CN111688192B - 一种选区激光熔化主要工艺参数匹配优化方法 - Google Patents

一种选区激光熔化主要工艺参数匹配优化方法 Download PDF

Info

Publication number
CN111688192B
CN111688192B CN202010583939.0A CN202010583939A CN111688192B CN 111688192 B CN111688192 B CN 111688192B CN 202010583939 A CN202010583939 A CN 202010583939A CN 111688192 B CN111688192 B CN 111688192B
Authority
CN
China
Prior art keywords
laser melting
algorithm
learning
layer
output
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.)
Active
Application number
CN202010583939.0A
Other languages
English (en)
Other versions
CN111688192A (zh
Inventor
边培莹
包宝军
邵晓东
杜敬利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University
Original Assignee
Xian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University filed Critical Xian University
Priority to CN202010583939.0A priority Critical patent/CN111688192B/zh
Publication of CN111688192A publication Critical patent/CN111688192A/zh
Application granted granted Critical
Publication of CN111688192B publication Critical patent/CN111688192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/10—Processes of additive manufacturing
    • B29C64/141—Processes of additive manufacturing using only solid materials
    • B29C64/153—Processes of additive manufacturing using only solid materials using layers of powder being selectively joined, e.g. by selective laser sintering or melting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
    • B29C64/30—Auxiliary operations or equipment
    • B29C64/386—Data acquisition or data processing for additive manufacturing
    • B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Materials Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Manufacturing & Machinery (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明一种选区激光熔化主要工艺参数匹配优化算法涉及选区激光熔化工艺技术领域，特别涉及一种选区激光熔化主要工艺参数匹配优化算法，包括以下步骤：初始化BP算法网络：BP算法网络结构包括网络的输入层、隐含层及输出层；输入层、隐含层及输出层上均设置有多个节点，按照选区激光熔化输入工艺参数对应热力结果的训练样本进行输入和输出学习训练；本发明编程运行后，即可得到各种输入工艺参数范围下通过输出范围限值的，较优工艺参数的组合方案的优化结果，而不同的材料、不同的设备建立不同的学习训练样本后，即可加载进本算法模型，通过算法迭代计算，实现相应的选区激光熔化主要工艺参数优化方案迭代计算。

