一种基于人工神经网络的Q345焊接接头力学性能预测方法专利检索-人工神经网络人工智能专利检索查询-专利查询网

积极推动地理标志专门立法

2022-03-10 地理标志，立法，知识产权
保护知识产权是对创新最大的激励

2022-03-10 保护知识产权，创新，激励
谢商华：加快制定知识产权基本法

2022-03-10 知识产权基本法
擦亮“双奥之城”品牌

2022-03-10 双奥，知识产权
让冰雪运动“热”力全开

2022-03-10 冰雪运动，知识产权
携手共奋进　走好强国路

2022-03-10 强国，知识产权
坚持创新引领　方能稳中求进

2022-03-10 创新，稳中求进，知识产权
答好“两张卷” 奋进新征程

2022-03-10 知识产权
专家解读政府工作报告中的创新和知识产权相关部署

2022-03-10 政府工作报告，创新，知识产权
今年政府工作报告指出：加强知识产权保护和运用

2022-03-10 政府工作报告，知识产权保护

一种基于人工神经网络的Q345焊接接头力学性能预测方法

阅读：1131发布：2020-10-21

IPRDB可以提供一种基于人工神经网络的Q345焊接接头力学性能预测方法专利检索，专利查询，专利分析的服务。并且本发明涉及一种Q345焊接接头力学性能预测方法，特别是一种基于人工神经网络的Q345焊接接头力学性能预测方法。其特征在于包括以下步骤：针对Q345做在特定生产环境和特定生产设备的焊接接头力学性能系列试验，收集试验结果数据，筛选整理成人工神经网络模型训练样本；由上述试验收集而来的人工神经网络模型数据样本训练人工神经网络模型，建立Q345焊接工艺参数和其焊接接头力学性能之间的映射关系；利用训练好的人工神经网络模型进行Q345焊接接头力学性能的预测，从而指导焊接工艺的制定。本发明训练出来的模型预测精度高，用于Q345焊接接头的力学性能预测，减少了焊接工艺评定实验量，简化了焊接工艺，提高了生产效率。，下面是一种基于人工神经网络的Q345焊接接头力学性能预测方法专利的具体信息内容。

权利要求

1.一种基于人工神经网络的Q345焊接接头力学性能预测方法，其特征在于包括以下步骤：(1)针对Q345做在特定生产环境和特定生产设备的焊接接头力学性能系列试验，收集试验结果数据，筛选整理成人工神经网络模型训练样本；

(2)由上述试验收集而来的人工神经网络模型数据样本训练人工神经网络模型，建立Q345焊接工艺参数和其焊接接头力学性能之间的映射关系；

(3)利用训练好的人工神经网络模型进行Q345焊接接头力学性能的预测，从而指导焊接工艺的制定。

2.根据权利要求1所述的一种基于人工神经网络的Q345焊接接头力学性能预测方法，其特征在于：步骤(1)所述的Q345焊接接头力学性能试验要求在常用的焊接参数范围内，得到的样本数据尽量均匀离散。

3.根据权利要求1所述的一种基于人工神经网络的Q345焊接接头力学性能预测方法，其特征在于：步骤(2)所述的Q345焊接接头力学性能人工神经网络模型采用三层结构，包括：输入层、隐含层和输出层，其中输入层和隐含层采用非线性映射函数映射，隐含层和输出层采用线性函数映射。

4.根据权利要求1所述的一种基于人工神经网络的Q345焊接接头力学性能预测方法，其特征在于：步骤(2)所述的Q345焊接接头力学性能人工神经网络模型的输入层采用以下焊接工艺参数：焊接电流160A～220A、焊接电压20V～26V、焊接速度设有快速或慢速和预热温度为室温～300℃，输出层采用以下基本焊接接头力学性能指标：抗拉强度474.8N/

2 2 2 2

mm ～550.6N/mm、屈服强度340.5N/mm ～385.8N/mm、断面收缩率27.1％～70％和延伸率12％～44％。

说明书全文

一种基于人工神经网络的Q345焊接接头力学性能预测方

法

[技术领域]

[0001] 本发明涉及一种Q345焊接接头力学性能预测方法，特别是一种基于人工神经网络的Q345焊接接头力学性能预测方法。
[背景技术]

[0002] 焊接工艺在各种重要产品的制造过程中，有着极其重要的位置。例如，在起重机的制造工艺中有着大量的焊接工作量，焊接工艺直接影响着焊接产品的生产及最终质量。焊
接工艺评定工作是保证产品质量的一个重要措施。

[0003] 从焊接工艺拟定、焊接工艺试验到焊接接头力学性能的测试，焊接工艺评定工作涉及工厂中的几个部门。同时要投入大量的人力、物力和财力，完成这些工作，不仅耗资巨
大，而且周期长，经常出现延误生产的现象。

[0004] 为了解决这个问题，多年来，人们一直在不懈地进行努力，利用多元回归、模糊数学及人工智能专家系统等技术，尝试着进行焊接工艺评定，希望可以代替常规的工艺评定试验。但由于
许多参数如焊接工艺规范，焊前预热及焊后热处理规范等都与焊接质量及焊后接头力学性能存
在密切的关系。同时，被焊材料的化学成分及填充金属的化学成分，也直接影响着焊接接头的性
能。而这些影响因素和接头的力学性能之间的关系，却难以用数学公式来清晰地描述，传统方法
遇到了不可逾越的鸿沟。近年来，获得迅速发展的神经网络(ANN)技术，可以处理任意复杂的多
元非线性关系，并且具有计算速度快、在线使用方便等特点。相比之下，神经网络理论比回归分
析理论和模糊逻辑理论更适用于描述焊接接头性能与焊接工艺参数、焊接条件及母材和焊材之
间的多元非线性关系，使比较准确地进行焊接工艺计算机辅助评定成为可能。

[0005] 样本数据是影响人工神经网络模型精确度的主要因数之一，由各企业提供的数据及查阅文献资料收集来的数据，难以保证实验数据是在相同或相似的实验条件下得到的。
这样训练出来的人工神经网络模型就不能保证在特定的条件下具有较高的精度，例如对特
定的材料，特定实验环境，特定的实验设备等。
[发明内容]

[0006] 本发明为了一种基于人工神经网络的Q345焊接接头力学性能预测方法，该方法利用人工神经网络技术建立的Q345焊接接头力学性能预测模型，采用误差反向传播算法
对人工神经网络模型进行训练，训练好的人工神经网络模型可以导出，进行Q345焊接接头
的力学性能预测，从而指导焊接工艺的制定，减少焊接工艺评定实验的人力物力投入。

[0007] 为了实现上述目的，一种基于人工神经网络的Q345焊接接头力学性能预测方法，其特征在于包括以下步骤：

[0008] (1)针对Q345做在特定生产环境和特定生产设备的焊接接头力学性能系列试验，收集试验结果数据，筛选整理成人工神经网络模型训练样本；

[0009] (2)由上述试验收集而来的人工神经网络模型数据样本训练人工神经网络模型，建立Q345焊接工艺参数和其焊接接头力学性能之间的映射关系；

[0010] (3)利用训练好的人工神经网络模型进行Q345焊接接头力学性能的预测，从而指导焊接工艺的制定。

[0011] 步骤(1)所述的Q345焊接接头力学性能试验要求在常用的焊接参数范围内，得到的样本数据尽量均匀离散；

[0012] 步骤(2)所述的Q345焊接接头力学性能人工神经网络模型采用三层结构，包括：输入层、隐含层和输出层，其中输入层和隐含层采用非线性映射函数映射，隐含层和输出层
采用线性函数映射；

[0013] 步骤(2)所述的Q345焊接接头力学性能人工神经网络模型的输入层采用以下焊接工艺参数：焊接电流160A～220A、焊接电压20V～26V、焊接速度设有快速或慢速和预
热温度为室温～300℃，输出层采用以下基本焊接接头力学性能指标：抗拉强度474.8N/
2 2 2 2
mm ～550.6N/mm、屈服强度340.5N/mm ～385.8N/mm、断面收缩率27.1％～70％和延伸
率12％～44％。

[0014] 本发明同现有的技术相比，本发明利用人工神经网络非线性映射能力强、自学习性能优秀和容错性高等特点，训练出来的模型预测精度高，适用于Q345焊接接头的力学性
能预测；减少了焊接工艺评定实验量，简化了焊接工艺的制定，提高了生产效率。
[附图说明]

[0015] 图1为本发明的算法流程图；

[0016] 图2为本发明的三层BP人工神经网络结构图；图3为本发明破口示意图；
图4为本发明破口示意图；。
[具体实施例]

[0017] 下面通过具体的实施例并结合附图对本发明做进一步详细的描述。

[0018] 参见图1和2所示，下面以Q345手工电弧焊屈服强度模型为例说明本方法的具体实施方案：

[0019] (1)由企业工厂或研究所实验室针对Q345做在特定生产环境和特定生产设备的焊接接头屈服强度系列试验。试验要求在常用的焊接参数范围内，得到的样本数据尽量均
匀离散。收集试验结果数据，筛选整理成人工神经网络模型训练样本。

[0020] (2)由上述试验收集而来的人工神经网络模型数据样本训练人工神经网络模型，建立Q345焊接工艺参数和其焊接接头力学性能之间的映射关系。人工神经网络模型的训
练过程采用误差反向传播算法。网络采用三层结构，包括：输入层、隐含层和输出层。其中
输入层和隐含层采用非线性映射函数映射，隐含层和输出层采用线性函数映射。输入层包
括焊接电流，焊接电压，焊接速度和预热温度等焊接工艺参数。输出层包括焊接接头的抗拉
强度、屈服强度、断面收缩率和延伸率等基本的力学性能指标。

[0021] 神经网络为多层前馈神经网络，是对非线性可微分函数进行权值训练的多层网络，输入信号先向前传播到隐含结点，经过变换函数之后，把隐含结点的输出信息传播到输
出结点，再给出输出结果，结点的变换函数通常选取Sigmoid型函数，BP神经网络的输入与
输出关系是一个高度非线性映射关系，如果输入结点数为n，输出结点数为m，则网络是从n
维欧氏空间到m维欧氏空间的映射；

[0022] 输入层与隐含层之间的关系以及隐含层与输出层的关系可以分别用公式(2-1)和(2-2)表示：

[0023]

[0024]

[0025] (3)利用训练好的人工神经网络模型进行Q345焊接接头力学性能的预测。焊接工艺员在设计焊接工艺时，先输入一组焊接工艺参数，选择材料成分等信息，模型可以在不进
行工艺评定实验的情况下预测出焊后焊接接头的力学性能，如果预测出的力学性能不能满
足实际应用需要，再进行工艺参数的调整，再次进行预测，直到设计的工艺参数合理能够得
到足够的焊接接头力学性能。该过程不进行任何力学性能实验，从而减少焊接工艺评定实
验的人力物力的投入。

[0026] 制作与试验情况如下：

[0027] 1.试样材料：Q345R

[0028] 2.材料标准：GB/T 1591-94

[0029] 3.试板尺寸：200×100×12

[0030] 4.破口形式：如图3和图4

[0031] 图4中的参数如下：Ts＝12mm；b＝30mm；b1＝42mm；L0＝107.2mm；Lt＝200mm；Lc＝120mm；R＝25mm

[0032]

[0033]

[0034]

[0035]

[0036] 5.焊材牌号：J506/J507

[0037] 6.焊材标准：GB/T5117-95

[0038] 7.焊材规格：￠4mm

[0039] 8.焊接方法：焊条电弧焊

[0040] 9.电流种类：直流电源

[0041] 10.极性：反接

[0042] 11.技术要求：稍作摆动，单道焊

[0043] 12.焊接设备：GS-500SS

[0044] 13.焊工钢印：H01

[0045] 14.焊接电流：160，170，180，190，200，210，220共7种

[0046] 15.焊接时焊接速度要分快，慢两种，各焊28组实验样本，共56组试验样本。

[0047] 16.标法：K(1～28)：表示焊接速度快，指14cm/min左右。M(1～28)：表示焊接速度慢，指14cm/min左右。焊工焊前先打钢印，同时标白漆，例K1

[0048] 17.试验内容：抗拉强度，屈服强度，断面收缩率，延伸率共4项力学性能指标。

[0049] 18.试验结果：如下表

[0050] 试验数据记录表(快速)

[0051]试样序号电流电压预热温度试样尺寸屈服强度 N/mm2 抗拉强度 N/mm2 延伸率％断面收缩率％
K1 160 20 室温 30.2/12 368.4 535.3 35.2 61.8
K2 160 22 60 30.2/12 362.9 532.6 28 48.9
K3 160 24 100 30.2/12 347.7 529.8 36 64.4
K4 160 26 150 30.4/12 370 538.7 42 60.8
K5 170 20 200 30.2/12 361.5 529.8 34 40.4
K6 170 22 250 30.2/12 364.2 521.5 26 41.4
K7 170 24 300 30.6/11.5 369.4 544.2 22 27.1
K8 170 26 室温 30.5/11.6 374.5 546.9 28 43
K9 180 20 60 30/11.4 386 562.9 30 48.2
K10 180 22 100 30.4/11.8 371.6 527.3 28.6 41
K11 180 24 150 30.2/12 375.3 536.7 36 40.4
K12 180 26 200 30.6/12 343.1 512 32 55.2
K13 190 20 250 30.4/12 357.7 534.5 38 59.7
K14 190 22 300 30.3/12 363 530.8 40 64.5
K15 190 24 室温 30.4/11.8 384.7 550.6 36 63.2
K16 190 26 60 30.1/12 340.5 474.8 8 38.8
K17 200 20 100 30.4/12 359.1 534.1 42 57.8
K18 200 22 150 30.3/12 368.5 537.7 39.2 57.6
K19 200 24 200 30.5/12 371.6 532.8 40 63.9
K20 200 26 250 30.5/12 379.8 536.9 44 64.6
K21 210 20 300 30.3/12 343.9 534.9 36 61.6
K22 210 22 室温 30.3/12 363 532.2 40 66.2
K23 210 24 60 30.3/12 380.9 530.8 41.4 62.5
K24 210 26 100 30.4/12 375.5 533.2 37 66.8
K25 220 20 150 30.2/11.5 359.9 521.2 12 47
K26 220 22 200 30.3/12 361.7 537.7 36 63.7
K27 220 24 250 30.3/12 367.2 536.3 38 63.7
K28 220 26 300 30.6/12 370.4 528.3 40 64.1

[0052] 试验数据记录表(慢速)

[0053]试样序号电流电压预热温度试样尺寸屈服强度 N/mm2 抗拉强度 N/mm2 延伸率％断面收缩率％
M1 160 20 室温 30.4/12 375.5 529.1 34.6 63.8
M2 160 22 60 30.4/12 348.1 527.7 42 70
M3 160 24 100 30.2/12 366.9 531.2 40 48.6

[0054]M4 160 26 150 30.3/12 363 544.6 38 64.5
M5 170 20 200 30.5/12 385.2 517.8 21 41
M6 170 22 250 30.4/12 349.5 530.4 37 57.8
M7 170 24 300 30.5/12 375.7 531.4 38 63.9
M8 170 26 室温 30.4/12 381 531.8 40 40.8
M9 180 20 60 30.1/12 373.8 534.3 36 61
M10 180 22 100 30.4/12 361.8 519.5 22 55.9
M11 180 24 150 30.5/12 382.5 542.3 36 58.9
M12 180 26 200 30.2/12 366.9 529.8 40 64.9
M13 190 20 250 30.1/12 375.1 538.5 38 67.3
M14 190 22 300 30.5/12 385.2 530 41 67.1
M15 190 24 室温 30.3/12 343.8 537.7 40 61.3
M16 190 26 60 30.4/12 364.6 533.2 36 64.6
M17 200 20 100 30.5/12 382.5 536.9 40 64.8
M18 200 22 150 30.2/12 366.9 531.2 40.8 65.2
M19 200 24 200 30.2/12 369.8 531.2 32 60.5
M20 200 26 250 30.5/12 374.3 532.8 40 65
M21 210 20 300 30.2/12 380.8 546.4 38 60.5
M22 210 22 室温 30.5/12 379.8 530 41 59.8
M23 210 24 60 30.4/12 375.5 534.5 38 59
M24 210 26 100 30.3/12 368.5 532.2 42 63.7
M25 220 20 150 30.2/12 372.5 538.1 40 63.1
M26 220 22 200 30.4/12 371.4 537.3 38 57.8
M27 220 24 250 30.2/11.8 385.8 541.6 36 50.3
M28 220 26 300 30.2/11.8 382.9 546.2 37 62.8

[0055] 根据上诉方法实施方案，即可实现本发明。

标题	发布/更新时间	阅读量
人工神经网络运算电路-专利编号CN107862380A	2020-05-13	1118
人工神经网络-专利编号CN103927583B	2020-05-11	853
人工神经网络-专利编号CN1846218A	2020-05-13	916
人工神经网络-专利编号CN103927583A	2020-05-12	140
人工神经网络-专利编号CN110892423A	2020-05-11	1041
一种人工神经网络算法-专利编号CN106372724A	2020-05-13	943
人工神经网络-专利编号CN109564633A	2020-05-12	250
人工神经网络-专利编号CN109416760A	2020-05-12	434
人工神经网络-专利编号CN110121723A	2020-05-11	510
人工神经网络-专利编号CN110309905A	2020-05-11	526

一种基于人工神经网络的Q345焊接接头力学性能预测方法

一种基于人工神经网络的Q345焊接接头力学性能预测方

IPRDB

热门服务

关于我们

友情链接

联系方式