基于机器学习的管件焊接工艺自动生成方法及系统与流程

本发明属于机械制加工管件焊接工艺产领域，特别涉及一种基于机器学习的管件焊接工艺自动生成方法及系统。

背景技术：

近年来，随着科技的飞速发展，智能制造、服务型制造及绿色制造等一系列重大举措，正逐步推动中国不断向制造强国的目标迈进，使得本国拥有较高生产水平的焊接工艺技术逐步达到全世界一流的水平，在国际上占据领先地位。焊接是利用高温、高压以及加热的方式实现将两分离热塑性材料或者金属材料连接成整体的一种方法。焊接工艺技术作为一种可实现两分离材料产生原子间结合力的方法，已经渗透到了现代化工业生产的各个领域。焊接工艺设计是整个结构中不可分割、至关重要的组成部分，并影响着整个结构的可靠性及其使用寿命。焊接工艺的设计是很复杂的，其主要靠传统的手工方式完成。因而，在管理、检索、编制和保存焊接工艺等工作上，不但造成了大量的重复性劳动，浪费了焊接工艺人员的精力，而且时常造成不必要的人为失误，影响了生产质量和制造成本。因此，为了提高了焊接工艺设计质量、效率和工艺文件的规范化。焊接工艺自动生成将为机械制造企业构建了焊接工艺设计自动化、信息化支撑平台，从而提升制造技术水平和快速研制能力。

针对上述问题，引起了诸多科研团队的广泛关注。李驰等人提出了机器学习算法在焊接领域中的应用。吕其兵等人提出了基于bp人工神经网络的钢轨交流闪光焊焊接接头质量预测。张爱华等人提出了基于bp神经网络的钢轨闪光对焊接头灰斑面积预测。刘梦溪等人提出了深度卷积神经网络的x射线焊缝缺陷研究。但上述方法都只建立了焊接参数与焊接质量的映射模型，只能对当前焊接参数进行合理和不合理的判断，并不能直接指导用户如何设计焊接工艺参数。

技术实现要素：

本发明的目的在于针对现有技术存在的问题，提供一种基于机器学习的管件焊接工艺自动生成方法，以简化焊接工艺参数调节过程，能够根据焊接工件参数快速适配优质的工艺参数，优化工艺参数，提高管件焊接的效率和质量。

实现本发明目的的技术解决方案为：一种基于机器学习的管件焊接工艺自动生成方法，所述方法包括以下步骤：

步骤1，采集不同型号规格管件的焊接工件参数及其对应的最佳焊接工艺参数数据，构建样本集；

步骤2，构建bp神经网络；

步骤3，利用所述样本集训练bp神经网络，生成焊接工艺生成模型；

步骤4，利用所述焊接工艺生成模型自动生成不同型号规格管件最佳的焊接工艺参数。

进一步地，步骤1在采集不同型号规格管件最佳的焊接工艺参数数据之后，还包括：对数据进行归一化处理。

进一步地，步骤2所述构建bp神经网络，具体包括：

步骤2-1，确定bp神经网络的输入层节点数：提取影响焊接质量的管件和法兰特征参数，将这些特征参数作为bp神经网络的输入，特征参数的数目即为输入层节点数；

步骤2-2，确定bp神经网络的输出层节点数：确定自动生成的焊接工艺参数，焊接工艺参数的数目即为输出层节点数；

步骤2-3，确定bp神经网络的隐藏层节点数s：

式中，m表示输入层节点数，n表示输出层节点数，a为常数，1＜a＜10；

步骤2-4，确定传递函数：选取tan-sigmod作为隐藏层传递函数，选取线性函数purelin作为输出层的传递函数。

进一步地，步骤3所述利用所述样本集训练bp神经网络，生成焊接工艺生成模型，具体过程包括：

步骤3-1，将所述样本集划分为训练集和测试集；

步骤3-2，利用所述训练集对bp神经网络进行训练，生成焊接工艺生成模型；

步骤3-3，利用测试集对焊接工艺生成模型进行测试，若测试精度未达到预设精度要求，返回步骤3-2继续训练bp神经网络，直至测试精度达到预设精度要求。

一种基于机器学习的管件焊接工艺自动生成系统，所述系统包括：

数据采集模块，用于采集不同型号规格管件的焊接工件参数及其对应的最佳焊接工艺参数数据，构建样本集；

神经网络构建模块，用于构建bp神经网络；

模型构建模块，用于利用所述样本集训练bp神经网络，生成焊接工艺生成模型；

自动生成模块，用于利用所述焊接工艺生成模型自动生成不同型号规格管件最佳的焊接工艺参数。

本发明与现有技术相比，其显著优点为：1)利用机器学习的管道焊接工艺自动生成方法，能够根据焊接工件参数快速适配优质的工艺参数，优化工艺参数，提高管件焊接的效率和质量；2)操作过程简单，减少了过程中不必要的资源浪费，取得比较好的优化效果。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明基于机器学习的管件焊接工艺自动生成方法的流程图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

需要说明，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

在一个实施例中，结合图1，提供了一种基于机器学习的管件焊接工艺自动生成方法，所述方法包括以下步骤：

步骤1，采集不同型号规格管件的焊接工件参数及其对应的最佳焊接工艺参数数据，构建样本集；

步骤2，构建bp神经网络；

步骤3，利用所述样本集训练bp神经网络，生成焊接工艺生成模型；

步骤4，利用所述焊接工艺生成模型自动生成不同型号规格管件最佳的焊接工艺参数。具体地，采集管件的焊接工件参数，输入焊接工艺生成模型中，输出该管件最佳的焊接工艺参数。