Description

一种选区激光熔化主要工艺参数匹配优化方法
技术领域
本发明涉及选区激光熔化工艺技术领域，特别涉及一种选区激光熔化主要工艺参数匹配优化算法。
背景技术
随着选区激光熔化（Selective Laser Forming, 选区激光熔化）工艺在小批量、难加工、高附加值产品增材制造中的应用，其工艺参数的选配对于成形质量具有决定性的影响，一旦工艺参数不匹配就会形成较大的热应力而引起成形件的裂纹、翘曲、孔隙、变形超差等质量问题，成为制约该项制造技术发展的瓶颈问题。工艺参数匹配是指一定材料在相关设备上成形零件在一定范围内可适用不同序列的工艺参数集。由于多个工艺参数之间相互作用、相互制约，属于多变量耦合系统，很难直接选定某组工艺参数组合方案。目前选区激光熔化工艺设计时主要是依赖设备已有参数包再结合技术人员经验，靠不断调整工艺参数组合的大量实验参数试算得到基本合格的成形件，这种多次反复的实验必然造成各种资源的浪费，甚至很多应用中找不到成功的工艺解决方案而放弃选区激光熔化制造工艺。此类问题严重困扰着诸多应用单位，导致了目前强大的选区激光熔化工艺市场需求与成形性能不稳定之间的矛盾。
影响选区激光熔化成形质量的工艺参数有130多个，最主要工艺参数有：激光功率（P）、扫描速度(v)、激光搭接率(δ)、扫描方式(τ)、层厚共计5个输入参数，而评价成形件质量的输出参数也有多个如：熔池温度（t）、残余应力(σ)、成形应变(ε)等等，这些输入与输出参数之间难以找到显式函数的描述关系，即目标函数无法用连续或离散的显式数学式表达，这种问题的优化属于非线性、多元、多目标、离散的难解问题。对于选区激光熔化多参数工艺优化单一的智能优化不适用，需要有确定目标函数评价迭代的智能算法也不适用，而标准的PSO算法和BP算法容易使求解陷入局部最优。
发明内容
为了解决以上技术问题与现有算法的不足，本发明的目的在于提供一种选区激光熔化主要工艺参数匹配优化方法，通过基于改进粒子群算法与误差反向传播算法相融合的变速复合学习算法对主要工艺参数通过迭代遍历进行协调智能优化，以得到不同参数系列下较合理的主要工艺参数匹配方案，具有很强的实践应用价值。
本发明一种选区激光熔化主要工艺参数匹配优化方法，包括以下步骤：
第一步，初始化BP算法网络：BP算法网络结构包括网络的输入层、隐含层及输出层；输入层、隐含层及输出层上均设置有多个节点，按照选区激光熔化输入工艺参数对应热力结果的训练样本进行输入和输出学习训练，以及建立变惯性权重、变学习因子的参数方程；所述训练样本来自于选区激光熔化热力耦合仿真结果或实验数据结果；
第二步，学习训练BP算法网络：采用多层细分BP算法网络结构，由仿真或实验作输出的映射关系形成训练样本来训练BP算法网络；
第三步，初始化PSO算法；包括初始化每个粒子的速度和位置，构造改进的变速PSO算法，定义各粒子的个体最佳位置pBest，定义群体的全局最佳位置gBest，定义迭代次数和迭代精度；
第四步，选区激光熔化工艺参数编码；将PSO位置参数按选区激光熔化工艺参数对应的编码位编码，把主要工艺参数编码到一个粒子中，得到主要工艺参数统一的编码位；
第五步，粒子飞翔；PSO粒子以变惯性权重、变学习因子的方式变速飞翔，得到飞翔后的选区激光熔化工艺参数群组值；
第六步，工艺参数热力结果计算：将编码的位置参数作为输入工艺参数赋给第二步训练后的BP算法网络进行输入工艺参数对应的输出求解，得到热力结果值；
第七步，参数解码，求解局部最优解：根据第六步中BP算法网络计算后得到的各粒子的热力结果排序，取出最优热力结果对应的工艺参数值，替换当前最优各粒子的个体最佳位置pBest；
第八步，判断是否全局最优，若“是”更新全局最佳位置gBest，按照迭代代数与迭代精度进一步判断迭代是否终止，若“是”则进行第十步，否则进行下一步；
第九步，粒子通过变学习因子、变惯性权重为步长因子与方向因子进行变速飞翔，更新粒子速度，位置参数，迭代完成得到新的位置，然后进行第四步至第八步；
第十步，求出最优工艺参数，输出最优粒子参数对应的选区激光熔化工艺参数；
第十一步，将上步骤得到的选区激光熔化工艺参数与实验结果进行对比验证，如果满足验证误差，则进行十二步，若不满足验证误差，则返回至第一步；该实验结果是根据上一步求出的最优工艺参数进行选区激光熔化成形机增材制造实验得出的结果；
第十二步，得到并输出工艺参数匹配方案。
优选地，第一步中BP算法网络包括输入层、第一隐含层、第二隐含层、第三隐含层、输出层，各层节点数分别为4-15-15-2-2；
按照以下公式（1）（2）进行各隐含层输入输出计算，并由公式（3）进行反馈误差计算，公式（4）（5）分别为各层各代学习训练对应的权重更新及偏置更新，由此按照给定样本进行输入输出的计算过程完成网络权值及偏置训练；
各隐含层的输出值计算：
Figure 520982DEST_PATH_IMAGE001
(1)
Figure 44367DEST_PATH_IMAGE002
(2)
其中，a表示任意一层隐含层的输入，Z表示任意一层隐含层的输出，w表示权重，b表示偏置；l，j表示第l层的第j个神经元；i，j表示从第i个神经元到第j个神经元之间的连接；
逆向反馈误差计算：
Figure 474211DEST_PATH_IMAGE003
(3)
其中，E是反向误差，y是最后一层各个神经元的输出，k为最后一层的第k个神经元；
权重更新公式：
Figure 653520DEST_PATH_IMAGE004
(4)
其中，
Figure 928643DEST_PATH_IMAGE005
是算法学习率，取值范围0.1-0.3，
偏置更新公式：
Figure 572114DEST_PATH_IMAGE006
(5)。
优选地，第二步中，学习训练BP算法网络的方法为：采用选区激光熔化工艺参数仿真软件运行的输入、输出结果数据进行BP算法网络学习训练，学习训练样本不下于100组。
优选地，第二步中，学习训练BP算法网络的方法为：采用选区激光熔化工艺参数实验数据作为学习样本进行BP算法网络训练，学习训练样本不小于100组。
优选地，第三步中，设置粒子数为50个，每个粒子的速度和位置按照公式（6）和公式（7）计算，设置各粒子的个体最佳位置pBest，和群体的全局最佳位置gBest；
Figure 844964DEST_PATH_IMAGE007
(6)
Figure 573885DEST_PATH_IMAGE008
(7)
v是粒子飞翔的速度，k是算法运行中迭代的代数，w是飞翔惯性权重，Present 是当前的粒子位置；pBest和gBest分别是迭代过程筛选的局部最优解以及全局最优解；r 1 、r 2 是算法随机搜索域定义的（0，1）间的随机数，C1、C2为学习因子。
优选地，第五步中变速飞翔，采用的变学习因子与变惯性权重，如公式（9）和公式（10）的计算；
设置变学习因子和变惯性权重，构建新的迭代中的变速系数因子，保证在初始迭代是步伐较快以保证算法快速收敛，而在靠近最优点附近，搜索速度降低以避免陷入局部最优，设置迭代次数为2000代；
Figure 590383DEST_PATH_IMAGE009
(9)
Figure 88360DEST_PATH_IMAGE010
(10)
t为系数因子，取值为0-1。
优选地，第四步，第七步中，将新的位置参数编码后赋给BP算法网络进行工艺参数对应的输出求解，求解后进行热力结果解码得到工艺参数对应的热力作用结果，其位置编码参数采用25位二进制编码，11 111 11111111111 111111111；
其对应的工艺参数关系具体为： 1-9位对激光功率进行编码，激光功率范围为0-256W，10-20位对扫描速度进行编码，扫描速度为0-1000mm/s，21-23位对激光搭接率进行编码，激光搭接率为 0-40%，24-25位对扫描方式进行编码，扫描方式为四种。
本发明的有益效果：
本发明其工作流程简化表示为图3所示，编程运行后，即可得到各种输入工艺参数范围下通过输出范围限值的，较优工艺参数的组合方案的优化结果，而不同的材料、不同的设备建立不同的学习训练样本后，即可加载进本算法模型，通过算法迭代计算，实现相应的选区激光熔化主要工艺参数优化方案迭代计算。
附图说明
图1为本发明实现过程流程图。
图2为多层细分BP算法网络结构图。
图3 为本发明算法框架结构图。
具体实施方式
本发明一种选区激光熔化主要工艺参数匹配优化方法，包括以下步骤：
第一步，初始化BP算法网络：BP算法网络结构包括网络的输入层、隐含层及输出层；输入层、隐含层及输出层上均设置有多个节点，按照选区激光熔化输入工艺参数对应热力结果的训练样本进行输入和输出学习训练，以及建立变惯性权重、变学习因子的参数方程；所述训练样本来自于选区激光熔化热力耦合仿真结果或实验数据结果；
第二步，学习训练BP算法网络：采用多层细分BP算法网络结构，由仿真或实验作输出的映射关系形成训练样本来训练BP算法网络；
第三步，初始化PSO算法；包括初始化每个粒子的速度和位置，构造改进的变速PSO算法，定义各粒子的个体最佳位置pBest，定义群体的全局最佳位置gBest，定义迭代次数和迭代精度；
第四步，选区激光熔化工艺参数编码；将PSO位置参数按选区激光熔化工艺参数对应的编码位编码，把主要工艺参数编码到一个粒子中，得到主要工艺参数统一的编码位；
第五步，粒子飞翔；PSO粒子以变惯性权重、变学习因子的方式变速飞翔，得到飞翔后的选区激光熔化工艺参数群组值；
第六步，工艺参数热力结果计算：将编码的位置参数作为输入工艺参数赋给第二步训练后的BP算法网络进行输入工艺参数对应的输出求解，得到热力结果值。
第七步，参数解码，求解局部最优解：根据第六步中BP算法网络计算后得到的各粒子的热力结果排序，取出最优热力结果对应的工艺参数值，替换当前最优各粒子的个体最佳位置pBest；
第八步，判断是否全局最优，若“是”更新全局最佳位置gBest，按照迭代代数与迭代精度进一步判断迭代是否终止，若“是”则进行第十步，否则进行下一步；
第九步，粒子通过变学习因子、变惯性权重为步长因子与方向因子进行变速飞翔，更新粒子速度，位置参数，迭代完成得到新的位置，然后进行第四步至第八步；
第十步，求出最优工艺参数，输出最优粒子参数对应的选区激光熔化工艺参数；
第十一步，将上步骤得到的选区激光熔化工艺参数与实验结果进行对比验证，如果满足验证误差，则进行十二步，若不满足验证误差，则返回至第一步；该实验结果是根据上一步求出的最优工艺参数进行选区激光熔化成形机增材制造实验得出的结果；
第十二步，得到并输出工艺参数匹配方案。
优选地，第一步中BP算法网络包括输入层、第一隐含层、第二隐含层、第三隐含层、输出层，各层节点数分别为4-15-15-2-2；
按照以下公式（1）（2）进行各隐含层输入输出计算，并由公式（3）进行反馈误差计算，公式（4）（5）分别为各层各代学习训练对应的权重更新及偏置更新，由此按照给定样本进行输入输出的计算过程完成网络权值及偏置训练；
各隐含层的输出值计算：
Figure 860007DEST_PATH_IMAGE001
(1)
Figure 748329DEST_PATH_IMAGE002
(2)
其中，a表示任意一层隐含层的输入，Z表示任意一层隐含层的输出，w表示权重，b表示偏置；l，j表示第l层的第j个神经元；i，j表示从第i个神经元到第j个神经元之间的连接；
逆向反馈误差计算：
Figure 630834DEST_PATH_IMAGE003
(3)
其中，E是反向误差，y是最后一层各个神经元的输出，k为最后一层的第k个神经元。
权重更新公式：
Figure 983318DEST_PATH_IMAGE004
(4)
其中，
Figure 860620DEST_PATH_IMAGE005
是算法学习率，取值范围0.1-0.3，
偏置更新公式：
Figure 298554DEST_PATH_IMAGE006
(5)。
第二步中，学习训练BP算法网络的方法为：采用选区激光熔化工艺参数仿真软件运行的输入、输出结果数据进行BP算法网络学习训练，学习训练样本不下于100组。
第二步中，学习训练BP算法网络的方法为：采用选区激光熔化工艺参数实验数据作为学习样本进行BP算法网络训练，学习训练样本不小于100组。
第三步中，设置粒子数为50个，每个粒子的速度和位置按照公式（6）和公式（7）计算，设置各粒子的个体最佳位置pBest，和群体的全局最佳位置gBest；
Figure 719171DEST_PATH_IMAGE007
(6)
Figure 191741DEST_PATH_IMAGE008
(7)
v是粒子飞翔的速度，k是算法运行中迭代的代数，w是飞翔惯性权重，Present 是当前的粒子位置；pBest和gBest分别是迭代过程筛选的局部最优解以及全局最优解；r 1 、r 2 是算法随机搜索域定义的（0，1）间的随机数，C1、C2为学习因子。
第五步中变速飞翔，采用的变学习因子与变惯性权重，如公式（9）和公式（10）的计算；
设置变学习因子和变惯性权重，构建新的迭代中的变速系数因子，保证在初始迭代是步伐较快以保证算法快速收敛，而在靠近最优点附近，搜索速度降低以避免陷入局部最优，设置迭代次数为2000代；
Figure 242874DEST_PATH_IMAGE009
(9)
Figure 168104DEST_PATH_IMAGE010
(10)
t为系数因子，取值为0-1。
第四步，第七步中，将新的位置参数编码后赋给BP算法网络进行工艺参数对应的输出求解，求解后进行热力结果解码得到工艺参数对应的热力作用结果，其位置编码参数采用25位二进制编码，11 111 11111111111 111111111；
其对应的工艺参数关系具体为： 1-9位对激光功率进行编码，激光功率范围为0-256W，10-20位对扫描速度进行编码，扫描速度为0-1000mm/s，21-23位对激光搭接率进行编码，激光搭接率为 0-40%，24-25位对扫描方式进行编码，扫描方式为四种，如00为单向条纹式，01为往复条纹式，10为固定棋盘式，11为轮转棋盘式等，根据样本数据来定。
以下表格是算法编程变量及设置，还有运行结果分析。
表4.
Figure 392412DEST_PATH_IMAGE011
BP训练参数设置表
参数名称 变量名 设定值 备注
迭代次数 net.trainparam.epochs 20000 网络训练迭代次数
学习效率 net.trainparam.lr 0.01 网络学习率设定
限时迭代次数 net.trainparam.show 100 受限时迭代次数
训练精度 net.trainparam.goal 1e-4 训练目标精度
训练次数 net.trainparam.max_fail 10 最大训练失败次数
表4.
Figure 391592DEST_PATH_IMAGE011
PSO算法输入/输出变量表
输入参数 变量名 输出参数 变量名
激光功率（位置） par(i).Power 最优功率 par_best.bestPower
激光速度（位置） par(i).Speed 最优速度 par_best.bestSpeed
扫描方式（位置） par(i).Strategy 最优扫描策略 par_best.bestStrategy
激光搭接率（位置） par(i).Overlaprate 最优搭接率 par_best.bestOverlaprate
激光功率（速度） par(i).vPower 最佳熔池温度 par_best.fittemperature
激光速度（速度） par(i).vSpeed 最小残余应力 par_best.fitstress
扫描方式（速度） par(i).vStrategy —— ——
激光搭接率（速度） par(i).vOverlaprate —— ——
4. 3选区激光熔化主要工艺参数优化运行结果统计表材料：316L
序号 激光功率范围P(W) 扫描速度范围v(mm/s) 扫描方式 最大允许搭接率η 最低熔池温度限制(K) 最大残余应力限制(MPa) 优化运行结果 结果评估
1 100-150 300-600 条纹 15% 2000 500 P=100, v=400, 条纹式，η=10% 2649K,377MPa
2 100-150 300-600 棋盘 15% 2000 500 P=120, v=460, 棋盘式，η=10% 2389K,169MPa
3 150-200 300-600 条纹 25% 2000 500 P=170, v=400, 条纹式，η=10% 2695K,301MPa
4 150-200 300-600 棋盘 25% 2000 500 P=150, v=600, 棋盘式，η=20% 2816K,153MPa
5 200-300 600-1000 条纹 15% 2000 600 P=200, v=600, 条纹式，η=10% 2774K,383MPa
6 200-300 600-1000 棋盘 15% 2000 600 P=240, v=900, 棋盘式，η=5% 2686K,204MPa
7 200-300 600-1000 条纹 25% 2000 600 P=280, v=700, 条纹式，η=10% 2982K,424MPa
8 200-300 600-1000 棋盘 25% 2000 600 P=280, v=900, 棋盘式，η=20% 2751K,277MPa
9 100-200 500-600 —— 25% 2000 500 P=180, v=600, 棋盘式，η=10% 2676K,209MPa
10 200-220 600-1000 —— 25% 2000 600 P=200, v=700, 棋盘式，η=10% 2698K,302MPa
从表4.3的运行结果来看，在指定的工艺参数范围内，工艺参数的匹配优化的特点非常明显的体现出来，即在工艺参数范围内，满足最小熔池温度、最大平均残余应力的工艺参数组合有多组，在最靠近边界范围的最优工艺参数配合即达到了匹配优化的结果。此外，当把工艺参数的范围放小，其匹配优化的结果将更符合设备使用的选择范围。另一方面，通过十组工艺参数的匹配优化结果，迭代过程通过变惯性权重与变学习因子的变速控制，很好的避免了算法陷入局部求解的情况。同时，根据其优化结果进一步评估的本工艺参数对应的熔池温度与平均残余应力，基本上符合实验的热力测试结果，该变速复合学习算法可以进行选区激光熔化工艺参数的优化。因为多工艺参数匹配优化，其最优值一般在其某一参数边界范围附近，如果不符合设计者意图，可以重新给定工艺参数边界继续一轮迭代匹配优化。
本发明的有益效果：
本发明其工作流程简化表示为图3所示，编程运行后，即可得到各种输入工艺参数范围下通过输出范围限值的，较优工艺参数的组合方案的优化结果，而不同的材料、不同的设备建立不同的学习训练样本后，即可加载进本算法模型，通过算法迭代计算，实现相应的选区激光熔化主要工艺参数优化方案迭代计算。

