一种基于代理模型多智能体的双枪焊接工艺参数优化方法

本发明涉及焊接工艺智能优化与先进制造，尤其涉及一种基于代理模型多智能体的双枪焊接工艺参数优化方法。

背景技术：

1、随着新能源电池托盘、航空型材壁板等薄壁铝合金结构对生产效率要求的不断提升，双枪同步焊接技术因可显著提升焊缝成形效率而在批量制造中得到广泛应用。然而，双枪协同焊接过程中，两支焊枪的工艺参数维度加倍，且热输入通过母材热扩散产生强耦合作用，导致焊缝成形对参数扰动更为敏感。当前工业现场多采用离线正交试验或经验区间给出静态参数组合，当坡口装配、材料批次或环境温度发生波动时，易出现熔宽不足、未熔合或过烧飞溅等缺陷，难以兼顾焊缝成形质量与热稳定性。

2、现有技术中，基于有限元的焊接数值模拟可高精度预测熔池形态与温度场，但单例求解耗时通常达数十分钟，无法满足在线控制与强化学习交互所需的高频调用需求。部分研究采用代理模型拟合工艺参数与熔池特征的映射关系，将推理耗时压缩至毫秒级，但多局限于单枪焊接场景，且未与智能决策算法形成完整闭环。在智能决策层面，深度强化学习已逐步应用于焊接参数在线整定，但现有方案多将双枪焊接视为单智能体的高维动作问题，随着参数维度上升，策略探索效率与稳态稳定性显著下降，难以适配双枪协同的强耦合场景。

技术实现思路

1、本发明的目的在于提出一种基于代理模型多智能体的双枪焊接工艺参数优化方法，通过“有限元物理层-代理模型层-多智能体决策层”三层耦合架构，实现双枪焊接工艺参数的高效、高精度、高稳定性自适应优化。

2、为实现上述目的，本发明提供了一种基于代理模型多智能体的双枪焊接工艺参数优化方法，包括以下步骤：

3、步骤s1：构建双枪焊接有限元物理模型，通过参数化批量求解生成工艺参数与熔池特征对应的样本数据集；

4、步骤s2：以样本数据集训练深度学习代理模型，建立双枪工艺参数到熔池几何特征与热特征的快速映射关系；

5、步骤s3：构建双智能体强化学习决策框架，以代理模型作为环境交互载体，训练得到双枪工艺参数的连续自适应优化策略；

6、步骤s4：基于优化策略对双枪焊接过程的工艺参数进行在线整定与闭环调控。

7、优选的，步骤s1中，采用goldak双椭球体积热源模型刻画双枪焊接的热流分布，通过有限元用户子程序实现工艺参数的外部注入与热源计算，同一预编译子程序可适配不同工艺参数组合的批量求解。

8、优选的，步骤s1中，采用拉丁超立方采样方法在预设工艺参数空间内生成样本点，求解后提取每条焊缝对应的熔宽、熔深与峰值温度作为熔池特征标签，构成样本数据集。

9、优选的，步骤s2中，代理模型为全连接前馈神经网络，输入为两支焊枪的工艺参数，输出为两支焊枪对应的熔池特征；训练时对输入输出特征进行标准化处理，采用平滑l1损失函数进行迭代优化。

10、优选的，步骤s3中，将双枪焊接过程建模为合作型马尔可夫博弈，两支焊枪分别对应一个独立智能体，各智能体基于局部观测输出工艺参数增量，通过共享环境状态与联合奖励实现双枪协同优化。

11、优选的，每个智能体的观测状态包含焊枪行进位置、当前工艺参数、实时熔池特征以及多步历史参数缓冲；智能体输出的动作为工艺参数的调节增量，施加于当前工艺参数后完成参数更新。

12、优选的，各智能体均采用软演员-评论家算法进行训练，配置双q值网络抑制价值过估计，通过自适应温度系数调节策略熵值，平衡探索过程与收敛精度。

13、优选的，步骤s3的强化学习训练中，构建包含成形项、稳定项与安全项的复合奖励函数，以熔池尺寸与目标值的偏差、参数波动幅度以及峰值温度安全区间作为奖励计算依据。

14、优选的，还包括有限元回灌校核步骤：将优化策略输出的最优稳态工艺参数输入至有限元物理模型，通过高保真求解验证代理模型与优化策略的物理一致性。

15、优选的，双枪焊接为铝合金双枪协同焊接，两支焊枪沿平行焊缝同步行进，通过母材热传导实现热输入耦合。

16、因此，本发明采用上述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，具有以下好处：

17、（1）物理精度可靠：基于goldak双椭球热源与温变材料本构建模的有限元模型，经解析解、文献实验值与网格无关性多重验证，样本数据具备高保真物理基础；

18、（2）求解效率提升：通过多层感知机代理模型实现熔池特征的毫秒级推理，相较有限元求解加速超百万倍，为强化学习的大规模环境交互提供支撑；

19、（3）策略稳定性强：采用双智能体架构匹配双枪物理结构，降低单智能体动作空间维度，结合软演员-评论家算法的最大熵目标与双q网络，显著提升策略收敛速度与稳态精度，降低参数波动与过烧风险；

20、（4）工程适配性好：方法可直接推广至多枪焊接场景，支持残余应力、变形场等多物理目标的扩展优化，适用于铝合金等多种材料的焊接工艺参数自适应整定。

21、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

1.一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：步骤s1中，采用goldak双椭球体积热源模型刻画双枪焊接的热流分布，通过有限元用户子程序实现工艺参数的外部注入与热源计算，同一预编译子程序可适配不同工艺参数组合的批量求解。

3.根据权利要求1所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：步骤s1中，采用拉丁超立方采样方法在预设工艺参数空间内生成样本点，求解后提取每条焊缝对应的熔宽、熔深与峰值温度作为熔池特征标签，构成样本数据集。

4.根据权利要求1所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：步骤s2中，代理模型为全连接前馈神经网络，输入为两支焊枪的工艺参数，输出为两支焊枪对应的熔池特征；训练时对输入输出特征进行标准化处理，采用平滑l1损失函数进行迭代优化。

5.根据权利要求1所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：步骤s3中，将双枪焊接过程建模为合作型马尔可夫博弈，两支焊枪分别对应一个独立智能体，各智能体基于局部观测输出工艺参数增量，通过共享环境状态与联合奖励实现双枪协同优化。

6.根据权利要求5所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：每个智能体的观测状态包含焊枪行进位置、当前工艺参数、实时熔池特征以及多步历史参数缓冲；智能体输出的动作为工艺参数的调节增量，施加于当前工艺参数后完成参数更新。

7.根据权利要求5所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：各智能体均采用软演员-评论家算法进行训练，配置双q值网络抑制价值过估计，通过自适应温度系数调节策略熵值，平衡探索过程与收敛精度。

8.根据权利要求1所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：步骤s3的强化学习训练中，构建包含成形项、稳定项与安全项的复合奖励函数，以熔池尺寸与目标值的偏差、参数波动幅度以及峰值温度安全区间作为奖励计算依据。

9.根据权利要求1所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：还包括有限元回灌校核步骤：将优化策略输出的最优稳态工艺参数输入至有限元物理模型，通过高保真求解验证代理模型与优化策略的物理一致性。

10.根据权利要求1所述的一种基于代理模型多智能体的双枪焊接工艺参数优化方法，其特征在于：双枪焊接为铝合金双枪协同焊接，两支焊枪沿平行焊缝同步行进，通过母材热传导实现热输入耦合。