CN115659830B - 提高激光选区熔化零部件质量性能的工艺条件设计方法 - Google Patents
提高激光选区熔化零部件质量性能的工艺条件设计方法 Download PDFInfo
- Publication number
- CN115659830B CN115659830B CN202211385156.7A CN202211385156A CN115659830B CN 115659830 B CN115659830 B CN 115659830B CN 202211385156 A CN202211385156 A CN 202211385156A CN 115659830 B CN115659830 B CN 115659830B
- Authority
- CN
- China
- Prior art keywords
- minimum value
- value
- max
- vibration
- design method
- 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
Links
Images
Classifications
-
- 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
- Powder Metallurgy (AREA)
Abstract
本发明提出提高激光选区熔化零部件质量性能的工艺条件设计方法。利用改进的激光选区熔化工艺设备制取正交试验样件,综合考虑成形工艺与后处理工艺的协同关系以及两者所涉及的工艺参数之间的交互耦合作用,基于BP神经网络建立预测模型,将各个指标预测值的平均值和均匀性加权作为统一控制优化目标,利用所提出的灰色关联度和粒子群算法结合的方法进行科学的、高效的、准确的求解,最终给出提高激光选区熔化零部件成形质量与力学性能的工艺条件设计方法,充分发挥后处理的技术优势,对后处理在增材制造的串行生产应用意义重大,促进增材制造技术进一步推广应用。
Description
技术领域
本专利涉及先进制造控形控性技术领域,尤其涉及提高激光选区熔化零部件质量性能的工艺条件设计方法。
背景技术
激光选区熔化(selective laser melting,SLM)技术是20世纪90年代发展出现的一种新型的增材制造技术,其成形过程受到多种机制影响,包括热传递材料物理性质和相变等。SLM工艺能在极短时间内完成金属粉末的熔化、润湿、流动、铺展、熔覆线搭接和层间冶金结合,在激光作用下经历一次加热-熔化- 凝固-冷却的微区熔炼、非平衡凝固结晶过程后,已成形的沉积层在后续激光熔化沉积过程中会经历多次重熔-冷却和再加热-冷却的热循环过程。显然,这种复杂的热循环能直接决定熔池尺寸、形貌和显微组织,并控制后续的组织转变类型。
SLM成形过程随激光工艺参数的改变将表现出高度敏感性及复杂多变性,给成形零件力学性能的调控造成很大难度,该工艺涉及长时间循环往复的激光逐行、逐层局部熔凝过程,主要工艺参数(激光功率、扫描速度、扫描间距、铺粉厚度等)、成形气氛环境及熔池熔体状态都不可避免存在波动,再加之激光扫描轨迹周期性变化引起的不连续性及不稳定性,在成形件局部区域(单道烧结线内部,线与线之间;单一烧结层内部,层与层之间)都有可能产生冶金缺陷。特别是,在粉体完全熔化及激光动态扫描条件下,熔池本身具有很强的不稳定性,液相凝固收缩效应明显,极易在激光成形件中形成复杂的残余内应力,严重时产生变形和开裂。
再者,在SLM成形过程中微细激光光斑以极快的速度扫描(通常达到1m/s),与粉末作用时间仅有10-5~10-6秒。熔池沿激光扫描方向数百微米,宽度和高度仅有100微米左右。激光的快速移动导致微尺度熔池以非常快的冷却速度凝固,形成的晶粒来不及长大,一般形成晶间距小于1微米的细小柱状晶和胞状晶,晶粒尺度远小于铸造(几十毫米)和锻件(数毫米)的微观组织。细晶将赋予其优良的力学性能,如较高的强度和韧性。研究表明,SLM成形的大多材料其强度远高于同质铸件水平,与锻件相当,有些材料甚至超过锻件水平。但是,由于SLM零件中微孔、裂纹和熔池边界等冶金缺陷,导致SLM零件的韧性略低。
因此,SLM技术成形过程是一个激光能量直接作用于金属粉末表面使之完全熔化并急速冷却的过程,使得成形后的合金样件普遍面临着残余应力与结构缺陷等问题,力学性能较差,从而导致其无法更好地满足使用要求。通过调整工艺参数和优化结构,可以在一定程度上改善这些缺陷,但无法完全避免,因此需要通过适当的后处理改善成形件的综合性能。
传统的锻造和铸造技术中常见的后处理有热处理和振动处理,SLM成形件后处理方法基于改善成形件出现的结构缺陷、残余应力和机械性能,考虑到SLM 加工工艺的特殊性,SLM成形件的后处理工艺不能完全参照传统成形制造后处理,如对加热温度和保温时间的控制,因为SLM加工成形件的晶体组织相对于传统制造的工件更加细小和排列不均匀,而温度和保温时间会对晶体的变化产生重要影响;更重要的是,SLM成形件的后处理方式的选取和调整也和加工工艺参数有很大关系,因此,必须充分考虑SLM成形过程工艺参数与后处理工艺参数之间的关联性,进行统筹协同优化配置。
总的来说,SLM是实现制造难度大、成本高等复杂结构件快速精准制造的变革性技术,该技术的实现在冶金机理、微观组织、结构形式、缺陷形式等方面与传统的制造有着很大的差异,因此传统的标准及其评价方法已经无法适应新的产品的需求,而现有关于增材制造工艺条件的设计优化研究更多地关注 SLM成形工艺或后处理工艺中的一种,鲜有涉及SLM成形与后处理工艺两者协同优化的研究,同时,也未有一种公认的科学的增材制造成形质量与力学性能统一评价方法,不能系统、全面的反映工艺参数对成形质量与力学性能的综合作用效果,严重制约SLM技术的工程应用与全面推广。
综上,依据SLM技术的特征,探索综合性能评价标准及评价方法。如何有效评估工艺参数的作用效果,以及如何寻求SLM成形与后处理协同优化的最佳工艺条件,最大限度地提高激光选区熔化零部件成形质量与力学性能,已成为实现该技术工程化应用的关键核心问题。
发明内容
本发明的目的在于提出提高激光选区熔化零部件质量性能的工艺条件设计方法。利用改进的激光选区熔化工艺设备制取正交试验样件,综合考虑成形工艺与后处理工艺的协同关系以及两者所涉及的工艺参数之间的交互耦合作用,基于BP神经网络为零部件的屈服强度、延伸率、硬度、残余应力、粗糙度、表面缺陷损伤指数、内部缺陷损伤指数、晶粒度与致密度建立预测模型,将各个指标预测值的平均值和均匀性加权组合作为统一控制优化目标,利用所提出的灰色关联度和粒子群算法结合的方法进行科学的、高效的、准确的求解,最终给出提高激光选区熔化零部件成形质量与力学性能的工艺条件设计方法。
为了实现上述发明目的,本发明采用以下技术方案:
提高激光选区熔化零部件质量性能的工艺条件设计方法,包括以下步骤:
(a)为提高铺粉均匀性与一致性,利用装有耐高低温耐震压力传感器的刮刀预先在基板上铺设一定厚度的粉末,开启氩气瓶阀门和保护气出口阀门通入氩气以保证成形腔内氧气含量始终保持在极低的范围内,光纤激光器根据计算机控制系统导入的模型参数,选择相应的工艺参数,并控制激光束通过扫描振镜和保护镜后按照一定的扫描方式和路径对当前层粉末进行熔化凝固成形,设备循环工作,逐层累积形成成形件;
(b)对成形件内腔粉末进行清理,对于成形件中难清理的密实粉末,可通过开启激振装置进行振动清粉处理将密实粉末振散,使其易于脱落,达到更彻底的清粉效果,粉末也能得到更有效的回收,清粉和粉末回收完成后,关闭氩气瓶阀门和保护气出口阀门,展开粉末缸隔热伸缩挡板和成形缸隔热伸缩挡板,开启氮气罐阀门,通入液氮使成形腔保持恒定的低温,开启激振装置,之后对成形件进行低温-振动处理,一定时间后关闭激振装置及氮气罐阀门,成形件温度回升至室温,此过程可促进成形件材料内部位错大量增殖,细化晶粒,提高致密度,消除表面及内部缺陷,提高材料综合力学性能;
进一步地,对于步骤(a)所述的成形件宜在8小时内进行低温-振动处理。
进一步地,低温-振动处理结束后,成形件可采用出成形腔温度回升或随成形腔温度回升,但均须保证成形件回升到室温才可进行后续处理。
(c)根据成形件材料特性,可选择直接进行空气气氛热处理,或开启氩气瓶阀门进行惰性气氛保护热处理,或开启真空泵阀门并启动真空泵进行真空热处理,选定合适的成形腔气氛,关闭相应的阀门和设备后,即关闭氩气瓶阀门后,或关闭真空泵阀门和真空泵后,开启加热组件使成形腔保持恒定的高温,同时开启激振装置,之后对成形件进行高温-振动处理,一定时间后关闭激振装置及加热组件,成形件冷却至室温,使成形件材料内部位错产生剧烈的滑移与攀移运动,伴随着位错增殖与湮灭交互作用的现象,促进材料内部弹性变形能的释放,大幅消减材料内部残余应力;
进一步地,对于步骤(a)所述的成形件宜在18小时内进行高温-振动处理。
进一步地,高温-振动处理结束后,成形件可采用出成形腔冷却或随成形腔冷却,出成形腔冷却可采用空冷、风冷、淬火等,但优选随成形腔冷却。
(d)通过各种检测手段结合数据分析获取后处理成形件各个选定区域的屈服强度、延伸率、硬度、残余应力、粗糙度、表面缺陷损伤指数、内部缺陷损伤指数、晶粒度、致密度;
(e)在保证试验结果可靠性、有效性的前提下,重复步骤(a)至步骤(d),依据工艺参数约束范围,开展多因素多水平的正交试验,建立预测激光选区熔化零部件成形质量与力学性能的BP神经网络模型,模型输入层的节点为激光功率P、光斑直径d、扫描速率v、扫描间距h、单层厚度tz、铺粉压力低温温度Tl、低温时间tl、低温-振动处理时激振装置的频率fl、振幅al、振动时间tvl、高温温度Th、高温时间th、高温-振动时激振装置的频率fh、振幅ah、振动时间tvh,根据设计经验和试验结果确定隐含层单元的数目,输出层的节点依次为成形件某个特定区域i的屈服强度/>延伸率δi、硬度Hi、残余应力/>粗糙度Rai、表面缺陷损伤指数αi、内部缺陷损伤指数α′i、晶粒度Zi、致密度Ki;其中/>式中,n和n′分别为表面和内部的缺陷数量,S和S′分别为表面和内部缺陷的等效面积,d为缺陷中心距最近表面的距离;取正交试验结果中80%的数据用于BP神经网络模型的训练,其余20%的数据用于模型回归测试,最终得到激光选区熔化零部件成形质量与力学性能的BP神经网络预测模型;
进一步地,工艺参数约束范围主要包括:激光功率最大值Pmax和最小值Pmin、光斑直径最大值dmax和最小值dmin、扫描速率最大值vmax和最小值vmin、扫描间距最大值hmax和最小值hmin、单层厚度最大值tzmax和最小值tzmin、铺粉压力最大值和最小值/>低温温度最大值Tlmax和最小值Tlmin、低温时间最大值tlmax和最小值 tlmin、低温-振动处理时激振装置的频率最大值flmax和最小值flmin、振幅最大值almax和最小值almin、振动时间最大值tvlmax和最小值tvlmin、高温温度最大值Thmax和最小值Thmin、高温时间最大值thmax和最小值thmin、高温-振动时激振装置的频率最大值 fhmax和最小值fhmin、振幅最大值ahmax和最小值ahmin、振动时间最大值tvhmax和最小值tvhmin。
进一步地,隐含层单元的数目为4~15。
(f)记录步骤(e)中所有正交试验结果中成形件屈服强度最大值σsmax和最小值σsmin、延伸率最大值δmax和最小值δmin、硬度最大值Hmax和最小值Hmin、残余应力最大值σRSmax和最小值σRSmin、粗糙度最大值Ramax和最小值Ramin、表面缺陷损伤指数最大值αmax和最小值αmin、内部缺陷损伤指数最大值α′max和最小值α′min、晶粒度最大值Zmax和最小值Zmin、致密度最大值Kmax和最小值Kmin;
(g)结合灰色关联度和基本粒子群算法寻求最佳工艺条件组合,全面提高激光选区熔化零部件成形质量与力学性能,建立各个指标(即输出层)的目标评价函数g1(X),g2(X),g3(X),g4(X),g5(X),g6(X),g7(X),g8(X),g9(X)作为适应度函数来评价粒子对应解的优劣,其值越小说明粒子对应的解越好,其表达式分别为:
λ1,λ2,λ3,λ4,λ5,λ6,λ7,λ8,λ9—加权系数,取值范围为0至1;
需要说明的是,公式(1)中各个适应度函数的第一项用于评估指标的平均值水平,第二项用于评估指标的均匀性,且需要保证各项分式中的分母不为零;
同时给出适应度函数的约束条件为:
(h)粒子群初始化,定义初始种群粒子个数m,粒子位置最小值和最大值分别为和设定粒子运动最大速度Vmax,将最大迭代次数tmax作为寻优终止条件;随机产生m 个粒子的初始位置Xj(0)(j=1,2,…,m)和初始速度Vj(0)(j=1,2,…,m),定义在第t次迭代后第j个粒子所记忆的最好位置为个体极值Pj(t),第t次迭代后整个群体记忆的最好位置为全局极值G(t),令个体极值初始值Pj(0)=Xj(0),则可求得全局极值初始值G(0)=argmin{g(P1(0)),…,g(Pj(0)),…,g(Pm(0))},并令当前迭代次数 t=0;
进一步地,初始种群粒子个数为100~200。
进一步地,粒子运动最大速度满足0.1×(Xmax-Xmin)≤Vmax≤0.2×(Xmax-Xmin)。
(i)进行从t=1到t=tmax的迭代循环,设定动态学习因子c1=2/(1+t0.25)和 c2=t/tmax的值,并在每一次迭代中利用公式(3)计算更新每个粒子的位置Xj(t)和速度Vj(t);
式中,r(t),r1(t),r2(t)—[0,1]范围内的均匀随机数;
μ—第t-1次迭代后全部粒子的适应度的均值;
E(g2)一种群适应度值的二阶原点矩;
需要说明的是,当Xj(t)超过最大位置Xmax或最小位置Xmin,需对其进行边界条件处理,在其约束范围内随机产生一个数值代替;
(j)判断公式(2)中的约束条件是否成立?若成立,则直接转入步骤(k),若不成立,则转入步骤(i);
(k)利用公式(3)计算每个粒子的适应度值,再利用公式(4)确定在每个t值上每个粒子的个体极值Pj(t),并利用公式(5)求所有粒子的全局极值G(t),转入步骤(l);
G(t)=arg min{g(P1(t)),…,g(Pj(t)),…,g(Pm(t))} (5);
(l)判断算法是否满足终止条件t≥tmax,若满足,则寻优终止,将G(t)代入适应度函数所得结果即为最优值;否则,t=t+1,转入步骤(i);
(m)利用步骤(h)~步骤(l)分别求出每个适应度函数的最优值y0(q),由各适应度函数的最优值组成的序列作为基准矢量序列Y0={y0(q)|q=1,2,…,9};
(n)求出每个粒子形成的目标矢量的关联度,通过公式(6)计算基准矢量序列和个体目标矢量序列之间的关联度γ(Y0,Yjs),选取迄今为止使关联度最大的粒子作为个体极值Pj(t),通过公式(7)计算基准矢量序列和全局目标矢量序列之间的关联度γ(Y0,Ygs),选取使关联度最大的粒子作为种群中的全局极值G(t);
式中,Yjs—个体目标矢量序列,将单个粒子j代入适应度函数中,把该粒子每一次飞行过程中由适应度函数值yjs(q)所形成的目标矢量作为个体目标矢量序列Yjs={yjs(q)|q=1,2,…,9,s=1,2,…,m};
Ygs—全局目标矢量序列,将某一时刻空间中飞行的全部粒子分别代入适应度函数中,把此过程中由适应度函数值ygs(q)形成的目标矢量作为全局目标矢量序列Ygs={ygs(q)|q=1,2,…,9,s=1,2,…,m};
ξ—分辨系数,通常取0.5,用于调整比较环境的大小;
(o)重复步骤(i)和步骤(n),直至得到多目标问题的全局最优解,即得到提高激光选区熔化零部件成形质量与力学性能的最佳工艺条件组合。
本发明与现有技术相比具有如下优点和效果:
与现有技术相比,本发明实现了激光选区熔化零部件成形与后处理工艺的协同控制,有效降低零部件表面与内部结构缺陷及其残余应力,大幅提高零部件成形质量与力学性能。主要存在以下优势:(1)在原有设备上仅需增加必要的压力传感器、激振装置、液氮罐和阀门即可实现铺粉压力可控、振动清粉、低温+振动处理、高温+振动处理等工艺操作,具有投入少、成本低的优点,为开发新型多功能一体化快速激光成形设备提供新理念;(2)对成形(在传统基础上增加铺粉压力可控、振动清粉)与后处理(低温+振动处理、高温+振动处理)工艺对零部件成形质量与力学性能作用效果进行系统的、全面的评价,解决了传统效果评价标准及评价方法较单一的问题,为研究与制定增材制造相关标准提供重要参考依据;(3)优化过程所用的灰色关联度与粒子群算法的结合是将进化计算和灰色理论思想融合在一起,利用灰色关联度分析,选择接近程度高的粒子作为指导种群飞行的全局极值和个体极值,保证了在不失去多目标函数特性的情况下,仍可找到最满意解,简单快速,还避免了粒子群算法易于陷入局部最优解的可能性;(4)综合考虑激光选区熔化成形工艺与后处理工艺之间的协同关系以及两者工艺参数之间的交互耦合作用,基于改进智能优化算法科学的、高效的、准确的寻求最佳工艺条件,避免依靠传统制造经验制定工艺参数的盲目性,大幅提高激光选区熔化零部件成形质量与力学性能,充分发挥了增材制造后处理的技术优势,对于后处理在增材制造的串行生产应用具有重大意义,促进增材制造技术的进一步推广与应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为提高激光选区熔化零部件质量性能的工艺条件设计方法总流程图;