Claims (6)

1.一种选区激光熔化主要工艺参数匹配优化方法，其特征在于，包括以下步骤：
第一步，初始化BP算法网络：BP算法网络结构包括网络的输入层、隐含层及输出层；输入层、隐含层及输出层上均设置有多个节点，按照选区激光熔化输入工艺参数对应热力结果的训练样本进行输入和输出学习训练，以及建立变惯性权重、变学习因子的参数方程；所述训练样本来自于选区激光熔化热力耦合仿真结果或实验数据结果；
第二步，学习训练BP算法网络：采用多层细分BP算法网络结构，由仿真或实验作输出的映射关系形成训练样本来训练BP算法网络；
第三步，初始化PSO算法；包括初始化每个粒子的速度和位置，构造改进的变速PSO算法，定义各粒子的个体最佳位置pBest，定义群体的全局最佳位置gBest，定义迭代次数和迭代精度；
第四步，选区激光熔化工艺参数编码；将PSO位置参数按选区激光熔化工艺参数对应的编码位编码，把主要工艺参数编码到一个粒子中，得到主要工艺参数统一的编码位；
第五步，粒子飞翔；PSO粒子以变惯性权重、变学习因子的方式变速飞翔，得到飞翔后的选区激光熔化工艺参数群组值；
第六步，工艺参数热力结果计算：将编码的位置参数作为输入工艺参数赋给第二步训练后的BP算法网络进行输入工艺参数对应的输出求解，得到热力结果值；
第七步，参数解码，求解局部最优解：根据第六步中BP算法网络计算后得到的各粒子的热力结果排序，取出最优热力结果对应的工艺参数值，替换当前最优各粒子的个体最佳位置pBest；
第八步，判断是否全局最优，若“是”更新全局最佳位置gBest，按照迭代代数与迭代精度进一步判断迭代是否终止，若“是”则进行第十步，否则进行下一步；
第九步，粒子通过变学习因子、变惯性权重为步长因子与方向因子进行变速飞翔，更新粒子速度，位置参数，迭代完成得到新的位置，然后进行第四步至第八步；
第十步，求出最优工艺参数，输出最优粒子参数对应的选区激光熔化工艺参数；
第十一步，将上步骤得到的选区激光熔化工艺参数与实验结果进行对比验证，如果满足验证误差，则进行十二步，若不满足验证误差，则返回至第一步；该实验结果是根据上一步求出的最优工艺参数进行选区激光熔化成形机增材制造实验得出的结果；
第十二步，得到并输出工艺参数匹配方案；
所述第五步中变速飞翔，采用的变学习因子与变惯性权重，如公式（9）和公式（10）的计算；
设置变学习因子和变惯性权重，构建新的迭代中的变速系数因子，保证在初始迭代是步伐较快以保证算法快速收敛，而在靠近最优点附近，搜索速度降低以避免陷入局部最优，设置迭代次数为2000代；
Figure 464459DEST_PATH_IMAGE001
(9)
Figure 381599DEST_PATH_IMAGE002
(10)；
t为系数因子，取值为0-1。
2.如权利要求1所述一种选区激光熔化主要工艺参数匹配优化方法，其特征在于，所述第一步中BP算法网络包括输入层、第一隐含层、第二隐含层、第三隐含层、输出层，各层节点数分别为4-15-15-2-2；
按照以下公式（1）（2）进行各隐含层输入输出计算，并由公式（3）进行反馈误差计算，公式（4）（5）分别为各层各代学习训练对应的权重更新及偏置更新，由此按照给定样本进行输入输出的计算过程完成网络权值及偏置训练；
各隐含层的输出值计算：
Figure 161336DEST_PATH_IMAGE003
(1)
Figure 494229DEST_PATH_IMAGE004
(2)
