一种基于机器学习的焊接参数优化方法与流程

1.本发明涉及汽车零件加工技术领域，尤其涉及一种基于机器学习的焊接参数优化方法。


背景技术：

2.目前，在焊接是广泛应用的工艺及技术，并可能应用在制造诸如汽车、脚踏车、运动器材、机械结构、器具或家具等多种产品。值得注意的是，现今焊接操作相当仰赖操作者的经验。经验不足的操作者可能造成焊件毁损或是连接不够牢固等缺陷。事实上，焊接操作有许多变因，且这些变因可能会影响成品的优劣。例如，待焊接成为一个对象的两种对象的厚度可能不同，且任一个焊接点的两种相邻物件所形成的夹角在不同处也可能不同。
3.目前的激光焊接是汽车材料连接的主要方法之一，由于其焊接效率和精度高，接头的深宽比大，变形小，因此该技术在汽车制造中应用越来越广泛，在激光点焊焊接中，激光焊接速度、激光焊接功率密度与激光焊接点状尺寸的选择会直接影响和焊接质量。因此，参数配置中需要准确选择适当的激光功率密度，以确保点焊的质量，通过传统的焊接参数配置方法，很难准确地预测焊缝的质量，由于焊接过程中受到多种因素的影响，包括材料性质、焊接设备性能、工艺条件等，因此需要开发新的方法来更好地确定焊接参数配置并预测焊接的质量。


技术实现要素：

4.本发明提供了一种基于机器学习的焊接参数优化方法，本发明通过训练好的机器学习模型，可以将实时的激光点焊工艺参数输入模型，获得最佳的激光点焊焊接参数配置。这种自动化的参数预测功能大大简化了工艺工程师的工作，减少了人工试验和调整的需要，提高了工作效率。
5.本发明为解决上述技术问题所采用的技术方案是：一种基于机器学习的焊接参数优化方法，用于汽车零件的激光点焊焊接，包括以下步骤：
6.步骤s1：准备工作：确定需要焊接的汽车零件焊接点的位置并获取焊接材料类型、焊接材料厚度和焊接要求数据；
7.步骤s2：设计激光点焊工艺参数：根据获取的焊接材料类型、焊接材料厚度和焊接要求数据确定激光点焊的工艺参数数据，激光点焊的工艺参数数据包括激光焊接速度、激光焊接功率密度与激光焊接点状尺寸；
8.步骤s3:使用机器学习算法建立机器学习模型，机器学习模型为神经网络数学模型，包括输入层、隐藏层和输出层：
9.步骤s4:收集激光点焊工艺参数数据，对激光点焊工艺参数数据进行预处理，获得数据集；
10.步骤s5:使用数据集对神经网络模型进行训练，在训练过程中通过反向传播算法调整网络的权重和偏差；
11.步骤s6:使用独立的测试数据集对训练好的神经网络模型进行评估，通过计算预测结果与实际结果之间的误差指标，评估神经网络模型的性能和准确性；
12.步骤s7:将优化后的神经网络模型应用于实际激光点焊工艺参数优化中：向优化后的神经网络模型输入实时的激光点焊工艺参数数据，利用训练好的神经网络模型输出最佳激光点焊焊接参数配置以及预测焊接质量。
13.进一步的，所述步骤s3中神经网络数学模型的输入层为神经网络的第一层，输入层用于接收并传递来自数据集的输入数据，所述隐藏层位于输入层和输出层之间，隐藏层设置有一层或多层，用于对输入层传递的数据进行处理和转换，所述输出层为神经网络的最后一层，用于接收隐藏层传递过来的数据，并输出最佳激光点焊焊接参数配置以及预测焊接质量。
14.进一步的，所述输入层的表达公式为x＝[x1,x2,...,xn]，隐藏层的表达公式为hn＝f(wn·hn-1
+bn)，输出层的表达公式为y＝f(w
out
·hn
+b
out
)。
[0015]
进一步的，所述输入层的表达公式中的x表示输入层的数据向量，x1表示输入数据向量中的第一个元素，x2表示输入数据向量中的第二个元素。
[0016]
进一步的，所述隐藏层的表达公式中的hn表示第n个隐藏层的输出，f表示激活函数，用于对线性变换的结果进行非线性映射，w表示权重矩阵，n表示从输入层到输出层之间的隐藏层数量，wn表示第n个隐藏层的权重矩阵,权重矩阵用于线性变换，将输入数据乘以权重并进行加权求和，bn表示偏置向量，在每个隐藏层和输出层都有一个对应的偏置向量，用于调整该层神经元的激活阈值。
[0017]
进一步的，所述输出层的表达公式中的y表示输出层的输出，即神经网络最终的输出结果，y通过对最后一个隐藏层的输出进行线性变换和激活函数映射得到，f表示激活函数，用于对线性变换的结果进行非线性映射,w
out
表示输出层的权重矩阵,用于计算输出层的输入，hn表示第n个隐藏层的输出，b
out
表示输出层的偏置参数。
[0018]
进一步的，所述w
out
的形状为(m
×
n)，其中m为隐藏层的神经元个数，n为输出层的神经元个数。
[0019]
进一步的，所述步骤s4中对激光点焊工艺参数数据进行预处理，获得数据集包括：
[0020]
步骤s4-1:对收集到的数据进行清洗，包括剔除异常值、去除重复数据、处理缺失值，获得数据集；
[0021]
步骤s4-2:将数据集划分为训练集、验证集和测试集；训练集用于训练机器学习模型参数，验证集用于调整机器学习模型超参和评估模型性能，测试集用于最终评估机器学习模型的泛化能力；
[0022]
步骤s4-3:将预处理后的数据集进行保存，以便机器学习模型进行后续训练和应用。
[0023]
进一步的，所述步骤s5中在训练过程中通过反向传播算法调整网络的权重和偏差包括：
[0024]
步骤s5-1:首先初始化神经网络的权重和偏差；
[0025]
步骤s5-2:将输入数据通过神经网络进行前向传播，计算每个神经元的输出；
[0026]
步骤s5-3:比较神经网络的预测输出和实际标签值，计算损失函数的值；
[0027]
步骤s5-4:通过反向传播算法，根据损失函数的值计算权重和偏差的梯度；
[0028]
步骤s5-5:根据计算得到的梯度，使用优化算法来更新神经网络的权重和偏差；
[0029]
步骤s5-6:上述步骤中的s6-2至s6-5依次进行，通过多次迭代训练来改善神经网络的性能。
[0030]
本发明的优点在于：
[0031]
本发明的设计旨在解决激光焊接参数配置的问题，通过基于机器学习的方法来优化焊接参数，以提高激光点焊焊接的质量和效率。下面是本发明所起到的有益效果：
[0032]
焊接质量的提高：本技术基于机器学习的方法可以通过大量的数据训练，学习出复杂的参数配置模式，从而提供更准确的焊接参数配置，这样可以大大提高焊接质量，减少焊接缺陷和质量问题的发生。
[0033]
参数优化的高效性：激光点焊的参数选择对于焊接效果至关重要，但是准确选择适当的激光功率密度需要经验丰富的专家和大量的试验。借助机器学习模型，可以利用大规模的数据集和训练算法，自动搜索最佳的焊接参数配置，节约了大量的试错成本和时间，并提高了参数优化的效率。
[0034]
自动化的参数预测：通过训练好的机器学习模型，可以将实时的激光点焊工艺参数输入模型，获得最佳的激光点焊焊接参数配置。这种自动化的参数预测功能大大简化了工艺工程师的工作，减少了人工试验和调整的需要，提高了工作效率。
[0035]
高度可靠的预测能力：机器学习模型通过大规模训练和验证数据集的学习，具备了较高的预测能力。通过模型的优化和评估过程，可以较准确地预测焊接质量，减少焊接缺陷的发生概率，并提供合理的焊接参数建议，从而保证了焊接质量的可靠性和稳定性。
[0036]
总的来说，该基于机器学习的焊接参数优化方法能够实现焊接质量的提高、参数优化的高效性、自动化的参数预测以及高度可靠的预测能力。这将为汽车制造行业的激光点焊焊接过程带来巨大的益处，提升生产效率、降低成本，并保证产品的安全性和可靠性。
附图说明
[0037]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0038]
图1为本发明提供的一种基于机器学习的焊接参数优化方法的流程图。
具体实施方式
[0039]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0040]
实施例1：
[0041]
图1为本发明提供的一种基于机器学习的焊接参数优化方法的流程图，如图1所示的一种基于机器学习的焊接参数优化方法，用于汽车零件的激光点焊焊接，其特征在于，包括以下步骤：
[0042]
步骤s1：准备工作：确定需要焊接的汽车零件焊接点的位置并获取焊接材料类型、
焊接材料厚度和焊接要求数据；数据收集：首先，需要收集与汽车零件焊接工艺相关的数据。这些数据可以包括焊接参数(如电流、电压、焊接速度等)，焊接过程中的传感器数据(如温度、压力、速度等)以及焊接质量的测量数据(如焊缝宽度、焊缝深度等)。
[0043]
步骤s2：设计激光点焊工艺参数：根据获取的焊接材料类型、焊接材料厚度和焊接要求数据确定激光点焊的工艺参数数据，激光点焊的工艺参数数据包括激光焊接速度、激光焊接功率密度与激光焊接点状尺寸；这些参数会影响到焊接的质量和效果。
[0044]
步骤s3:使用机器学习算法建立机器学习模型，机器学习模型为神经网络数学模型(神经网络模型是一种模拟人脑神经系统工作原理的数学模型。它由多层神经元组成，每个神经元通过学习任务来调整权重和阈值，并在不同层之间传递信息。神经网络可以通过大量的样本数据自动学习和提取特征，从而进行准确的预测)，包括输入层、隐藏层和输出层，该模型可以学习不同焊接参数与焊缝质量之间的关系，并预测最佳的焊接参数组合。
[0045]
神经网络数学模型的输入层为神经网络的第一层，输入层用于接收并传递来自数据集的输入数据，输入层的节点数取决于数据集的特征数量，每个节点代表一个特征。，所述隐藏层位于输入层和输出层之间，隐藏层设置有一层或多层，用于对输入层传递的数据进行处理和转换，以提取数据中的相关特征，隐藏层中的每个节点都与上一层和下一层的节点相连，并且具有一个权重值，用于控制信号的传递和处理过程。隐藏层可以有不同的节点数和层级，并且可以使用不同的激活函数来引入非线性性质。，所述输出层为神经网络的最后一层，用于接收隐藏层传递过来的数据，并输出最佳激光点焊焊接参数配置以及预测焊接质量。
[0046]
权重和偏置：神经网络的每个连接都有一个与之相关的权重值。权重控制了信号在神经网络中的传播强度和方向。此外，每个节点还有一个偏置，用于控制输入信号在节点中的加权总和。
[0047]
其中输入层的表达公式为x＝[x1,x2,...,xn]，隐藏层的表达公式为hn＝f(wn·hn-1
+bn)，输出层的表达公式为y＝f(w
out
·hn
+b
out
)。
[0048]
输入层的表达公式中的x表示输入层的数据向量，x1表示输入数据向量中的第一个元素，x2表示输入数据向量中的第二个元素。
[0049]
其中隐藏层的表达公式中的hn表示第n个隐藏层的输出，f表示激活函数，用于对线性变换的结果进行非线性映射,激活函数包括sigmoid、relu、tanh等。具体选择哪种激活函数取决于任务的需求和网络训练的效果，w表示权重矩阵，n表示从输入层到输出层之间的隐藏层数量，wn表示第n个隐藏层的权重矩阵,权重矩阵用于线性变换，将输入数据乘以权重并进行加权求和，bn表示偏置向量，在每个隐藏层和输出层都有一个对应的偏置向量，用于调整该层神经元的激活阈值。偏置向量对每个神经元施加一个恒定的偏移量，它可以影响神经元的激活状态和输出结果，在神经网络的计算过程中，偏置向量与权重矩阵一起参与线性变换，然后通过激活函数进行非线性映射，从而生成隐藏层和输出层的输出。偏置向量可以通过调整其值来在模型中引入偏移和平移，使模型能够适应不同的数据分布和模式。
[0050]
