买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉大连理工大学申请的专利基于焊接过程形性特征的FSW接头力学性能预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116511755B 。

龙图腾网通过国家知识产权局官网在2025-12-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310304097.4，技术领域涉及：B23K31/12；该发明授权基于焊接过程形性特征的FSW接头力学性能预测方法是由卢晓红;杨帮华;贾振元;孙世煊;滕乐;孙卓设计研发完成，并于2023-03-27向国家知识产权局提交的专利申请。

本基于焊接过程形性特征的FSW接头力学性能预测方法在说明书摘要公布了：本发明属于搅拌摩擦焊焊接质量预测领域，涉及一种基于焊接过程形性特征的FSW接头力学性能预测方法。本发明运用理论和实验相结合的方法，进行搅拌摩擦焊正交试验，采用测力仪、红外热成像仪、线激光传感器测量焊接过程顶锻力、焊接表面特征点温度、对接面缝隙和阶差时序数据，通过数据处理实现多源异构数据融合，基于一维卷积神经网络‑长短期记忆神经网络联合模型建立焊接过程形性特征量与接头力学性能的时序关联关系模型，实现接头抗拉强度和显微硬度预测。本发明可以实现搅拌摩擦焊接头力学性能的在位预测，为焊接工艺参数实时调控，保证焊接质量提供参考。

本发明授权基于焊接过程形性特征的FSW接头力学性能预测方法在权利要求书中公布了：1.一种基于焊接过程形性特征的FSW接头力学性能预测方法，其特征在于，具体步骤如下： 步骤1：考虑搅拌头转速、焊接速度、对接面缝隙和阶差设计正交试验； 步骤2：根据步骤1进行FSW实验，利用测力仪、红外热成像仪和线激光传感器测量焊接过程中的顶锻力、前进侧温度、后退侧温度以及对接面缝隙和阶差时间序列数据； 步骤3：焊后，通过拉伸试验和硬度测试获得焊接接头的抗拉强度和显微硬度值； 步骤4：提取步骤2中测力仪、红外热成像仪及线激光传感器采集的时间序列数据：根据焊接速度、试样长度和采样频率确定采样点数量，利用python的resample函数对数据进行重采样处理，将顶锻力、前进侧特征点温度、后退侧特征点温度、缝隙、阶差按照拉伸试样的截取位置进行分组处理并与步骤3的抗拉强度和显微硬度数据融合，完成数据集制作； 步骤5：利用MySQL建立焊接数据库，将步骤4中的数据集存储至数据库； 步骤6：通过python调用步骤5中的数据集，然后对数据进行归一化处理，并采用五折交叉验证对数据集进行划分，最后添加时间滑动窗口将数据集切片成M×5的顶锻力、前进侧温度、后退侧温度、缝隙和阶差输入矩阵以及N×2的抗拉强度和显微硬度输出矩阵；其中M和N为对应的采样点个数； 步骤7：在python中导入第三方深度学习框架Keras，建立1DCNN-LSTM联合神经网络模型； 1DCNN计算公式为： 1 式中wy和by分别为卷积核的权重矩阵和偏置项；xt为第t个输入样本值；为激活函数；*表示卷积运算；yt表示当前卷积层的输出值； LSTM更新公式为： 2 3 4 5 6 7 式中wf、bf、wi、bi、wo、bo、wc、bc分别为遗忘门ft、更新门it、输出门Ot、状态单元的权值矩阵和偏置项；xt为LSTM在t时刻的输入值；ht-1为隐层在t-1时刻的输出值；Ct为更新后的状态单元，为更新前的状态单元； 预设1DCNN-LSTM联合神经网络的结构参数，模型以步骤6的M×5的矩阵为输入，N×2的矩阵为输出； 步骤8：设置训练参数，进行五折交叉验证，通过Huber损失函数曲线收敛情况以及测试集预测精度对参数进行优化，保存优化后的1DCNN-LSTM模型； 步骤9：调用步骤8中优化好的模型，对测试集进行预测并保存预测结果；采用均方根误差、平均绝对误差和平均绝对百分比误差对模型进行评价； 步骤10：FSW过程中使用测力仪、红外热成像仪和线激光传感器在线采集顶锻力、焊接温度、对接面缝隙和阶差数据进行步骤4和步骤6的处理，作为步骤8中优化后的1DCNN-LSTM联合神经网络模型的输入，实现对FSW接头力学性能的在位预测。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人大连理工大学，其通讯地址为：116024 辽宁省大连市甘井子区凌工路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。