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

摘要

本发明公开了一种基于双优化的BP神经网络激光焊接焊缝成形预测方法，采用主成分分析和遗传算法双优化的BP神经网络方法预测焊缝成形；相比于传统BP神经网络方法预测焊缝成形具有以下几点优势：同时采用熔池特征量和焊接工艺参数作为模型输入，模型对焊缝形貌预测精度更高；采用主成分分析降低模型输入层信息的重复性，消除了特征之间的信息重叠，降低神经网络的输入维数，提高模型运算速度，以适应实时监测的需要；采用遗传算法通过改善模型初始权重和阈值，改善BP神经网络的固有缺陷，避免了模型收敛于局部最优值，防止预测结果出现较大误差。

说明书

技术领域

本发明涉及一种基于双优化的BP神经网络激光焊接焊缝成形预测方法，属于材料加工工程技术领域。

背景技术

随着国防科技的发展，对航空航天装备的结构与工艺性能要求更加严格；航空航天装备的更新换代，对结构材料的制造工艺、服役性能、服役寿命、可靠性及自动化制造水平提出了更高的要求；蒙皮网格结构是典型的中空结构设计形式，该结构可以很好的降低结构件的重量，广泛应用于实现轻量化的高强度构件制造；钛合金蒙皮网格结构焊件大焊件路径多，焊缝质量及稳定性要求高；以合格为目标，以破坏性的焊后检测难以满足项目高标准的要求。

激光焊接属于高能、高精密焊接方法，具有能量密度高、焊接速度快、加工精度高、热影响区小、焊后变形小的特点；与此同时在工业生产方面，激光焊接易于与机器人集成，易于实现自动化、柔性化制造，被广泛应用于汽车、高铁、船舶、航空、航天的制造领域；激光焊接是实现高温钛合金高精度、高质量焊接的理想焊接工艺。

焊接熔池虽小，但局部高能量密度加热引起的高温、烧损、冶金反应、液态金属流动等特征导致熔池行为非常复杂，因此给焊接监测带来了极大的困难；焊接过程是一个高度非线性、强耦合、时变的多变量复杂系统，需要建立激光功率等间接焊接参数与焊缝熔深等直接焊接参数的定量关系模型；其中存在两个技术难点：其一、多变量之间的耦合，一个变量的改变将同时影响多个变量，如激光功率的改变将直接影响到焊缝熔深、焊缝熔宽等多个直接焊接参数；其二、焊接熔宽是可以实时监测的，而焊接熔深则不能监测，只能通过间接焊接参数和部分直接焊接参数建立模型进行预测；目前已经证明只要有一个隐含层的三层BP神经网络，可以逼近任何映射关系，BP神经网络为焊接质量监测问题提供了新的解决思路。

专利CN103760230A公开了一种基于BP神经网络的焊接缺陷巨磁电阻涡流检测方法，该方法将BP神经网络应用于焊缝质量检测，但只能进行在焊后进行；专利CN103909727A公开了一种基于BP神经网络和遗传算法GA的激光焊接温度场有限元模拟方法，采用遗传算法优化BP神经网络模型，对有限元模拟结果进行优化，但该方法不能用于实时焊接质量监测；专利CN111046609A公开了一种基于BP神经网络焊接工艺参数优化方法，该方法采用BP神经网络与有限元算法共同优化焊接工艺参数，但对于波动性的焊接过程则无能为力。

发明内容

本发明旨在解决激光焊接过程中焊缝质量监测存在的问题，提出一种基于主成分分析与遗传算法双优化的BP神经网络激光焊接焊缝成形预测方法

本发明的技术解决方案是这样实现的：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，包含以下步骤：

步骤一:焊前需要对焊接母材表面进行清理，首先采用10% HNO

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，激光功率1kW～3kW、焊接速度0.5m/min～3m/min、离焦量为0mm、保护气气流量为10L/min～20L/min。

