CN102479259A - 模具表面激光强化工艺优化 - Google Patents
模具表面激光强化工艺优化 Download PDFInfo
- Publication number
- CN102479259A CN102479259A CN2010105544278A CN201010554427A CN102479259A CN 102479259 A CN102479259 A CN 102479259A CN 2010105544278 A CN2010105544278 A CN 2010105544278A CN 201010554427 A CN201010554427 A CN 201010554427A CN 102479259 A CN102479259 A CN 102479259A
- Authority
- CN
- China
- Prior art keywords
- neural network
- laser
- network
- optimization
- mold surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Laser Beam Processing (AREA)
Abstract
一个模具表面激光强化工艺优化系统，采用神经网络和各种算法相结合的方法对激光强化工艺参数进行优化设计，能自动地设计出最优强化工艺。神经网络建立3层或3层以上网络预测模型，利用训练样本对所建立的网络进行训练，形成输入输出之间的高度映射关系。使用一种优化算法，根据神经网络输入输出的映射关系对工艺参数进行智能择优。本发明免除了大量的重复性的工艺选择试验、节约了时间、降低了模具的生产和修复成本，在程序的控制下自动完成激光功率、扫描速度、光斑直径、保护气大小等因素的自动匹配。本发明通过最优工艺可以提高对模具表面强化的质量。
Description
技术领域
本发明属于激光热处理技术领域，具体地说，是用于优化激光强化工艺参数，以改善模具表面性能的系统。
背景技术
目前，激光强化技术的工艺方案基本上是以材料学研究人员和激光加工工艺研究人员经过大量的工艺试验研究得出的工艺数据为依据，凭借经验进行性能预报和工艺参数设计。但是激光表面强化过程包含了一系列复杂而又相互影响的物理化学过程。研究人员往往忽略了许多因素，普遍将作用光束假设为理想的基模高斯光束、将被处理材料视为热物性参数与温度无关的半无限大均匀介质，利用热传导方程的结果估算热作用。由于激光强化过程瞬时性和复杂性，仅围绕温度、相变等进行简单计算，对相变后的组织分布、温度场和材料性能之间的关系未加考虑，不能准确的对实际的强化工艺的制定起很好的指导作用。同时激光加工技术的不断发展和加工对象的日益复杂，这种不确定的工艺方案的局限性越来越突出。
合理规划激光强化工艺，如选择合适的激光功率、保护气、光斑直径、扫描速度及路径等因素都对模具表面强化有着重要的意义。BP神经网络具有高度的非线性函数逼近能力、自适应学习能力、容错能力和并行信息处理能力，为解决不确定非线性系统的建模提供了一条新的途径。因此，基于神经网络的激光强化工艺优化可以解决激光强化实践中的一系列工艺问题，从而提高模具表面的性能，降低模具生产和修复成本，增加经济效益。
发明内容
在模具的生产和修复时，为了免除选择模具表面强化工艺的费时费力且精确性不高的重复试验过程，本发明将提供一种选择强化工艺的智能化软件，该软件建立了各个工艺参数与强化结果之间的预测模型。用户只需要输入强化表面的基本情况，便可以根据这些输入数据自动分析、计算、模拟，最终得到最合适的工艺参数。
本专利解决其技术问题所采用的技术方案是：采用BP神经网络和优化算法相结合的方法对激光强化工艺参数进行优化。神经网络建立了强化工艺参数和强化表面的硬度、硬化深度之间的3层或3层以上网络预测模型。输入层有四个神经元：激光功率、扫描速度、光斑直径、保护气大小，输出层为两个神经元：硬度、硬化深度。隐含层有多个神经元，其个数可由经验公式确定。利用训练样本对所建立的网络进行训练，形成输入输出之间的高度映射关系，再根据神经网络输入输出的映射关系，使用一种优化算法对工艺参数进行智能择优。
本专利的有益效果是，能够以省时省力而且最经济的方式选择出最优激光强化工艺参数，提高模具表面性能改进的效果。
附图说明
图1为三层神经网络模型结构图。
图1中1为激光功率值；2为扫描速度值；3为光斑直径值；4为送粉量值；5为神经网络隐含层；6为硬化深度值；7为硬度值。
具体实施方式
根据模具表面状况，输入材料的性质、强化后要达到的硬度和硬化深度以及所选择的算法，计算机将自动完成模型建立和计算并选择出最优工艺参数：激光功率、扫描速度、光斑直径、保护气大小。其实施过程为：首先，收集整理试验数据，建立工艺参数与模具表面强化质量之间的BP神经网络模型，并用所收集的数据对BP网络模型进行训练。然后，结合优化算法，调用神经网络对工艺参数进行优化，系统将获得的输出值与用保存的优化工艺参数值得到的输出值进行比较。若用新的参数值得到的神经网络输出值比原来的好，则代替原来的参数值成为新的最优工艺参数值。否则仍然保留原来的最优工艺参数值。系统持续的进行筛选计算，直到到达设定的精度要求。此时的工艺参数值就是模具表面强化最优工艺参数值。
Claims (3)
1.一个模具表面激光强化工艺优化系统，能自动地设计出最优强化工艺，其特征是：采用神经网络和优化算法相结合的方法对激光强化工艺参数进行优化设计。
2.根据权利要求1所述的模具表面激光强化工艺优化系统，其特征还有：神经网络建立3层或3层以上网络预测模型，利用训练样本对所建立的网络进行训练，形成输入输出之间的高度映射关系。
3.根据权利要求1所述的模具表面激光强化工艺优化系统，其特征还有：使用一种优化算法，根据神经网络输入输出的映射关系对工艺参数进行智能择优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010105544278A CN102479259A (zh) | 2010-11-23 | 2010-11-23 | 模具表面激光强化工艺优化 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2010105544278A CN102479259A (zh) | 2010-11-23 | 2010-11-23 | 模具表面激光强化工艺优化 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102479259A true CN102479259A (zh) | 2012-05-30 |
Family
ID=46091903