其中，a表示任意一层隐含层的输入，Z表示任意一层隐含层的输出，w表示权重，b表示偏置；l，j表示第l层的第j个神经元；i，j表示从第i个神经元到第j个神经元之间的连接；
逆向反馈误差计算：
Figure 308601DEST_PATH_IMAGE005
(3)
其中，E是反向误差，y是最后一层各个神经元的输出，k为最后一层的第k个神经元；
权重更新公式：
Figure 131063DEST_PATH_IMAGE006
(4)
其中，
Figure 335780DEST_PATH_IMAGE007
是算法学习率，取值范围0.1-0.3，
偏置更新公式：
Figure 534680DEST_PATH_IMAGE008
(5)。
3.如权利要求2所述一种选区激光熔化主要工艺参数匹配优化方法，其特征在于，所述第二步中，学习训练BP算法网络的方法为：采用选区激光熔化工艺参数仿真软件运行的输入、输出结果数据进行BP算法网络学习训练，学习训练样本不下于100组。
4.如权利要求2所述一种选区激光熔化主要工艺参数匹配优化方法，其特征在于，所述第二步中，学习训练BP算法网络的方法为：采用选区激光熔化工艺参数实验数据作为学习样本进行BP算法网络训练，学习训练样本不小于100组。
5.如权利要求3或4所述一种选区激光熔化主要工艺参数匹配优化方法，其特征在于，所述第三步中，设置粒子数为50个，每个粒子的速度和位置按照公式（6）和公式（7）计算，设置各粒子的个体最佳位置pBest，和群体的全局最佳位置gBest；
Figure 161750DEST_PATH_IMAGE009
(6)
Figure 155113DEST_PATH_IMAGE010
(7)
v是粒子飞翔的速度，k是算法运行中迭代的代数，w是飞翔惯性权重，Present 是当前的粒子位置；pBest和gBest分别是迭代过程筛选的局部最优解以及全局最优解；r 1 、r 2 是算法随机搜索域定义的（0，1）间的随机数，C1、C2为学习因子。
6.如权利要求1所述一种选区激光熔化主要工艺参数匹配优化方法，其特征在于，所述第四步，第七步中，将新的位置参数编码后赋给BP算法网络进行工艺参数对应的输出求解，求解后进行热力结果解码得到工艺参数对应的热力作用结果，其位置编码参数采用25位二进制编码，11 111 11111111111 111111111；
其对应的工艺参数关系具体为： 1-9位对激光功率进行编码，激光功率范围为0-256W，10-20位对扫描速度进行编码，扫描速度为0-1000mm/s，21-23位对激光搭接率进行编码，激光搭接率为 0-40%，24-25位对扫描方式进行编码，扫描方式为四种。
CN202010583939.0A 2020-06-24 2020-06-24 一种选区激光熔化主要工艺参数匹配优化方法 Active CN111688192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010583939.0A CN111688192B (zh) 2020-06-24 2020-06-24 一种选区激光熔化主要工艺参数匹配优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010583939.0A CN111688192B (zh) 2020-06-24 2020-06-24 一种选区激光熔化主要工艺参数匹配优化方法

