(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110328383.5 (22)申请日 2021.03.26 (65)同一申请的已公布的文献号 申请公布号 CN 112949208 A (43)申请公布日 2021.06.11 (73)专利权人 清华大学 地址 100084 北京市海淀区双清路3 0号清 华大学 (72)发明人 常保华　刘冠　都东　王开明　 蒲泽　张东起　 (74)专利代理 机构 北京路浩知识产权代理有限 公司 11002 代理人 蒋娟 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01)B22F 10/85(2021.01) B22F 10/38(2021.01) B33Y 50/02(2015.01) G06F 111/06(2020.01) (56)对比文件 CN 1699635 A,2005.11.23 CN 109657881 A,2019.04.19 CN 110344049 A,2019.10.18 杨天雨等.激光选区熔化组织分析及人工神 经网络力学性能预测. 《焊 接学报》 .2019,第40卷 (第6期), 陈川川等.基于遗传算法的铝合金转向节差 压铸造工艺参数优化. 《热加工 工艺》 .2020,(第 19期), 李金华等.BP神经网络在铝合金板材激光弯 曲成形中的应用. 《热加工 工艺》 .2017,(第01 期), 审查员 王彦男 (54)发明名称 激光金属沉积一次枝晶间距预测方法和系 统 (57)摘要 本发明提供一种激光金属沉积一次枝晶间 距预测方法和系统， 其中预测方法包括： 采集激 光金属沉积过程中的激光特征数据， 所述激光特 征数据包括激光功率和激光扫描速度； 将所述激 光特征数据输入间距预测模型， 输出一次枝晶间 距预测结果； 其中， 所述间距预测模型是基于激 光特征样本数据以及预先确定的一次枝晶间距 标签进行训练后得到。 本发明通过将激光功率和 激光扫描速度输入间距预测模型， 可以得到一次 枝晶间距预测数据， 间距预测模 型是基于激光特 征样本数据以及预先确定的一次枝晶间距标签 进行训练后得到， 本发明提供的方法精度高， 时 效性好， 有利于实现工业应用上微观组织实时控 制。 权利要求书2页 说明书7页 附图1页 CN 112949208 B 2022.02.18 CN 112949208 B 1.一种激光金属沉积一次枝晶间距预测方法， 其特 征在于， 包括： 采集激光金属沉积过程中的激光特征数据， 所述激光特征数据包括激光功率和激光扫 描速度； 将所述激光特 征数据输入间距预测模型， 输出一次枝晶间距预测结果； 其中， 所述间距预测模型是基于激光特征样本数据以及预先确定的一 次枝晶间距标签 进行训练后得到； 所述间距预测模型包括输入层、 隐含层和输出层， 输入层和隐含层 之间、 以及隐含层和 输出层之间分别由传递 函数相连； 所述将所述激光特 征数据输入间距预测模型， 输出一次枝晶间距预测结果之前包括： 采用遗传算法优化神经网络模型的权 重和阈值， 得到最优权 重和最优阈值； 所述遗传算法的参数包括 适应度函数、 迭代次数、 选择概 率、 交叉概 率和变异概 率； 所述适应度函数为预测值和真实值之间的误差绝对值； 所述选择概 率为 式中fi为个体适应度的倒数， N 为种群个体数量； 所述交叉概率为 式中 和 为i位置的父代染色体， 和 为i 位置的子代染色体， r为处于(0,1)之间的随机数； 所述变异概率为 式中amax和amin为染色体aij的 上界和下界， f(n)＝r(1 ‑n/Rmax)2， r为处于(0,1)之间的随机数， n为迭代次数， Rmax为最大进 化次数。 2.根据权利要求1所述的激光金属沉积一 次枝晶间距预测方法， 其特征在于， 所述间距 预测模型采用归一 化方法对所述 一次枝晶间距标签进行 预处理： 其中， 所述归一化方法为 式中λ为输入的一次枝 晶间距标签； λ'为归一 化之后的一次枝晶间距标签； λmin和 λmax分别为输入的一次枝晶间距标签中的最小值和最大 值。 3.根据权利要求1所述的激光金属沉积一 次枝晶间距预测方法， 其特征在于， 所述间距 预测模型以所述激光特征样本数据作为输入层的两个节点数， 以所述一次枝晶间距标签作 为输出层的一个节点数。 4.根据权利要求3所述的激光金属沉积一 次枝晶间距预测方法， 其特征在于， 所述输入 层和隐含层之间的传递函数 由函数HD＝ψ(CWih×ID+NBih)确定， 所述隐含层与输出层之间 的传递函数由函数OD＝ζ(CWho×HD+NBho)确定， 式中， HD为隐含层数据， OD为输出层预测数 据, ΙD为输入层数据， CWih和NBih分别为输入层和隐含层之间的连接权矩阵与神经元偏差矩 阵， CWho和NBho分别为隐含层和输出层之间的连接 权矩阵与神经 元偏差矩阵。 5.根据权利要求1所述的激光金属沉积一 次枝晶间距预测方法， 其特征在于， 所述采用 遗传算法优化神经网络模型的权重和阈值， 得到最优权重和最优阈值之后， 包括： 基于所述权　利　要　求　书 1/2 页 2 CN 112949208 B 2最优权重和最优阈值， 采用误差反向传播 算法训练所述间距预测模型。 6.一种激光金属沉积一次枝晶间距预测系统， 其特 征在于， 包括： 激光特征数据采集模块， 用于采集激光金属沉积过程中的激光特征数据， 所述激光特 征数据包括激光功率和激光扫描速度； 一次枝晶间距预测模块， 用于将所述激光特征数据输入间距预测模型， 输出一次枝晶 间距预测结果； 其中， 所述间距预测模型是基于激光特征样本数据以及预先确定的一 次枝晶间距标签 进行训练后得到； 所述间距预测模型包括输入层、 隐含层和输出层， 输入层和隐含层 之间、 以及隐含层和 输出层之间分别由传递 函数相连； 所述将所述激光特 征数据输入间距预测模型， 输出一次枝晶间距预测结果之前包括： 采用遗传算法优化神经网络模型的权 重和阈值， 得到最优权 重和最优阈值； 所述遗传算法的参数包括 适应度函数、 迭代次数、 选择概 率、 交叉概 率和变异概 率； 所述适应度函数为预测值和真实值之间的误差绝对值； 所述选择概 率为 式中fi为个体适应度的倒数， N 为种群个体数量； 所述交叉概率为 式中 和 为i位置的父代染色体， 和 为 i位置的子代染色体， r为处于(0,1)之间的随机数； 所述变异概率为 式中amax和amin为染色体aij的 上界和下界， f(n)＝r(1 ‑n/Rmax)2， r为处于(0,1)之间的随机数， n为迭代次数， Rmax为最大进 化次数。 7.根据权利要求6所述的激光金属沉积一 次枝晶间距预测系统， 其特征在于， 所述间距 预测模型以所述激光特征样本数据作为输入层的两个节点数， 以所述一次枝晶间距标签作 为输出层的一个节点数。 8.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至5任一项所述的激光 金属沉积一次枝晶间距预测方法的步骤。 9.一种非暂态计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该计算机程 序被处理器执行时实现如权利要求1至5任一项所述的激光金属 沉积一次枝晶间距预测方 法的步骤。权　利　要　求　书 2/2 页 3 CN 112949208 B 3