焊接接头力学性能是衡量焊接产品质量的重要指标之一,为保证焊接产品质量满足焊接工程使用要求,传统方式是通过大量的焊接工艺评定试验来测试接头力学性能是否达标,具有成本高、效率低等缺点。本文提出利用机器学习建模的方法来对焊接接头力学性能进行预测,从而达到减少甚至取代焊接工艺评定试验的目的。首先,本文在深入研究机器学习算法理论的基础上,针对焊接接头力学性能预测这类小样本数据建模问题,设计了一套基于BP神经网络的模型训练算法流程,提出采用K折交叉验证法和网格搜索法相结合的方式来训练和优化模型。另外,基于TA15钛合金TIG焊焊接试验及其接头性能测试数据集,应用设计的算法流程训练得到了泛化性能优良的接头抗拉强度预测模型和屈服强度预测模型,验证了算法的有效性。其次,本文在神经网络模型训练算法的基础上,设计了一套样本增量学习算法流程,实现了模型动态学习新数据、实时更新优化。基于钛合金GTAW焊焊接数据样本,随机抽取其中70%的数据用于基本模型构建,得到最优抗拉强度预测模型测试误差为7.51%。随后,将原始数据集另外30%的数据样本作为增量学习补充数据,对原模型进行增量学习优化,得到增量学习优化后的模型测试误差为5.59%,显著提高了模型预测精度。经实际焊接数据验证,设计的增量学习算法具有实用性和有效性。最后,本文基于Python编程语言,设计研发了一套拥有自主知识产权的新型焊接接头力学性能预测系统,该系统一共包含五个子系统,分别是数据库和模型库管理系统、模型训练系统、模型预测系统、模型增量学习系统和用户权限管理系统。系统不仅可以实现企业焊接数据、模型的存储、管理和共享,并且可以辅助焊接工程师训练、优化模型,对焊接接头力学性能进行预测。基于TA15钛合金TIG焊焊接接头硬度试验数据集,在系统内训练得到了其接头硬度预测模型,进一步验证了系统的可靠性。