Publications (2)

Publication Number Publication Date
CN111688192A CN111688192A (zh) 2020-09-22
CN111688192B true CN111688192B (zh) 2022-06-17

Family

ID=72482941

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010583939.0A Active CN111688192B (zh) 2020-06-24 2020-06-24 一种选区激光熔化主要工艺参数匹配优化方法

Country Status (1)

Country Link
CN (1) CN111688192B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112170843B (zh) * 2020-09-29 2023-01-31 中国航发动力股份有限公司 一种旋流器流道的激光选区熔化成形工艺模型确定方法
CN112659548B (zh) * 2020-11-06 2022-10-25 西安交通大学 基于遗传算法和bp神经网络的面曝光3d打印工艺优化方法
JP7471214B2 (ja) * 2020-12-25 2024-04-19 株式会社日立製作所 付加製造条件の探索装置
CN114589315B (zh) * 2022-02-22 2022-12-16 上海交通大学 一种激光增材制造最优搭接步进量匹配方法
CN114789557B (zh) * 2022-05-16 2023-07-25 马鞍山嘉兰智造科技有限公司 一种3d打印机多喷头打印方法
CN116275124B (zh) * 2023-05-11 2023-08-01 四川大学 基于无模型自适应迭代学习的激光增材制造分区控制方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101908097A (zh) * 2010-07-13 2010-12-08 北京航空航天大学 一种空战决策的粒子群优化方法
CN106081126A (zh) * 2016-06-13 2016-11-09 王晨 仿生蜂窝状主动安全逃生舱嵌入航空飞行器的应用及设计
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法
WO2019002283A1 (de) * 2017-06-26 2019-01-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. VORRICHTUNG ZUM LASERAUFTRAGSSCHWEIßEN
CN109746446A (zh) * 2019-03-18 2019-05-14 长安大学 一种基于激光微区冶金的材料基因库的建立方法
CN109800533A (zh) * 2019-02-13 2019-05-24 福建省纳金网信息技术有限公司 一种基于人工智能技术的3d打印工艺参数优化方法
CN110405343A (zh) * 2019-08-15 2019-11-05 山东大学 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103679139B (zh) * 2013-11-26 2017-08-15 闻泰通讯股份有限公司 基于粒子群优化bp网络的人脸识别方法
CN105046004B (zh) * 2015-07-24 2017-12-26 天津大学 基于改进粒子群算法的永磁球形电动机逆运动学求解方法
CN106881462B (zh) * 2017-01-23 2019-01-29 华中科技大学 一种针对激光选区熔化成形缺陷的在线检测与优化系统
WO2019055576A1 (en) * 2017-09-12 2019-03-21 Arconic Inc. SYSTEMS AND METHODS FOR PERFORMING CALIBRATION IN ADDITIVE MANUFACTURE
CN107547457A (zh) * 2017-09-15 2018-01-05 重庆大学 一种基于改进粒子群优化bp神经网络的盲信道均衡方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101908097A (zh) * 2010-07-13 2010-12-08 北京航空航天大学 一种空战决策的粒子群优化方法
CN106081126A (zh) * 2016-06-13 2016-11-09 王晨 仿生蜂窝状主动安全逃生舱嵌入航空飞行器的应用及设计
WO2019002283A1 (de) * 2017-06-26 2019-01-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e. V. VORRICHTUNG ZUM LASERAUFTRAGSSCHWEIßEN
CN107480815A (zh) * 2017-08-03 2017-12-15 国网河北省电力公司保定供电分公司 一种电力系统台区负荷预测方法
CN109800533A (zh) * 2019-02-13 2019-05-24 福建省纳金网信息技术有限公司 一种基于人工智能技术的3d打印工艺参数优化方法
CN109746446A (zh) * 2019-03-18 2019-05-14 长安大学 一种基于激光微区冶金的材料基因库的建立方法
CN110405343A (zh) * 2019-08-15 2019-11-05 山东大学 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于神经网络和遗传算法的激光选区熔化成形工艺优化研究;邵建军;《基于神经网络和遗传算法的激光选区熔化成形工艺优化研究》;20181218;第17-23页 *
基于粒子群与遗传算法的BP算法优化研究;庞明月;《基于粒子群与遗传算法的BP算法优化研究》;20150615;第14页-16页，第21页-26页 *

Also Published As

Publication number Publication date
CN111688192A (zh) 2020-09-22

Similar Documents

Publication Publication Date Title
CN111688192B (zh) 一种选区激光熔化主要工艺参数匹配优化方法
Luo et al. Optimum tooling design for resin transfer molding with virtual manufacturing and artificial intelligence
CN107862411A (zh) 一种大规模柔性作业车间调度优化方法
CN113094980B (zh) 一种基于iga-dnn的焊膏印刷质量预测方法及系统
CN103729694B (zh) 基于多色集合层次结构的改进ga求解柔性车间调度的方法
CN105404926A (zh) 基于bp神经网络与mbfo算法的铝电解生产工艺优化方法
CN110163409B (zh) 一种应用于置换流水车间的卷积神经网络调度方法
CN112766608B (zh) 一种基于极限学习机的水泥磨系统电耗指标预测方法
CN115689070B (zh) 基于帝王蝶算法优化bp神经网络模型的能源预测方法
CN115146529B (zh) 一种汽车悬架弹簧冷抛丸强化残余应力预测方法
CN112578089B (zh) 一种基于改进tcn的空气污染物浓度预测方法
CN113191092A (zh) 一种基于正交增量随机配置网络的工业过程产品质量软测量方法
CN113449930A (zh) 一种基于bp神经网络的光纤预制棒制备质量预测方法
CN108717506A (zh) 一种预测焦炭热态强度的方法
CN113095477B (zh) 基于de-bp神经网络的风电功率预测方法
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
Sing et al. Comparative study of genetic algorithm and simulated annealing for optimal tolerance design formulated with discrete and continuous variables
CN116976192A (zh) 一种基于js-bp模型的模锻件缺陷精准修型工艺参数决策方法
Salamoni et al. Injection molding process modeling using back propagation neural network method
CN115659776A (zh) 一种3d打印模型成型质量参数预测方法
CN105426960B (zh) 基于bp神经网络与mbfo算法的铝电解节能减排控制方法
Zhang et al. An approach to assembly sequence planning using ant colony optimization
CN113505519B (zh) 基于pso-bp神经网络和nsga-ii的激光切割加工建模及参数优化选择方法
CN113050567B (zh) 一种智能制造系统动态调度方法
Zuo et al. RL-MUL: Multiplier Design Optimization with Deep Reinforcement Learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant