本文主要研究内容
作者王龙飞（2019）在《基于神经网络的双丝MIG快速成形系统焊缝形状预测与参数优化》一文中研究指出：随着市场经济的发展,以及产品制造的竞争加剧,快速成形技术因柔性高、生产周期短、成形件性能优良等优势而备受关注。作为快速成形的一种,电弧快速成形利用电弧热熔化焊丝,按照设定轨迹堆积成金属零件,其具有制造灵活、成形件致密度高的优点,并且已在机械制造领域广泛应用。现搭建的粗细双丝MIG快速成形系统既有粗丝敷熔率大的优势,又有细丝成形精度高的特点。为在使用过程中指导焊缝成形和优化焊接工艺,达到减少试验和节省焊接成本的目的,本文通过建立神经网络模型,实现直观预测焊缝形貌和焊接工艺参数的优化。首先进行了样本数据的采集,利用正交设计方法设计试验方案,以焊接速度、焊丝直径、送丝速度及焊接电压为试验因子,试验中不考虑各个因素之间的交互作用,因为各因素、水平数不尽相同且没有可供直接选择的正交表,所以重新进行了混合正交表的设计。使用双丝MIG快速成形设备进行试验得到80个样件,样件经处理后在显微镜下得到可观察焊缝形貌的照片,采集焊缝几何参数如熔宽、余高和熔深,数据记录在表格中供后续训练使用。随后试验分析了正交表中四个试验因子在双丝MIG快速成形系统中对焊缝成形的影响,初步探究试验因子影响焊缝成形的规律,为后续预测数据提供理论基础,也进一步验证设计的焊接系统有较好的稳定性。为达到通过程序直接输出焊缝形状的研究目的,本文采用关键点坐标和曲线方程类别共同确定焊缝上部和下部轮廓曲线。使用Python语言和Tensorflow机器学习框架编写程序,借助Tensorboard可视化工具建立三类神经网络模型:第一类网络模型预测焊缝的成形系数进而转换为关键点坐标;第二、三类神经网络模型用以预测焊缝上部和下部轮廓曲线类别。在训练第二、三类网络模型之前,对第二章采集的焊缝图像数据做了提取和分类,做成one-hot标签供训练使用。结果显示,三类网络模型的loss曲线下降稳定且第二、三类网络模型的准确率达到80.7%和83.8%。最后建立反向焊接工艺参数预测模型,同第一类正向网络模型联合使用优化焊接工艺参数,结果表明参数预测误差在5%以下。为方便使用,通过Matlab软件创建了可视化界面,界面内有网络超参数信息、预测界面和数据管理3个模块。最后使用该界面预测15组测试集数据的焊缝形状,记录预测过程中熔宽、余高和熔深数据,通过数据分析得出第一类网络模型的预测性能较好;计算得到测试集数据焊缝上部和下部曲线类型的准确率分别为0.8318和0.8780,优于训练集数据的准确率,说明第二、三类网络的泛化性能较强;通过像素点计算法得到图像面积,对比实际焊缝面积和预测焊缝面积,15组数据的平均相对误差为5.16%,说明本文建立的预测模型的可靠性较高。
Abstract
sui zhao shi chang jing ji de fa zhan ,yi ji chan pin zhi zao de jing zheng jia ju ,kuai su cheng xing ji shu yin rou xing gao 、sheng chan zhou ji duan 、cheng xing jian xing neng you liang deng you shi er bei shou guan zhu 。zuo wei kuai su cheng xing de yi chong ,dian hu kuai su cheng xing li yong dian hu re rong hua han si ,an zhao she ding gui ji dui ji cheng jin shu ling jian ,ji ju you zhi zao ling huo 、cheng xing jian zhi mi du gao de you dian ,bing ju yi zai ji xie zhi zao ling yu an fan ying yong 。xian da jian de cu xi shuang si MIGkuai su cheng xing ji tong ji you cu si fu rong lv da de you shi ,you you xi si cheng xing jing du gao de te dian 。wei zai shi yong guo cheng zhong zhi dao han feng cheng xing he you hua han jie gong yi ,da dao jian shao shi yan he jie sheng han jie cheng ben de mu de ,ben wen tong guo jian li shen jing wang lao mo xing ,shi xian zhi guan yu ce han feng xing mao he han jie gong yi can shu de you hua 。shou xian jin hang le yang ben shu ju de cai ji ,li yong zheng jiao she ji fang fa she ji shi yan fang an ,yi han jie su du 、han si zhi jing 、song si su du ji han jie dian ya wei shi yan yin zi ,shi yan zhong bu kao lv ge ge yin su zhi jian de jiao hu zuo yong ,yin wei ge yin su 、shui ping shu bu jin xiang tong ju mei you ke gong zhi jie shua ze de zheng jiao biao ,suo yi chong xin jin hang le hun ge zheng jiao biao de she ji 。shi yong shuang si MIGkuai su cheng xing she bei jin hang shi yan de dao 80ge yang jian ,yang jian jing chu li hou zai xian wei jing xia de dao ke guan cha han feng xing mao de zhao pian ,cai ji han feng ji he can shu ru rong kuan 、yu gao he rong shen ,shu ju ji lu zai biao ge zhong gong hou xu xun lian shi yong 。