总而言之，偏置向量在神经网络中起到了调整和控制神经元激活阈值的作用，通过对不同层的偏置向量的调整，神经网络可以更好地拟合输入的数据并产生准确的输出；
[0051]
本发明输出层的表达公式中的y表示输出层的输出，即神经网络最终的输出结果，
y通过对最后一个隐藏层的输出进行线性变换和激活函数映射得到，f表示激活函数，用于对线性变换的结果进行非线性映射,w
out
表示输出层的权重矩阵,这是一个将隐藏层的输出与输出层的神经元之间的连接权重进行编码的矩阵,权重矩阵定义了隐藏层和输出层之间每个神经元之间的连接权重，用于计算输出层的输入，w
out
的形状为(m
×
n)，其中m为隐藏层的神经元个数，n为输出层的神经元个数。hn表示第n个隐藏层的输出，b
out
表示输出层的偏置参数。偏置是神经网络每个神经元中的一个常数项，它与该神经元的权重参数一起作用于输入数据，影响神经元的激活状态和输出结果，在神经网络中，每个神经元都接收到来自上一层神经元的输入，并将其加权求和后传递给激活函数进行非线性变换。输出层的权重矩阵指定了隐藏层的输出如何被加权和传递给输出层的每个神经元
[0052]
模型评估和调优：在训练过程中，可以使用各种指标来评估模型的性能，如均方误差(mse)、平均绝对误差(mae)和决定系数(r-squared)等。根据评估结果，可以对模型进行调优，如调整学习率、增加隐藏层节点、添加正则化等。
[0053]
模型应用与优化：经过训练和调优的神经网络模型可以用于预测和优化汽车零件的焊接工艺。通过输入实时的传感器数据和焊接参数，模型可以输出最佳的焊接参数配置和预测焊接质量。这样可以实现自动化的优化和智能化的焊接过程。
[0054]
步骤s4:收集大量的激光点焊工艺参数数据(数据收集的方式可以通过实验室实际进行激光点焊焊接，记录焊接过程中的各种参数数据，另外可以利用先前焊接过程中记录的数据，或者使用仿真软件模拟激光点焊过程中的各种参数数据进行自动收集)，对激光点焊工艺参数数据进行预处理，获得数据集，具体包括以下步骤：
[0055]
步骤s4-1:对收集到的数据进行清洗，包括剔除异常值、去除重复数据、处理缺失值，获得数据集；异常值可能是由于传感器故障或其他原因导致的离群值，应该进行剔除。如果存在重复数据，应该只保留一份。对于缺失值，可以通过插值等方法进行处理。
[0056]
步骤s4-2:将数据集划分为训练集、验证集和测试集；训练集用于训练机器学习模型参数，验证集用于调整机器学习模型超参和评估模型性能，测试集用于最终评估机器学习模型的泛化能力；
[0057]
步骤s4-3:将预处理后的数据集进行保存(保存在适当的格式中，如csv文件、数据库等)，以便机器学习模型进行后续训练和应用。
[0058]
通过以上步骤，我们可以收集并预处理激光点焊工艺参数数据，得到适用于机器学习模型训练的数据集，为后续的参数优化提供准确的训练数据。
[0059]
步骤s5:使用数据集对神经网络模型进行训练，在训练过程中通过反向传播算法调整网络的权重和偏差，以最小化预测结果与真实标签之间的损失函数；使神经网络能够学习输入特征与输出结果之间的复杂关系(在训练过程中可使用目前现有的的损失函数和优化算法来调整模型的权重和偏置，以最小化预测结果与实际结果之间的误差)，具体包括以下步骤：
[0060]
步骤s5-1:首先初始化神经网络的权重和偏差，这些参数可以使用随机值进行初始化，以确保训练过程的多样性和随机性；
[0061]
步骤s5-2:将输入数据通过神经网络进行前向传播，计算每个神经元的输出；这个过程涉及将输入信号与权重相乘，然后通过激活函数来计算每个神经元的输出。
[0062]
步骤s5-3:比较神经网络的预测输出和实际标签值，计算损失函数的值；损失函数
用于度量神经网络预测结果与实际结果之间的误差，常见的损失函数包括均方误差(meansquarederror)和交叉熵损失(cross-entropyloss)等。
