自二十世纪末,增材制造技术飞速发展,使用该技术可以在一台工业设备上实现对复杂三维零件的精密制造,令制造业的加工脱离了传统的减材制造的种种桎梏,解决了复杂零件的成型问题,减少了加工花费的时间,提升了加工过程的效率。电弧增材制造技术利用焊机产生的电弧作为能量源在指定工作台堆积融化焊丝材料,最终构成工艺零件产品,该技术制造出来的产品性能好且材料利用率高。由于电弧增材制造技术以焊接出来的一条一条焊缝堆积熔覆而成,所以产品制造中极度依赖焊接工艺方法以及焊接工艺参数。本文基于MIG工艺方法探讨了该工艺方法下工艺参数对焊缝的影响,以期找到焊缝随工艺参数变化的规律。本文主要以308不锈钢焊丝、低碳钢基板、以及富二氧化碳混合气体作为实验材料,MIG工艺作为工艺方法,通过正交实验设计方法的设计规则设计了49组单道焊缝实验,之后简要分析了MIG工艺方法下的脉冲序列、脉冲电压、焊接速度等参数对焊缝形貌的具体影响,通过计算皮尔逊相关系数分析发现对焊缝宽度影响从大到小的依次是脉冲序列、脉冲电压、焊接速度,对焊缝余高影响从大到小的依次是脉冲电压、脉冲序列、焊接速度。在对MIG工艺下每个参数进行简要分析后,以49组实验数据作为预测模型训练数据集,分别使用SVR算法与BP神经网络算法对工艺参数与焊缝形貌之间建立正向映射关系模型,两种模型训练完毕后,以额外9组实验作为测试集,分别对两种模型进行验证。SVR算法在测试集上对焊缝宽度与余高的平均误差分别为7.09%和5.26%,BP神经网络算法在测试集上对焊缝宽度与余高的平均误差分别为3.56%和3.52%,由此可知BP神经网络算法模型的预测精度较高。之后从实际使用角度出发考虑,建立了通过焊缝形貌反向预测工艺参数的反向预测模型,由于单纯使用BP网络构建的反向预测模型准确度较低,于是引入遗传算法结合BP神经网络模型形成闭环反向预测模型,通过额外的测试实验验证了该模型可以通过输入期望的焊缝形貌准确的给出建议的工艺参数,通过实现工艺参数与焊缝形貌之间的双向预测,可以在实际实验中减少实验次数,降低实验成本,节省实验时间。由于该预测模型是基于前文提到的实验条件所收集到的实验数据,为了充分利用该预测模型,开发了一套电弧增材数据库,通过收集不同实验材料、条件下的数据,构建数据集,数据库后台会分别对不同实验条件下的数据建立预测模型,且预测模型亦会随着数据库内的数据变化进行动态调节,保证预测功能的准确性。