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2010105544278A Pending CN102479259A (zh) | 2010-11-23 | 2010-11-23 | 模具表面激光强化工艺优化 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102479259A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108330255A (zh) * | 2018-03-05 | 2018-07-27 | 南京理工大学 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
| CN108732927A (zh) * | 2018-06-09 | 2018-11-02 | 王天骄 | 能量束热作用状态控制方法 |
| CN110807292A (zh) * | 2019-10-30 | 2020-02-18 | 华南理工大学 | 一种特定激光性能的激光玻璃材料的制备方法 |
-
2010
- 2010-11-23 CN CN2010105544278A patent/CN102479259A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108330255A (zh) * | 2018-03-05 | 2018-07-27 | 南京理工大学 | 一种钢线刀刀身激光热处理工艺参数优化方法 |
| CN108732927A (zh) * | 2018-06-09 | 2018-11-02 | 王天骄 | 能量束热作用状态控制方法 |
| CN110807292A (zh) * | 2019-10-30 | 2020-02-18 | 华南理工大学 | 一种特定激光性能的激光玻璃材料的制备方法 |
| CN110807292B (zh) * | 2019-10-30 | 2021-09-21 | 华南理工大学 | 一种特定激光性能的激光玻璃材料的制备方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yin et al. | A hybrid of back propagation neural network and genetic algorithm for optimization of injection molding process parameters | |
| Rong-Ji et al. | Optimizing process parameters for selective laser sintering based on neural network and genetic algorithm | |
| CN100383796C (zh) | 铜合金管材铸轧工艺参数设计及优化的方法 | |
| CN107392497A (zh) | 一种基于改进遗传算法的车间调度系统及调度方法 | |
| CN105279291A (zh) | 一种面向批量加工的堆焊工艺参数优化方法 | |
| CN106651023A (zh) | 一种基于灰色关联度分析的改进型烟花算法的中长期负荷预测方法 | |
| CN105608295B (zh) | 焦化炉压力的多目标遗传算法与rbf神经网络优化建模方法 | |
| CN106447133A (zh) | 一种基于深度自编码网络的短期电力负荷预测方法 | |
| CN107704962A (zh) | 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法 | |
| CN106815660B (zh) | 基于模拟退火算法的用户负荷组合优化方法 | |
| Shang et al. | Production scheduling optimization method based on hybrid particle swarm optimization algorithm | |
| Lei et al. | An adaptive replacement strategy-incorporated particle swarm optimizer for wind farm layout optimization | |
| CN102479259A (zh) | 模具表面激光强化工艺优化 | |
| Li et al. | A novel milling parameter optimization method based on improved deep reinforcement learning considering machining cost | |
| CN105975701A (zh) | 一种基于混合模糊模型的并行调度拆卸路径生成方法 | |
| CN105334824A (zh) | 基于nsga-ⅱ算法的铝电解生产优化方法 | |
| CN106355273A (zh) | 一种基于极限学习机的核材料辐照后拉伸性能预测系统及预测方法 | |
| CN109408861A (zh) | 一种管道泵进口弯管多目标智能优化方法 | |
| CN106611258A (zh) | 配电网工程设备选型规则库的建立 | |
| Li et al. | Modeling and applying of RBF neural network based on fuzzy clustering and pseudo-inverse method | |
| Hu et al. | Construction of digital twin system for cold chain logistics stereo warehouse | |
| Wang et al. | Non-dominated sorted genetic algorithm-II algorithm-based multi-objective layout optimization of solid wood panels | |
| Zhang et al. | Optimizing casting parameters of ingot based on neural network and genetic algorithm | |
| Zhao et al. | An improved wolf pack algorithm for sustainable machining parameter optimization | |
| CN110147607A (zh) | 建筑装饰工程施工三维模拟方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120530 |