减重可以降低能量消耗,减少燃料成本,因此钛合金、铝合金等轻质合金及其焊接结构被广泛应用于航空材料领域。但是航空材料焊接工艺复杂、种类繁多,传统焊接工艺设计和优化方法需要进行大量的焊接工艺评定试验,浪费大量的人力、物力、时间。因此本文将基于特征工程完成实验数据分析并利用人工神经元网络反向建立焊接工艺优化模型,最终建立航空材料焊接知识共享及工艺优化平台。首先,通过5052铝合金MIG焊接实验和焊后力学性能测试获得建模数据,利用特征工程分析并处理数据。通过人工选择去除大部分值为0或值为常数的特征,然后通过不同特征之间的数据分布散点图和相关系数热度图,按照“末位淘汰”规则删除与输出特征之间相关系数最小的一个或多个特征,最终确定模型的输入特征。利用人工神经网络得到力学性能和工艺参数之间的表达式,并得到力学性能随工艺参数的变化趋势。然后,针对多输出的焊接工艺优化建模特点并比较不同人工神经元网络模型的优劣,基于BP网络设计了反向建立焊接工艺优化模型的流程。对数据进行归一化处理,按照设置的测试集所占比例随机分配样本数据,然后比较不同输入层激活函数下模型性能的优劣研究输入层激活函数对模型性能的影响,通过试错法和网格搜索法研究中间层神经元个数对模型性能的影响,通过模型训练过程曲线研究模型的迭代次数对模型性能的影响,最终得到测试误差为4.37%的焊接工艺优化模型。利用已有模型直接输入所需力学性能即可预测相应的焊接工艺参数。最后,利用java、python编程语言开发B/S结构的航空材料焊接知识共享及工艺优化平台。平台除添加、修改、删除和查询等基本功能外,添加新纪录时可利用重复性检测功能判断平台中是否已有该条记录。设计apriori数据挖掘算法,将知识库中无挖掘价值数据删除并对剩余数据进行数值化处理,将处理好的数据以csv格式导入平台即可挖掘出参数之间的关联规则。建立正反双向混合推理机制进行焊接工艺设计。基于BP神经网络算法实现焊接工艺优化模型的建立、调优和利用,并与apriori算法结合实现知识库的自动知识获取。