进一步地，在其中一个实施例中，步骤1在采集不同型号规格管件最佳的焊接工艺参数数据之后，还包括：对数据进行归一化处理，即将数据尺度统一至(0，1)。

进一步地，在其中一个实施例中，步骤2所述构建bp神经网络，具体包括：

步骤2-1，确定bp神经网络的输入层节点数：提取影响焊接质量的管件和法兰特征参数，将这些特征参数作为bp神经网络的输入，特征参数的数目即为输入层节点数；

这里，影响焊接质量的管件和法兰特征参数包括：管直径、管壁厚、法兰型号、法兰类型(方形法兰、圆形法兰等)、法兰直径、法兰壁厚、焊接起始角度以及焊接首尾交叠距离。因此输入层节点数为8；

步骤2-2，确定bp神经网络的输出层节点数：确定自动生成的焊接工艺参数，焊接工艺参数的数目即为输出层节点数；

这里，在管件焊接工艺生成过程中，最难确定的是焊接过程中的速度，电压等参数，因此自动生成的焊接工艺参数包括焊接速度、送丝速度以及焊接电压，所以输出层节点数为3；

步骤2-3，在bp神经网络中，如果网络隐藏层节点数太少，则会出现网络训练失败，网络泛化性能不足以及抗干扰能力差等诸多问题，如果隐藏层节点数太多，网络的学习时间就会变长，收敛效果也会减弱，因此确定bp神经网络的隐藏层节点数s为：

式中，m表示输入层节点数，n表示输出层节点数，a为常数，1＜a＜10；

步骤2-4，确定传递函数：选取tan-sigmod作为隐藏层传递函数，选取线性函数purelin作为输出层的传递函数(注：在bp神经网络中通过使用s型的传递函数来实现非线性逼近能力)。

进一步地，在其中一个实施例中，步骤3所述利用所述样本集训练bp神经网络，生成焊接工艺生成模型，具体过程包括：

步骤3-1，将所述样本集划分为训练集和测试集；

步骤3-2，利用所述训练集对bp神经网络进行训练，生成焊接工艺生成模型；

步骤3-3，利用测试集对焊接工艺生成模型进行测试，若测试精度未达到预设精度要求，返回步骤3-2继续训练bp神经网络，直至测试精度达到预设精度要求。

这里，对bp神经网络学习算法的具体过程说明如下：

(1)假设总共有m个学习样本(uk,vk),k＝1,2,3,…,m，对于第k个样本(uk,vk)而言，在数据正向传播过程中，第k样本的输入向量u＝(u1k,u2k,…umk)从输入层输入，经过隐藏层处理之后，在输出层得到样本k的神经网络输出向量其中输出层有n个节点；

(2)通过比较期望输出vk与实际输出若m个学习样本的实际输出全部达到期望的效果，整个学习过程结束；如果没有达到期望的效果，将进一步转入误差反向传播阶段。

在一个实施例中，提供了一种基于机器学习的管件焊接工艺自动生成系统，所述系统包括：

数据采集模块，用于采集不同型号规格管件的焊接工件参数及其对应的最佳焊接工艺参数数据，构建样本集；

神经网络构建模块，用于构建bp神经网络；

模型构建模块，用于利用所述样本集训练bp神经网络，生成焊接工艺生成模型；

自动生成模块，用于利用所述焊接工艺生成模型自动生成不同型号规格管件最佳的焊接工艺参数。

进一步地，在其中一个实施例中，所述系统还包括：

预处理模块，用于对数据进行归一化处理。

进一步地，在其中一个实施例中，所述神经网络构建模块具体包括：

第一参数确定单元，用于确定bp神经网络的输入层节点数：提取影响焊接质量的管件和法兰特征参数，将这些特征参数作为bp神经网络的输入，特征参数的数目即为输入层节点数；

第二参数确定单元，用于确定bp神经网络的输出层节点数：确定自动生成的焊接工艺参数，焊接工艺参数的数目即为输出层节点数；

第三参数确定单元，用于确定bp神经网络的隐藏层节点数s：

式中，m表示输入层节点数，n表示输出层节点数，a为常数，1＜a＜10；

第四参数确定单元，用于确定传递函数：选取tan-sigmod作为隐藏层传递函数，选取线性函数purelin作为输出层的传递函数。

进一步地，在其中一个实施例中，所述自动生成模块包括依次执行的：

样本划分单元，用于将所述样本集划分为训练集和测试集；

训练单元，用于利用所述训练集对bp神经网络进行训练，生成焊接工艺生成模型；

测试单元，用于利用测试集对焊接工艺生成模型进行测试，若测试精度未达到预设精度要求，返回训练单元继续训练bp神经网络，直至测试精度达到预设精度要求。

关于基于机器学习的管件焊接工艺自动生成系统的具体限定可以参见上文中对于基于机器学习的管件焊接工艺自动生成方法的限定，在此不再赘述。上述基于机器学习的管件焊接工艺自动生成系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本发明基于bp神经网络建立焊接工艺参数生成模型，利用试焊经验值进行训练，最终建立从加工工件参数到焊接工艺参数的映射，最终指导用户选择合适的焊接工艺参数，节约试焊过程的时间成本和金钱成本。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。