[0063]
步骤s5-4:通过反向传播算法，根据损失函数的值计算权重和偏差的梯度；反向传播的过程从网络的最后一层开始，逐层向前传播计算梯度。这个过程中使用链式法则来计算每层的梯度。
[0064]
步骤s5-5:根据计算得到的梯度，使用优化算法(如梯度下降法)来更新神经网络的权重和偏差；优化算法根据梯度的方向来调整参数的值，以最小化损失函数。
[0065]
步骤s6-6:上述步骤中的s6-2至s6-5依次进行，通过多次迭代训练来改善神经网络的性能。在每次迭代中，通过将训练数据输入到网络中，进行前向传播、计算损失函数、反向传播和参数更新，直到达到预定的停止条件(如达到最大迭代次数或损失函数收敛)。
[0066]
通过以上步骤，反向传播算法可以通过迭代调整网络的权重和偏差，从而使神经网络逐渐逼近最优解，提高模型对输入特征与输出结果之间复杂关系的学习能力。
[0067]
步骤s6:使用独立的测试数据集对训练好的神经网络模型进行评估，通过计算预测结果与实际结果之间的误差指标(如均方误差、平均绝对误差等)，评估神经网络模型的性能和准确性；
[0068]
步骤s7:将优化后的神经网络模型应用于实际激光点焊工艺参数优化中：向优化后的神经网络模型输入实时的激光点焊工艺参数数据，利用训练好的神经网络模型输出最佳激光点焊焊接参数配置以及预测焊接质量。
[0069]
综上所述，神经网络模型在汽车零件焊接工艺中具有较强的创新性，通过大量数据的学习和优化，可以输出最佳的焊接参数组合，优化后的参数能够提高焊接的稳定性和一致性，可以实现智能化的焊接过程，提高焊接质量和效率。
[0070]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于机器学习的焊接参数优化方法，用于汽车零件的激光点焊焊接，其特征在于，包括以下步骤：步骤s1：准备工作：确定需要焊接的汽车零件焊接点的位置并获取焊接材料类型、焊接材料厚度和焊接要求数据；步骤s2：设计激光点焊工艺参数：根据获取的焊接材料类型、焊接材料厚度和焊接要求数据确定激光点焊的工艺参数数据，激光点焊的工艺参数数据包括激光焊接速度、激光焊接功率密度与激光焊接点状尺寸；步骤s3:使用机器学习算法建立机器学习模型，机器学习模型为神经网络数学模型，包括输入层、隐藏层和输出层：步骤s4:收集激光点焊工艺参数数据，对激光点焊工艺参数数据进行预处理，获得数据集；步骤s5:使用数据集对神经网络模型进行训练，在训练过程中通过反向传播算法调整网络的权重和偏差；步骤s6:使用独立的测试数据集对训练好的神经网络模型进行评估，通过计算预测结果与实际结果之间的误差指标，评估神经网络模型的性能和准确性；步骤s7:将优化后的神经网络模型应用于实际激光点焊工艺参数优化中：向优化后的神经网络模型输入实时的激光点焊工艺参数数据，利用训练好的神经网络模型输出最佳激光点焊焊接参数配置以及预测焊接质量。2.根据权利要求1所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述步骤s3中神经网络数学模型的输入层为神经网络的第一层，输入层用于接收并传递来自数据集的输入数据，所述隐藏层位于输入层和输出层之间，隐藏层设置有一层或多层，用于对输入层传递的数据进行处理和转换，所述输出层为神经网络的最后一层，用于接收隐藏层传递过来的数据，并输出最佳激光点焊焊接参数配置以及预测焊接质量。3.根据权利要求2所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述输入层的表达公式为x＝[x1,x2,...,x
n
]，隐藏层的表达公式为h
n
＝f(w
n
·
h
n-1
+b
n
)，输出层的表达公式为y＝f(w
out
·
h
n
+b
out
)。4.根据权利要求3所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述输入层的表达公式中的x表示输入层的数据向量，x1表示输入数据向量中的第一个元素，x2表示输入数据向量中的第二个元素。5.根据权利要求3所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述隐藏层的表达公式中的h
n
表示第n个隐藏层的输出，f表示激活函数，用于对线性变换的结果进行非线性映射，w表示权重矩阵，n表示从输入层到输出层之间的隐藏层数量，w
n
表示第n个隐藏层的权重矩阵,权重矩阵用于线性变换，将输入数据乘以权重并进行加权求和，b
n
表示偏置向量，在每个隐藏层和输出层都有一个对应的偏置向量，用于调整该层神经元的激活阈值。6.根据权利要求3所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述输出层的表达公式中的y表示输出层的输出，即神经网络最终的输出结果，y通过对最后一个隐藏层的输出进行线性变换和激活函数映射得到，f表示激活函数，用于对线性变换的结果进行非线性映射,w
out
表示输出层的权重矩阵,用于计算输出层的输入，h
n
表示第n个隐藏层
的输出，b
out
表示输出层的偏置参数。7.根据权利要求6所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述w
out
的形状为(m
×
n)，其中m为隐藏层的神经元个数，n为输出层的神经元个数。8.根据权利要求1所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述步骤s4中对激光点焊工艺参数数据进行预处理，获得数据集包括：步骤s4-1:对收集到的数据进行清洗，包括剔除异常值、去除重复数据、处理缺失值，获得数据集；步骤s4-2:将数据集划分为训练集、验证集和测试集；训练集用于训练机器学习模型参数，验证集用于调整机器学习模型超参和评估模型性能，测试集用于最终评估机器学习模型的泛化能力；步骤s4-3:将预处理后的数据集进行保存，以便机器学习模型进行后续训练和应用。9.根据权利要求1所述的一种基于机器学习的焊接参数优化方法，其特征在于，所述步骤s5中在训练过程中通过反向传播算法调整网络的权重和偏差包括：步骤s5-1:首先初始化神经网络的权重和偏差；步骤s5-2:将输入数据通过神经网络进行前向传播，计算每个神经元的输出；步骤s5-3:比较神经网络的预测输出和实际标签值，计算损失函数的值；步骤s5-4:通过反向传播算法，根据损失函数的值计算权重和偏差的梯度；步骤s5-5:根据计算得到的梯度，使用优化算法来更新神经网络的权重和偏差；步骤s5-6:上述步骤中的s6-2至s6-5依次进行，通过多次迭代训练来改善神经网络的性能。

技术总结
本发明涉及汽车零件加工技术领域，尤其涉及一种基于机器学习的焊接参数优化方法，用于汽车零件的激光点焊焊接，包括以下步骤：步骤S1：准备工作：确定需要焊接的汽车零件焊接点的位置并获取焊接材料类型、焊接材料厚度和焊接要求数据；步骤S2：设计激光点焊工艺参数：根据获取的焊接材料类型、焊接材料厚度和焊接要求数据确定激光点焊的工艺参数数据，激光点焊的工艺参数数据包括激光焊接速度、激光焊接功率密度与激光焊接点状尺寸。本发明通过训练好的机器学习模型，可以将实时的激光点焊工艺参数输入模型，获得最佳的激光点焊焊接参数配置，大大简化了工艺工程师的工作，减少了人工试验和调整的需要，提高了工作效率。提高了工作效率。提高了工作效率。


技术研发人员：李春旺
受保护的技术使用者：天津恒兴机械设备有限公司
技术研发日：2023.08.10
技术公布日：2023/10/7