公开/公告号CN112475586A
专利类型发明专利
公开/公告日2021-03-12
原文格式PDF
申请/专利权人 广州瑞松智能科技股份有限公司;
申请/专利号CN202011086671.6
申请日2020-10-12
分类号B23K20/12(20060101);B23K20/26(20060101);B23K31/12(20060101);
代理机构44288 广州市越秀区哲力专利商标事务所(普通合伙);
代理人戴文仪
地址 510700 广东省广州市黄埔区瑞祥路188号
入库时间 2023-06-19 10:13:22
技术领域
本发明涉及焊接接头强度预测领域,尤其涉及一种焊接接头强度预测方法。
背景技术
焊接技术作为我国制造业的关键基础技术,在制造生产过程发挥着不可或缺的作用,如在航空、船舶、汽车、管道等领域,焊接工艺都决定了其产品最终的生产集安全质量。因此,保证焊接接头的质量,进行焊接工艺评定是焊接流程中一个非常重要的环节。
为保证焊接接头的强度,目前常见的焊接强度的预测方法通常为企业安排若干专业人员与设备去进行焊接工艺评定的工作,此种预测方式花费的时间周期长,在人力、时间、财力等投入巨大,还需承担生产因延误而带来的风险。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种焊接接头强度预测方法,其能解决目前通过人工进行焊接工艺评定从而得到,此种预测方式花费的时间周期长,在人力、时间、财力等投入巨大,还需承担生产因延误而带来的风险的问题。
本发明提供目的采用以下技术方案实现:
一种焊接接头强度预测方法,焊接接头由搅拌头和搅拌摩擦焊对前进侧板和后退侧板进行焊接得到焊接接头,包括以下步骤:
收集实验结果数据,收集在预设生产环境和预设生产设备的实验条件下进行焊接接头强度性能实验得到的实验结果数据;
生成训练数据,将所述实验结果数据作为用于训练预设梯度提升决策树模型的训练数据;
模型训练,将所述训练数据输入至预设梯度提升决策树模型,得到梯度提升决策树模型;
预测焊接接头强度,将待预测焊接接头工艺参数输入至所述梯度提升决策树模型,得到待预测焊接接头对应的焊接接头强度数据。
进一步地,所述训练数据包括训练集数据和测试集数据,所述生成训练数据具体为:按照比例为8:2的比例将实验结果数据划分为训练集数据和测试集数据。
进一步地,所述模型训练具体为:将所述训练集数据输入至预设梯度提升决策树模型中用于训练,将测试集数据输入至预设梯度提升决策树模型中并使用交叉验证方法验证预设梯度提升决策树模型的准确率,根据准确率对预设梯度提升决策树模型的模型参数进行优化,建立焊接接头工艺参数与焊接接头强度数据之间的映射关系,得到梯度提升决策树模型。
进一步地,在所述生成训练数据之前还包括数据预处理,对实验结果数据依次进行数据清洗处理、特征工程处理以及相关性分析处理。
进一步地,所述待预测焊接接头工艺参数包括前进侧板的母材抗拉强度、后推测板的母材抗拉强度、前进侧板厚度、后退侧板厚度、搅拌头旋转速度、搅拌摩擦焊焊接速度、搅拌头下压量,所述焊接接头强度数据包括焊接接头抗拉强度。
进一步地,所述预设梯度提升决策树模型的基分类器采用CART回归树。
进一步地,在所述预测焊接接头强度之前还包括获取工艺参数,获取待预测焊接接头对应的待预测焊接接头工艺参数。
相比现有技术,本发明的有益效果在于:本申请中的一种焊接接头强度预测方法,包括收集在预设生产环境和预设生产设备的实验条件下进行焊接接头强度性能实验得到的实验结果数据;将所述实验结果数据作为用于训练预设梯度提升决策树模型的训练数据;将所述训练数据输入至预设梯度提升决策树模型,得到梯度提升决策树模型;将待预测焊接接头工艺参数输入至所述梯度提升决策树模型,得到待预测焊接接头对应的焊接接头强度数据。通过将实验结果数据作为训练数据得到了模型预测精度高、适用范围广、计算速度快,适用于焊接接头强度预测的梯度提升决策树模型,减少了焊接工艺评定的人力和时间成本,避免了因人工预测焊接接头带来的生产延误。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的一种焊接接头强度预测方法的流程示意图;
图2为本发明的一种焊接接头强度预测方法中预设梯度递增决策树算法的原理示意图;
图3为本发明的一种焊接接头强度预测方法中步骤模型训练中的准确率曲线。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
本实施例中的一种焊接接头强度预测方法,方法中的焊接接头由搅拌头和搅拌摩擦焊对前进侧板和后退侧板进行焊接得到焊接接头,如图1所示,具体包括以下步骤:
收集实验结果数据,收集在预设生产环境和预设生产设备的实验条件下进行焊接接头强度性能实验得到的实验结果数据。本实施例中,预设生产设备为搅拌摩擦焊和搅拌头,在预设生产环境下,使用搅拌摩擦焊和搅拌头进行大批量的焊接接头抗拉强度系列实验,并获取实验结果数据,试验的参数范围,需略微大于常用的焊接参数范围,且需保证参数分布尽量均匀离散,以保证模型对各种参数的识别能力,同样地,实验中所用的样本数据亦需尽量保证在区间内的均匀与离散。
数据预处理,对实验结果数据依次进行数据清洗处理、特征工程处理以及相关性分析处理。
生成训练数据,将所述实验结果数据作为用于训练预设梯度提升决策树模型的训练数据。具体为:生成训练数据,将所述实验结果数据作为用于训练预设梯度提升决策树模型的训练数据。
模型训练,将所述训练数据输入至预设梯度提升决策树模型,得到梯度提升决策树模型。具体为:将所述训练集数据输入至预设梯度提升决策树模型中用于训练,将测试集数据输入至预设梯度提升决策树模型中并使用交叉验证方法验证预设梯度提升决策树模型的准确率,根据准确率对预设梯度提升决策树模型的模型参数进行优化,建立焊接接头工艺参数与焊接接头强度数据之间的映射关系,得到梯度提升决策树模型。本实施例中的预设梯度提升决策树模型的基分类器采用CART((Classification And Regression Tree)回归树,CART回归树一种典型的二叉决策树,可以做分类或者回归。本实施例中的训练集数据包括训练实验焊接接头工艺参数和对应的训练实验焊接接头强度数据,测试集数据包括测试实验焊接接头工艺参数和对应的测试实验焊接接头强度数据。本实施例中的预设梯度提升决策树模型采用的预测算法为梯度递增决策树算法,其中梯度递增决策树算法的原理如图2所示,先将预设的工艺参数输入至预设梯度提升决策树模型,再将CART回归树进行树分裂,得到若干子树,利用每个子树根据工艺参数得到对应的预测结果,即得到焊接接头强度数据。本实施例中,将测试集数据输入至预设梯度提升决策树模型中并使用交叉验证方法验证预设梯度提升决策树模型的准确率,根据准确率对预设梯度提升决策树模型的模型参数进行优化具体为:利用CART回归树中每个子树分别根据测试集数据中的测试实验焊接接头工艺参数进行预测,得到预测结果,即得到焊接接头拉伸强度,将预测得到的焊接接头拉伸强度与测试实验焊接接头强度数据中的测试实验焊接接头拉伸强度进行作差,得到残差,对残差建立CART回归树,当迭代次数是否达到预设迭次数时,将所有迭代的子树之和作为预测结果输出,使用交叉验证方法验证预测结果与测试实验焊接接头强度数据之间的误差,当误差达到预设误差要求时,即得到较为精准的梯度提升决策树模型,上述的误差即为准确率,误差越小,准确率越高,误差越大,准确率越小;如果误差未达到预设误差要求时,对预设梯度提升决策树模型的模型参数进行重新设置。图3为上述步骤准确率的曲线,其中包括两条曲线,分别真实数据和预测结果数据,预测结果数据为预测结果中的焊接接头拉伸强度与测试实验焊接接头工艺参数之间的关系曲线;真实数据为测试集数据中练实验焊接接头工艺参数和对应的训练实验焊接接头强度数据的曲线;两条曲线的纵坐标差值即为误差,即为准确率。本实施例中,将测试集数据中包括的所有测试实验焊接接头工艺参数进行编号,编号为0、1、2、……;纵坐标为抗拉强度值。
获取工艺参数,获取待预测焊接接头对应的待预测焊接接头工艺参数。
预测焊接接头强度,将待预测焊接接头工艺参数输入至所述梯度提升决策树模型,得到待预测焊接接头对应的焊接接头强度数据。本实施例中所述待预测焊接接头工艺参数包括前进侧板的母材抗拉强度、后推测板的母材抗拉强度、前进侧板厚度、后退侧板厚度、搅拌头旋转速度、搅拌摩擦焊焊接速度、搅拌头下压量,所述焊接接头强度数据包括焊接接头抗拉强度。
本实施例中的梯度提升决策树模型预测焊接接头强度的数据表如下表1所示:
表1预测焊接接头强度的数据表
在上述表1中,前进侧板和后退侧板的厚度相同,且牌号前进侧板和后退侧板的木材型号,将搅拌头旋转速度、搅拌摩擦焊焊接速度作为变量,其他的工艺参数作为额定量,从得到的预测抗拉强度与实际抗拉强度值可以看出本申请中的梯度提升决策树模型对于焊接接头强度预测的精准度较高。
本申请中的一种焊接接头强度预测方法,包括收集在预设生产环境和预设生产设备的实验条件下进行焊接接头强度性能实验得到的实验结果数据;将所述实验结果数据作为用于训练预设梯度提升决策树模型的训练数据;将所述训练数据输入至预设梯度提升决策树模型,得到梯度提升决策树模型;将待预测焊接接头工艺参数输入至所述梯度提升决策树模型,得到待预测焊接接头对应的焊接接头强度数据。通过将实验结果数据作为训练数据得到了模型预测精度高、适用范围广、计算速度快,适用于焊接接头强度预测的梯度提升决策树模型,减少了焊接工艺评定的人力和时间成本,避免了因人工预测焊接接头带来的生产延误。
以上,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
机译: 超声波焊接接头强度的预测方法
机译: 超声波焊接接头强度的预测方法
机译: 一种增加带有液态金属冷却剂的热交换器管与热交换器的管板的焊接接头强度的方法