步骤三:采用二值化、形态学操作、保留连通区域等操作对熔池图像特征量进行提取；采用进行显微镜对不同焊接参数下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，以焊接参数与熔池特征量作为模型输入，以焊缝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，从而达到降低BP神经网络模型输入维数的目的。

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，以提取到的主成分及主要焊接参数作为BP神经网络的模型输入，由于特征量是人为定义的，因此特征量之间存在一定的相关性，即存在信息冗余；使BP神经网络具有全局寻优的能力，从而达到提高模型预测精度，提高模型的泛化能力的目的；个体适应度大小采用训练集样本误差绝对值之和衡量，个体的适应度越小个体越优异，则该个体被选中的概率就越大；在下一代种群中，被选中的优异个体可以进入下一次BP神经网络权重初始化的迭代中，从而获得全局最优的神经网络初始权值和阈值。

优选的，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）；

其中

③通过标准化矩阵建立协方差矩阵R，即

其中

④通过协方差矩阵R求出特征值、特征向量；解特征方程

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；

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；

其中，Z代表维度为

由于上述技术方案的运用，本发明与现有技术相比具有下列优点：

本方案在激光焊接焊缝成形预测过程中，采用主成分分析和遗传算法双优化的BP神经网络方法预测焊缝成形，相比于传统BP神经网络方法预测焊缝成形具有以下几点优势：

（1）同时采用熔池特征量和焊接工艺参数作为模型输入，模型对焊缝形貌预测精度更高。

（2）采用主成分分析降低模型输入层信息的重复性，消除了特征之间的信息重叠，降低神经网络的输入维数，提高模型运算速度，以适应实时监测的需要。

（3）采用遗传算法通过改善模型初始权重和阈值，改善BP神经网络的固有缺陷，避免了模型收敛于局部最优值，防止预测结果出现较大误差。

附图说明

下面结合附图对本发明技术方案作进一步说明：

附图1为本发明所述的BP神经网络经过主成分分析优化后的模型图；

附图2为本发明所述的同轴监测系统示意图；

附图3为本发明所述的BP神经网络经过遗传算法优化后的流程图；

附图4为熔池图像的处理和特征提取过程示意图；

附图5为本发明所述的T型接头的主要焊缝形貌图；

附图6为主成分分析优化对模型性能影响的对比示意图；

附图7为遗传算法优化对模型性能影响的对比示意图；

附图8为算法处理时间的示意图。

具体实施方式

下面结合实施例来进一步说明本发明。

本发明采用激光焊接熔池同轴监测系统，如图2所示，采用的激光器可以为光纤激光器、CO

以TA15钛合金作为焊接母材，以T型接头形式为例；采用的T型接头蒙皮试样尺寸为150mm×50mm×1.5mm，肋板试样尺寸为150mm×30mm×10mm。

采用基于主成分分析与遗传算法双优化的BP神经网络激光焊接焊缝成形预测方法具体实验方法如下：

步骤一:焊前需要对焊接母材表面进行清理，首先采用10% HNO

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，激光功率1kW～3kW、焊接速度0.5m/min～3m/min、离焦量为0mm、Ar气流量为10L/min～20L/min。

步骤三:采用二值化、形态学操作、保留连通区域等操作对熔池图像特征量进行提取，整个处理过程如图4所示；同轴监测系统采集的熔池图像如图4中a)所示；由于熔池头部和尾部的亮度特性不同，提取熔池特征时的情况较复杂；具体来说，熔池头部弧形边界与凝固区域的直线边界亮度相同，仅凭亮度难以区分；而熔池尾部由于反射而比周围母材的亮度高；为了解决这一问题，首先将灰度图像分为头部和尾部两部分，然后分别进行分段线性拉伸增强，如图4中b)所示；然后依次采用二值化、形态学操作、保留连通区域，如图4中c)、d)、e)所示；最后，根据处理后的图片即可确定关键点A、B、C和D，进而可计算得到熔池的形态特征值，即熔池长度L、宽度W、后拖角R、熔池周长C和面积S。

并采用进行显微镜对不同焊接参数下焊缝横截面特征量进行标注；最后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。

钛合金T型接头的质量主要取决于焊缝的熔深和结合面宽度，接头的典型形貌如图5所示。

步骤四：构建三层BP神经网络，以焊接参数与熔池特征量作为模型输入，以焊缝特征量作为模型预期输出；采用Tan-sigmod型传递函数作为输入层到隐藏层的激活函数，采用Log-sigmod型传递函数作为输入层到隐藏层的激活函数，采用拟牛顿法作为模型训练函数。

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，从而达到降低BP神经网络模型输入维数的目的。

图1中，主成分PC1保留了熔池特征量约60.8%的信息，主成分PC2保留了熔池特征量约33.8%的信息；主成分PC1中熔池长度和熔池周长的系数较大，主成分PC2中熔池宽度和熔池面积的系数较大，系数为负值是为了消除变量之间相关性；主成分PC3和主成分PC4的解释方差均小于5%，采用主成分PC1和主成分PC2就足以代表熔池特征量的信息；经过主成分分析将熔池特征量缩减为2个，减少信息冗余，减小BP神经网络复杂度。

熔池特征量的主成分分析结果如表1所示：

表1主成分分析结果

得到主成分PC1和主成分PC2的表达式如（6）和（7）所示：

其中，L为熔池长度，W为熔池宽度，R为熔池后拖角，C为熔池周长，S为熔池面积。

经主成分分析优化后模型如图1所示，经主成分分析后熔池特征量由5个减少为两个，增加了激光功率和焊接速度两个输入，共同预测焊缝形貌。

为了评价主成分分析对BP神经网络模型性能的影响，对比了主成分分析（PCA）优化BP神经网络和无主成分分析优化BP神经网络的性能；两个模型对焊缝熔深和结合面宽度的预测误差如图6所示；增加主成分分析算法后模型对焊缝熔深和结合面宽度的预测误差分别在0.15mm和0.14mm，较不采用PCA优化的BP神经网络模型预测精度高，且预测误差的波动范围更小；因此采用主成分分析减少模型输入可以有效的减少模型输入量和模型参数量，模型更简洁并且可以更快的收敛至最优点。

步骤六：如图3所示，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；从而达到提高模型预测精度，提高模型的泛化能力的目的；个体适应度大小采用训练集样本误差绝对值之和衡量，个体的适应度越小个体越优异，则该个体被选中的概率就越大；在下一代种群中，被选中的优异个体可以进入下一次BP神经网络权重初始化的迭代中，从而获得全局最优的神经网络初始权值和阈值。

为了评价遗传算法对BP神经网络模型性能的影响，对比了主成分分析（PCA）优化后的BP神经网络和主成分分析与遗传算法（PCA&GA）共同优化后的BP神经网络预测性能；两个模型对焊缝熔深和结合面宽度的预测误差如图7所示，采用遗传算法优化后的BP神经网络模型对焊缝熔深和焊缝结合面宽度的预测误差分别在0.10mm和0.11mm，较仅采用主成分分析优化的模型预测精度高，且预测误差的波动范围更小；因此采用遗传算法优化BP神经网络各层神经元的权值和阈值初始值，可以使模型收敛至更优点，模型的预测精度更高。

由于激光焊接速度较快，在实际应用过程中对模型运行时间有很高的要求，因此需要对模型各部分操作运行时间进行分析；算法处理时间如图8所示，熔池特征量提取所需的时间较多为53.6ms，主成分分析和遗传算法所需的时间很少为1.8ms；采用主成分分析和遗传算法优化BP神经网络，可以减少模型输入，加快模型收敛，主成分分析和遗传算法优化BP神经网络单次运行时间为21.8ms，特征量提取加模型单次运行时间在80ms左右；本试验采用的焊接速度在0.5～3m/min，相当于焊接距离间隔为1～3mm运行一次模型，可满足一定程度上的实时焊接应用。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施，并不能以此限制本发明的保护范围，凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围内。