申请/专利权人：清华大学

申请日：2022-04-28

公开（公告）日：2024-04-09

公开（公告）号：CN114781093B

主分类号：G06F30/17

分类号：G06F30/17;G06F30/27;G06N3/0442;G06N3/084;G06F113/10

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2022.08.09#实质审查的生效;2022.07.22#公开

摘要：本公开提出一种电弧增材制造焊道形状控制方法及装置，属于电弧增材制造领域。所述方法包括：获取目标焊道形状参数序列，目标焊道形状参数序列由沿目标焊道每隔设定距离1的焊道形状参数构成；将预设的焊道形状预测模型作为模型预测控制方法中的预测模型，将随机搜索优化方法作为模型预测控制方法的优化方法，根据目标焊道形状参数序列，得到目标焊道电弧增材制造工艺参数序列；其中，焊道形状预测模型为长短期记忆网络模型，目标焊道电弧增材制造工艺参数序列由沿所述目标焊道每隔设定距离2的工艺参数构成。本公开利用少量数据训练长短期记忆网络模型，结合模型预测控制算法可进行电弧增材制造工艺参数的规划，从而获得高精度的焊道形状。

主权项：1.一种电弧增材制造焊道形状控制方法，其特征在于，包括：获取目标焊道形状参数序列，所述目标焊道形状参数序列由沿所述目标焊道每隔设定距离1的焊道形状参数构成；将预设的焊道形状预测模型作为模型预测控制方法中的预测模型，将随机搜索优化方法作为所述模型预测控制方法的优化方法，根据所述目标焊道形状参数序列，得到所述目标焊道电弧增材制造工艺参数序列；所述焊道形状预测模型为长短期记忆网络模型，所述目标焊道电弧增材制造工艺参数序列由沿所述目标焊道每隔设定距离2的工艺参数构成；其中，在所述将预设的焊道形状预测模型作为模型预测控制方法中的预测模型之前，还包括：训练所述焊道形状预测模型；所述训练所述焊道形状预测模型，包括：获取用于制造采样焊道的多组电弧增材制造工艺参数及对应的焊道形状参数序列；将所述多组电弧增材制造工艺参数及对应的焊道形状参数序列划分为训练数据集和验证数据集；构建一个长短期记忆网络模型，利用所述训练数据集对所述长短期记忆网络模型进行训练；通过调整训练参数，选取使得所述验证数据集误差最小的训练参数，得到训练完毕的所述长短期记忆网络模型作为所述焊道形状预测模型；所述获取用于制造采样焊道的多组电弧增材制造工艺参数及对应的焊道形状参数序列，包括：1确定所述采样焊道的焊接工艺参数范围；2在所述工艺参数范围内随机设定一组所述工艺参数，对所述采样焊道进行电弧增材制造开始后，每经过设定的焊道距离2按照设定的比例对所述工艺参数进行随机增加或减小调整，其中调整后的所述工艺参数保持在所述工艺参数范围内；3所述电弧增材制造完毕后，每隔设定的焊道距离1获取所述焊道形状参数组成一个焊道形状参数数据点；4利用步骤2获取的所述工艺参数和步骤3获取的所述焊道形状参数构建一组电弧增材制造工艺参数及对应的焊道形状参数序列；其中，所述序列中包含多个样本，所述样本的总数等于所述焊道形状参数数据点的总数；每个样本中，以每个数据点的所述焊道形状参数作为输出，以该数据点前后各个数据点对应的所述工艺参数作为输入时间序列；若任一数据点前后不足个数据点，则将该数据点对应样本的输入时间序列中缺失的值用0补齐；5随机设定N组所述工艺参数，重复步骤2至4，得到N组所述电弧增材制造工艺参数及对应的焊道形状参数序列；总共得到N+1组所述电弧增材制造工艺参数和对应的焊道形状参数序列以用于划分所述训练数据集和所述验证数据集；所述方法还包括：利用所述目标焊道电弧增材制造工艺参数序列对所述目标焊道进行焊接，得到实际焊道；对于所述实际焊道，每隔设定的焊道距离1获取所述焊道形状参数构成所述实际焊道的形状参数序列；将所述目标焊道电弧增材制造工艺参数序列和所述实际焊道形状参数序列组成一组新的电弧增材制造工艺参数及对应的焊道形状参数序列；将所述新的电弧增材制造工艺参数及对应的焊道形状参数序列加入所述训练数据集，利用所述新的电弧增材制造工艺参数及对应的焊道形状参数序列训练所述焊道形状预测模型，得到优化后的优化焊道形状预测模型。

全文数据：

权利要求：

百度查询： 清华大学 一种电弧增材制造焊道形状控制方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD