首页 / 专利库 / 人工智能 / 人工生命 / 一种面向批量加工的堆焊工艺参数优化方法

一种面向批量加工的堆焊工艺参数优化方法

阅读:93发布:2020-05-13

专利汇可以提供一种面向批量加工的堆焊工艺参数优化方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种面向批量加工的堆焊工艺参数优化方法,包括以下步骤:根据待焊件确定待优化的堆焊工艺参数,所述工艺参数包括有 焊条 直径、 焊接 电流 、 电弧 电压 、焊接速度和焊接层数;根据焊件厚度和焊条属性确定待优化堆焊工艺参数的约束条件;确定优化目标,根据优化目标建立优化目标与待优化堆焊工艺参数的综合优化模型;通过有限次试验获得优化目标与焊接工艺参数之间的离散关系;根据综合优化模型与焊接工艺参数之间的离散关系,建立模糊函数模型,同时对离散关系进行拟合建立与模糊函数模型对应的拟合函数;对拟合函数实施最优值求解。本发明方法兼顾了堆焊过程耗能少和产品的合格率高,能提高生产效率,适用于堆焊焊接的批量加工。,下面是一种面向批量加工的堆焊工艺参数优化方法专利的具体信息内容。

1.一种面向批量加工的堆焊工艺参数优化方法,其特征在于,包括以下步骤:
1)根据待焊件确定待优化的堆焊工艺参数,所述工艺参数包括有焊条直径、焊接电流电弧电压、焊接速度和焊接层数;
2)根据焊件厚度和焊条属性确定待优化堆焊工艺参数的约束条件;
3)确定优化目标,根据优化目标建立优化目标与待优化堆焊工艺参数的综合优化模型;
4)通过有限次试验获得优化目标与焊接工艺参数之间的离散关系;
5)根据综合优化模型与焊接工艺参数之间的离散关系,建立模糊函数模型,同时对离散关系进行拟合建立与模糊函数模型对应的拟合函数;
6)对拟合函数实施最优值求解;
步骤3)中所述优化目标包括焊接过程中的能耗和焊接产品的合格率;
批量生产过程中能耗与待优化工艺参数的“黑箱”函数模型为:
其中EC(X)为能量消耗,M代表M台设备,N代表N件产品,D为焊条直径,I为焊接电流,U为电弧电压,V为焊接速度,n为焊接层数;
合格率与工艺参数的“黑箱”函数模型为:
Q(X)=Q(D,I,U,V,n),Q(X)为批量生产的焊接产品的合格率;
综合优化目标模型:
Y=EC(X)/Q(X),Ymin为最优模型。
2.根据权利要求1所述的堆焊工艺参数优化方法,其特征在于,步骤5)中采用神经网络的方法来拟合输入、输出之间的函数关系。
3.根据权利要求2所述的堆焊工艺参数优化方法,其特征在于,采用神经网络的方法来拟函数关系具体步骤如下:
用神经网络的隐式来表达输入、输出之间的模糊函数关系,即将离散数据作为样本输入网络进行训练,建立输入、输出之间的非线性映射关系,并将信息存储在连接权上,利用网络的记忆功能形成虚拟函数,在后续的求解计算中可以直接调用此虚拟函数。
4.根据权利要求1所述的堆焊工艺参数优化方法,其特征在于,步骤6)中采用食物链算法对拟合函数实施最优值求解。
5.根据权利要求4所述的堆焊工艺参数优化方法,其特征在于,步骤6)中采用的食物链算法具体如下:
a.初始化:设置优化变量及初始样本,将焊接产品合格率和能量消耗的综合优化函数模型作为优化目标函数;
b.觅食:设置邻域大小作为每一次寻优的范围,通过比较综合优化目标Y值大小作为觅食行为,保留较小的值,记作Ymin,直到所有人工生命都完成一次搜索,进入下一步;
c.更新位置:所有的生命个体均完成一次觅食行为之后,构成新的人工生命,这个过程相当于通过寻优机制,各人工生命个体实现了更新与优化;
d.成熟个体的选择:按比例确定成熟及死亡人工生命个体,将所有的人工生命个体按其目标函数值从小到大排序,选取前半部分的人工生命个体作为成熟个体进入下一步,即进行新陈代谢活动;后半部分的人工生命个体,作为死亡个体,从人工生命世界中淘汰;
e.新陈代谢:设置随机数生成函数,生成和成熟生命个体数量相同的子代人工生命个体,并与成熟的生命个体共同组成新的人工生命集体;
f.循环控制:当循环总代数不小于设定的最大循环代数时,结束求解过程,此时输出的全局最优解即为综合函数模型的最优值,对应各参数的值即为最优的工艺参数,然后将参数代入已经训练好的神经网络模型,便可得到优化的合格率和能量消耗值。

说明书全文

一种面向批量加工的堆焊工艺参数优化方法

技术领域

[0001] 本发明涉及焊接技术领域,尤其涉及一种面向批量加工的堆焊工艺参数优化方法。

背景技术

[0002] 堆焊是用焊接方法在被焊金属表面制备具有特殊性能的堆焊层的方法,具有效率高、周期短、成形美观、厚度均匀的特点,因此应用广泛,尤其在零件的批量加工中应用广泛。现有技术中,对堆焊工艺过程主要考虑的是效率、质量,能耗极少被考虑在内,工艺参数的选取并没有一个确定的统一标准,在实际的选取中具有主观性和不确定性,容易造成耗能高和总产品的合格率低。

发明内容

[0003] 本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种面向批量加工的堆焊工艺参数优化方法,该方法兼顾了堆焊过程耗能少和产品的合格率高,避免人为操作的主观性和不确定性,并可提高生产效率,适用于堆焊焊接的批量加工。
[0004] 本发明解决其技术问题所采用的技术方案是:
[0005] 一种面向批量加工的堆焊工艺参数优化方法,包括以下步骤:
[0006] 1)根据待焊件确定待优化的堆焊工艺参数,所述工艺参数包括有焊条直径、焊接电流电弧电压、焊接速度和焊接层数;
[0007] 2)根据焊件厚度和焊条属性确定待优化堆焊工艺参数的约束条件;
[0008] 3)确定优化目标,根据优化目标建立优化目标与待优化堆焊工艺参数的综合优化模型;
[0009] 4)通过有限次试验获得优化目标与焊接工艺参数之间的离散关系;
[0010] 5)根据综合优化模型与焊接工艺参数之间的离散关系,建立模糊函数模型,同时对离散关系进行拟合建立与模糊函数模型对应的拟合函数;
[0011] 6)对拟合函数实施最优值求解。
[0012] 按上述方案,步骤3)中所述优化目标包括焊接过程中的能耗和焊接产品的合格率;
[0013] 批量生产过程中能耗与待优化工艺参数的“黑箱”函数模型为:
[0014]
[0015] 其中EC(X)为能量消耗,M代表M台设备,N代表N件产品,D为焊条直径,I为焊接电流,U为电弧电压,V为焊接速度,n为焊接层数;
[0016] 合格率与工艺参数的“黑箱”函数模型为:
[0017] Q(X)=Q(D,I,U,V,n),Q(X)为批量生产的焊接产品的合格率;
[0018] 综合优化目标模型:
[0019] Y=EC(X)/Q(X),Ymin为最优模型。
[0020] 按上述方案,步骤5)中采用神经网络的方法来拟合输入、输出之间的函数关系;具体如下:
[0021] 用神经网络的隐式来表达输入、输出之间的模糊函数关系,即将离散数据作为样本输入网络进行训练,建立输入、输出之间的非线性映射关系,并将信息存储在连接权上,利用网络的记忆功能形成虚拟函数,在后续的求解计算中可以直接调用此虚拟函数。
[0022] 按上述方案,步骤6)中采用食物链算法对拟合函数实施最优值求解。
[0023] 按上述方案,步骤6)中采用的食物链算法具体如下:
[0024] a.初始化:设置优化变量及初始样本,将焊接产品合格率和能量消耗的综合优化函数模型作为优化目标函数;
[0025] b.觅食:设置邻域大小作为每一次寻优的范围,通过比较综合优化目标Y值大小作为觅食行为,保留较小的值,记作Ymin,直到所有人工生命都完成一次搜索,进入下一步;
[0026] c.更新位置:所有的生命个体均完成一次觅食行为之后,构成新的人工生命,这个过程相当于通过寻优机制,各人工生命个体实现了更新与优化;
[0027] d.成熟个体的选择:按比例确定成熟及死亡人工生命个体,将所有的人工生命个体按其目标函数值从小到大排序,选取前半部分的人工生命个体作为成熟个体进入下一步,即进行新陈代谢活动;后半部分的人工生命个体,作为死亡个体,从人工生命世界中淘汰;
[0028] e.新陈代谢:设置随机数生成函数,生成和成熟生命个体数量相同的子代人工生命个体,并与成熟的生命个体共同组成新的人工生命集体;
[0029] f.循环控制:当循环总代数不小于设定的最大循环代数时,结束求解过程,此时输出的全局最优解即为综合函数模型的最优值,对应各参数的值即为最优的工艺参数,然后将参数代入已经训练好的神经网络模型,便可得到优化的合格率和能量消耗值。
[0030] 本发明产生的有益效果是:
[0031] 1.本发明引入焊接层数作为待优化工艺参数,通过对堆焊工艺的参数进一步优化,达到节约能源、提高批量产品的合格率的目的。
[0032] 2.本发明运用神经网络和食物链算法结合的参数优化方法,使得最后的计算结果保证了堆焊过程耗能少和产品的合格率高,避免人为操作的主观性和不确定性,并可提高生产效率,适用于堆焊焊接的批量加工。附图说明
[0033] 下面将结合附图及实施例对本发明作进一步说明,附图中:
[0034] 图1是本发明实施例的方法流程图
[0035] 图2是本发明实施例的食物链算法的流程图。

具体实施方式

[0036] 为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
[0037] 如图1所示,本发明搜集某阀门公司安全阀阀瓣的堆焊工艺批量加工过程中的数据,有3台型号为AX的直流弧焊机焊接100件安全阀的阀瓣,焊件厚度均为10mm。工艺参数优化的步骤如下:
[0038] 1)选择焊条直径(D)、焊接电流(I)、电弧电压(U)、焊接速度(V)、焊接层数(n)做为堆焊工艺待优化的工艺参数;
[0039] 首先根据待焊件厚度(H)来确定所需焊条的焊条直径(D),不同的焊条直径适用于不同的焊接电流(I),电流决定能源的消耗量,也影响焊条的熔化速度和母材的熔深,使得产生的熔池的形状不同,直接影响焊件的质量;电弧电压(U)与电流有一定的匹配关系,共同影响能源的消耗;焊接速度(V)直接决定生产率,但焊接速度过大会造成未焊透等现象,影响焊件的质量,进而影响批量产品的合格率;对质量有要求的焊缝,焊层(n)每层厚度不大于4mm-5mm,也可根据经验公式n=H/D(n为层数,H为焊件厚度,D为焊条直径)来确定。
[0040] 然后建立工艺参数数组,记作{D,U,I,V.n}。
[0041] 2)选择堆焊中能源消耗EC和焊件合格率Q作为优化目标,堆焊过程中能源消耗与堆焊工艺参数相关。焊接过程中的能耗会受到焊条直径、焊接电流、电弧电压、焊接速度、焊接层数的综合影响。在批量生产中,能源消耗为焊接所有产品的焊接过程中所消耗的能源的总和,可建立能源消耗的“黑箱”函数模型:
[0042]
[0043] 其中EC(X)为能量消耗,M代表M台设备,N代表N件产品。
[0044] 单个焊件的质量也同样受所选择工艺参数的影响,批量加工的焊接产品,所有产品的质量用合格率来表现,合格率=合格产品数/总产品件数。本发明将工艺参数与合格率联系起来,建立了合格率与工艺参数的“黑箱”函数模型:
[0045] Q(X)=Q(D,I,U,V,n)
[0046] 其中Q(X)为批量生产的焊接产品的合格率。
[0047] 在实际焊接过程中,提高焊接速度可以提高生产率,减少能量消耗,但会影响焊件的质量进而影响批量产品的合格率;提高质量即增大合格率可以减少废品的出现,但会增加能量的消耗,所以综合考虑各参数与焊件合格率和能量消耗的关系,将能耗和合格率两个目标转化为一个目标进行优化,可建立综合优化模型:
[0048] Y=EC(X)/Q(X),Ymin为最优模型
[0049] 3)利用堆焊工艺焊接一批产品,焊件厚度一定的情况下,焊条直径便有一个可选择的范围,D(mm)为给出的常用的焊条直径;每种焊条都有一个最适合的电流范围;根据焊条直径和焊接电流可以确定出电弧电压的适用范围;根据所选择的电流电压并结合实际热输入情况可以确定焊接速度的范围;焊层每层厚度不大于4mm-5mm,也可根据经验公式n=H/D(n为层数,H为焊件厚度,D为焊条直径)来确定。焊条直径与焊件厚度和焊接电流的关系如表1和表2示:
[0050] 表1 焊条直径与焊件厚度的关系
[0051]焊件厚度/mm 2 3 4-5 6-12 >13
焊条直径/mm 2 3.2 3.2-4 4-5 4-6
[0052] 表2 各种直径焊条使用电流参考值
[0053]
[0054] 根据理论依据和具体的工艺情况,确定各参数的取值范围如下:
[0055] I∈(160A,270A) U∈(20V,30V) V∈(20cm/min,80cm/min)
[0056] n∈(1,3)
[0057] D={4,4.2,4.5,5}mm
[0058] 4)从实验中搜集工艺参数和优化目标的数据作为样本数据,每次取出20组数据作为神经网络的训练样本,另外2组作为验证,具体数据如表3:
[0059] 表3 输入样本与输出样本
[0060]
[0061]
[0062] 首先对样本数据进行归一化处理,将焊条直径、焊接电流、电弧电压、焊接速度、焊接层数5个焊接工艺参数作为人工神经网络的输入,输出为焊接产品的合格率和焊接过程中能量的消耗,通过神经网络拟合工艺参数和优化目标、综合优化目标之间的函数关系。
[0063] 获得拟合函数的方法一般有:最小二乘法、正交多项式法、最佳平方逼近法、神经网络等,相较于其它方法,神经网络的训练速度快,在样本数据较少的情况下优势明显,并且是解决黑箱函数的一种很好的方法,所以本发明中选择了神经网络的方法来拟合输入、输出之间的关系。
[0064] 表3中的样本输入到神经网络后得到的输出与实测值对比情况如表4:
[0065] 表4 神经网络预测值与实测值对比
[0066]
[0067] 表4中的数据表明,可以通过神经网络拟合使输出结果接近于最优回归面。
[0068] 然后实施食物链算法求解函数的最优解,当算法停止时,得到的最佳目标函数值Ymin=0.043,此时得到的各参数的值分别为D=4.5mm,I=180V,U=21V,V=53cm/min,n=2。将以上参数带入到人工神经网络中,作为输入参数,可直接得到输出为Q(X)=94.8%,EC(X)=10300.2KJ,这便是本发明在所设定的条件下堆焊工艺参数以及优化目标的最优化解,在此堆焊工艺参数下进行批量安全阀的阀瓣生产,可以减少能源消耗并提高产品的合格率。
[0069] 应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