基于机器学习的工艺参数优化在高效Twin-TIG焊接中的应用

《Welding in the World》：Machine learning-based optimization of process parameters in high efficiency Twin-TIG welding

焊接工艺参数优化与三种机器学习模型（LR/GPR/BPNN）的预测性能对比研究，证实GPR在小样本场景最优，LR提供可解释权重。

　　

摘要

鉴于我们研究团队新开发的Twin-TIG高效焊接电源相较于传统TIG焊接在复杂性和工艺参数数量上的显著增加，采用了机器学习方法来建立预测和优化模型。具体而言，开发了线性回归（LR）、高斯过程回归（GPR）和反向传播神经网络（BPNN）模型来预测和优化焊接工艺参数。系统地比较了这三种模型的预测精度和特性。结果表明，所有三种模型都能基于焊接参数高精度地预测焊缝几何形状，完全满足实验研究和实际生产的需求。其中，GPR模型在小数据场景下表现最佳，而线性回归模型提供的权重具有可解释性，能够反映不同焊接参数对焊缝形成的相对影响。