焊接设备；根据设计的试验参数来开展试验，通过试验获得相关的焊接熔深数据，建立激光扫描焊接熔深数据集；构建神经进化网络模型，在训练过程中，完成网络拓扑结构和连接权重的交叉和变异，不断改变网络拓扑结构和连接权重，得到总误差最小的网络拓扑结构和连接权重；基于总误差最小的网络拓扑结构和连接权重，形成最终神经进化网络模型，实现激光扫描焊接熔深预测。

技术领域

本发明涉及智能焊接技术领域，尤其是一种基于神经进化的激光扫描焊接熔深预测方法及应用。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

激光扫描焊接是利用扫描振镜实现聚焦光束的摆动，与传统固定光束激光焊接相比，具有焊接精度高、焊缝质量与成型性好、对板材拼接缝隙要求低、焊接柔性高等优点。研究表明，激光扫描焊接可有效增加熔池的流动、抑制飞溅与气孔的形成、促进焊缝合金元素均匀化，且通过调节振镜摆动频率与幅度，可改变焊缝宽度，降低焊缝融合区的脆性相，从而提高焊缝质量。

双扭线形激光扫描焊接近年来受到学术界和工业界的极大关注，双扭线形激光扫描焊接熔池稳定性好，与直线形和圆形振荡模式相比，双扭线形激光扫描焊接呈现更少的焊接缺陷和更好的机械性能。然而，激光束振荡会改变焊接模式转换的判据，改变焊缝成形机制，进而导致熔深难控制，影响焊接质量。

适当的熔深有助于确保焊接质量，然而，激光焊接工艺参数和熔深之间的关系是未知的、非线性的和复杂的，从而使得直观地确定最佳工艺参数变得不切实际，即使对于熟练的操作者也是如此。此外，激光束振荡焊接增加了工艺参数，使焊接过程更加复杂。

现有的数学模型如多项式响应曲面和径向基函数可以用来建立工艺参数和焊缝几何形状之间的关系，但由于焊接工艺参数之间的耦合效应以及焊接工艺参数和熔深之间的非线性因果关系，即使有大量的样本点，模型的预测性能也不能得到保证。神经网络出色的非线性处理能力在预测焊缝成形和机械性能方面具有明显的优势，然而神经网络的数学原理决定了其固有的易陷入局部最优的缺陷，此外其训练成本和训练效果过于依赖于网络结构、初始随机权重和阈值。

现有的方法中，中国专利文件(申请号201911358046.X)提出了一种基于深度学习的弧焊焊缝成形精准预测方法，然而发明人发现，上述申请文件设计的预测方法中，深度神经网络结构和训练参数根据数据集大小、预测精准度和计算效率需求实现参数的自动优化和自学习，但是网络结构的改进和训练参数的优化是发生在整个训练过程结束之后，是由整个训练的训练结果评估是否需要改进和和优化。而在训练过程中，深度神经网络结构保持不变，网络连接形式为全连接形式，网络结构的改进和优化后也仍保持全连接形式，本质上训练效果还是过于依赖于网络结构、初始随机权重和阈值，因此无法克服固有的易陷入局部最优的缺陷，影响到熔深预测的精度。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种基于神经进化的激光扫描焊接熔深预测方法，显著减少了训练代价，另一方面克服了传统深度神经网络固有的易陷入局部最优的缺陷，实现双扭线形激光扫描焊接熔深的精准预测。

为了实现上述目的，本发明是通过如下的技术方案来实现：

一种基于神经进化的激光扫描焊接熔深预测方法，包括如下内容：

准备焊接试板和焊接设备；

根据设计的试验参数来开展试验，通过试验获得相关的焊接熔深数据，建立激光扫描焊接熔深数据集；

构建神经进化网络模型，通过数据集训练神经进化网络模型，在训练过程中，完成网络拓扑结构和连接权重的交叉和变异，不断改变网络拓扑和连接权重，得到总误差最小的网络拓扑结构和连接权重；