[发明专利]一种基于双优化的BP神经网络激光焊接焊缝成形预测方法

权利要求书

1.一种基于双优化的BP神经网络激光焊接焊缝成形预测方法，其特征在于，包含以下步骤：

步骤一:对焊接母材进行表面处理，然后将焊接母材固定，再用激光实施焊接；

步骤二:采用同轴监测系统采集不同焊接工艺参数下的熔池图像；

步骤三:对熔池图像特征量进行提取，对不同焊接工艺参数下的焊缝横截面特征量进行标注，建立不同焊接工艺参数、熔池特征量、焊缝成形特征量的数据表；

步骤四：构建三层BP神经网络，以焊接工艺参数与熔池特征量作为模型输入，以焊缝成形特征量作为模型预期输出；

步骤五：采用主成分分析减少熔池特征量的信息冗余，通过协方差分析与特征计算实现对熔池特征量的线性组合，从而降低BP神经网络模型的输入维数；

所述主成分分析的步骤包括：

①确定样本数为n，选取的熔池特征量数为p；

②为了消除熔池特征量之间在量纲化和数量级上的差别，对熔池特征量进行零均值归一化，得到标准化矩阵公式（1）；

（1）

其中为熔池特征量，为熔池特征量的均值，为熔池特征量的均值的标准差；

③通过标准化矩阵建立协方差矩阵R，即r_ij=r_ji，只需计算上三角矩阵，其计算公式（2）：

（2）

其中r_ij为与之间的相关系数，为的数学期望，为与的期望的乘积，表示的方差，表示的方差；

④通过协方差矩阵R求出特征值、特征向量；解特征方程，求出特征值λ_i（i=1，2，…，p），并按从大到小排列，即λ₁≥λ₂≥…≥λ_i≥0；特征值大小即为对应主成分的方差；分别求出特征值对应的特征向量e₁、e₂……e_i（i=1，2，…，p），要求e_i的乘积为1；

⑤求解主成分贡献率和累计方差贡献率分别按公式（3）和（4）计算；

（3）

（4）

⑥由公式（5）计算各个主成分，根据主成分选取原则，特征值要大于1且累计贡献率要达到80%～95%，选取主成分；

（5）

其中，Z代表维度为的主成分，表示这些特征值的个数，为特征向量的合集的转置矩阵，为熔池特征量矩阵；

步骤六：采用遗传算法改善BP神经网络模型权重和阈值初始化的随机性，使BP神经网络具有全局寻优的能力，从而获得全局最优的神经网络初始权值和阈值。

2.根据权利要求1所述的基于双优化的BP神经网络激光焊接焊缝成形预测方法，其特征在于，所述的步骤一中，焊接母材表面处理过程如下：

先采用10% HNO₃+30% HF+水的酸液清洗焊接母材表面的氧化膜，浸泡时间为5～10分钟；接着采用10% NaOH溶液清洗母材表面残余油污，并中和剩余酸液，浸泡为5～10分钟；随后将母材在烘干机中烘干1h。

3.根据权利要求1所述的基于双优化的BP神经网络激光焊接焊缝成形预测方法，其特征在于，所述的步骤二中，焊接工艺参数包括：激光功率1kW～3kW、焊接速度0.5m/min～3m/min、离焦量为0mm、保护气流量为10L/min～20L/min。