sui hou shi yan fen xi le zheng jiao biao zhong si ge shi yan yin zi zai shuang si MIGkuai su cheng xing ji tong zhong dui han feng cheng xing de ying xiang ,chu bu tan jiu shi yan yin zi ying xiang han feng cheng xing de gui lv ,wei hou xu yu ce shu ju di gong li lun ji chu ,ye jin yi bu yan zheng she ji de han jie ji tong you jiao hao de wen ding xing 。wei da dao tong guo cheng xu zhi jie shu chu han feng xing zhuang de yan jiu mu de ,ben wen cai yong guan jian dian zuo biao he qu xian fang cheng lei bie gong tong que ding han feng shang bu he xia bu lun kuo qu xian 。shi yong Pythonyu yan he Tensorflowji qi xue xi kuang jia bian xie cheng xu ,jie zhu Tensorboardke shi hua gong ju jian li san lei shen jing wang lao mo xing :di yi lei wang lao mo xing yu ce han feng de cheng xing ji shu jin er zhuai huan wei guan jian dian zuo biao ;di er 、san lei shen jing wang lao mo xing yong yi yu ce han feng shang bu he xia bu lun kuo qu xian lei bie 。zai xun lian di er 、san lei wang lao mo xing zhi qian ,dui di er zhang cai ji de han feng tu xiang shu ju zuo le di qu he fen lei ,zuo cheng one-hotbiao qian gong xun lian shi yong 。jie guo xian shi ,san lei wang lao mo xing de lossqu xian xia jiang wen ding ju di er 、san lei wang lao mo xing de zhun que lv da dao 80.7%he 83.8%。zui hou jian li fan xiang han jie gong yi can shu yu ce mo xing ,tong di yi lei zheng xiang wang lao mo xing lian ge shi yong you hua han jie gong yi can shu ,jie guo biao ming can shu yu ce wu cha zai 5%yi xia 。wei fang bian shi yong ,tong guo Matlabruan jian chuang jian le ke shi hua jie mian ,jie mian nei you wang lao chao can shu xin xi 、yu ce jie mian he shu ju guan li 3ge mo kuai 。zui hou shi yong gai jie mian yu ce 15zu ce shi ji shu ju de han feng xing zhuang ,ji lu yu ce guo cheng zhong rong kuan 、yu gao he rong shen shu ju ,tong guo shu ju fen xi de chu di yi lei wang lao mo xing de yu ce xing neng jiao hao ;ji suan de dao ce shi ji shu ju han feng shang bu he xia bu qu xian lei xing de zhun que lv fen bie wei 0.8318he 0.8780,you yu xun lian ji shu ju de zhun que lv ,shui ming di er 、san lei wang lao de fan hua xing neng jiao jiang ;tong guo xiang su dian ji suan fa de dao tu xiang mian ji ,dui bi shi ji han feng mian ji he yu ce han feng mian ji ,15zu shu ju de ping jun xiang dui wu cha wei 5.16%,shui ming ben wen jian li de yu ce mo xing de ke kao xing jiao gao 。
论文参考文献
论文详细介绍
论文作者分别是来自北京石油化工学院的王龙飞，发表于刊物北京石油化工学院2019-07-25论文，是一篇关于快速成形论文,双丝系统论文,神经网络论文,焊缝预测论文,参数优化论文,可视化界面论文,北京石油化工学院2019-07-25论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自北京石油化工学院2019-07-25论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：快速成形论文; 双丝系统论文; 神经网络论文; 焊缝预测论文; 参数优化论文; 可视化界面论文; 北京石油化工学院2019-07-25论文;