图2为实施例中提高激光选区熔化TC4钛合金(Ti-6Al-4V)成形件成形质量与力学性能的工艺设备结构示意图;
其中:1-成形腔;2-粉末缸隔热伸缩挡板;3-保护气出口阀门;4-真空泵; 5-真空泵阀门;6-粉料缸;7-刮刀;8-耐高低温耐震压力传感器;9-激振装置; 10-基板;11-成形件;12-成形缸;13-成形缸隔热伸缩挡板;14-氩气瓶;15-氩气瓶阀门;16-液氮罐;17-液氮罐阀门;18-保护镜;19-扫描振镜;20-激光束; 21-光纤激光器;22-计算机控制系统;23-加热组件。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚,下面将结合本发明实施方式中的附图,对本发明实施方式中的技术方案进行清楚、完整地描述,但是,本发明可以以许多不同的形式来实现,显然,所描述的实施方式是本发明一部分实施方式,而不是全部的实施方式。因此,以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施方式,相反地,提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。基于本发明中的实施方式,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式,都属于本发明保护的范围。
除非另有定义,本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在以下实施例中未做具体说明的部分,均为本领域技术人员所公知的现有技术,在此不进行赘述。
本实施例选用激光选区熔化TC4钛合金(Ti-6Al-4V)成形件作为试验对象,通过旋转电极法制备粉末,粉末粒度为15~53μm,惰性气体为氩气,氧含量不大于500ppm。
提高激光选区熔化零部件质量性能的工艺条件设计方法,包括以下步骤(总流程图如图1所示):
(a)为提高铺粉均匀性与一致性,如图2所示,利用装有耐高低温耐震压力传感器8的刮刀7预先在基板10上铺设一定厚度的粉末,开启氩气瓶阀门15 和保护气出口阀门3通入氩气以保证成形腔1内氧气含量始终保持不大于 500ppm,光纤激光器21根据计算机控制系统22导入的模型参数,选择相应的工艺参数,并控制激光束20通过扫描振镜19和保护镜18后按照一定的扫描方式和路径对当前层粉末进行熔化凝固成形,设备循环工作,逐层累积形成激光选区熔化TC4钛合金(Ti-6Al-4V)成形件11;
(b)对成形件11内腔粉末进行清理,对于成形件11中难清理的密实粉末,如图2所示,可通过开启激振装置9进行振动清粉处理将密实粉末振散,使其易于脱落,达到更彻底的清粉效果,粉末也能得到更有效的回收,清粉和粉末回收完成后,关闭氩气瓶阀门15和保护气出口阀门3,展开粉末缸隔热伸缩挡板2和成形缸隔热伸缩挡板13,开启氮气罐阀门17,通入液氮使成形腔1保持恒定的低温,开启激振装置9,上述步骤宜在激光选区熔化TC4钛合金 (Ti-6Al-4V)成形件11成形后8小时内完成,之后对成形件11进行低温-振动处理,一定时间后关闭激振装置9及氮气罐阀门17,成形件11采用随成形腔1 温度回升至室温,此过程可促进成形件11材料内部位错大量增殖,细化晶粒,提高致密度,消除表面及内部缺陷,提高材料综合力学性能;
(c)根据成形件11材料特性,如图2所示,选择开启真空泵阀门5并启动真空泵4进行真空热处理,选定合适的成形腔1气氛,关闭相应的阀门和设备后,即关闭真空泵阀门5和真空泵4后,开启加热组件23使成形腔1保持恒定的高温,同时开启激振装置9,上述步骤宜在激光选区熔化TC4钛合金 (Ti-6Al-4V)成形件11成形后18小时内完成,之后对成形件11进行高温-振动处理,一定时间后关闭激振装置9及加热组件23,成形件11采用随成形腔1冷却至室温,使成形件11材料内部位错产生剧烈的滑移与攀移运动,伴随着位错增殖与湮灭交互作用的现象,促进材料内部弹性变形能的释放,大幅消减材料内部残余应力;
(d)通过各种检测手段结合数据分析获取后处理成形件各个选定区域的屈服强度、延伸率、硬度、残余应力、粗糙度、表面缺陷损伤指数、内部缺陷损伤指数、晶粒度、致密度;
(e)在保证试验结果可靠性、有效性的前提下,重复步骤(a)至步骤(d),依据工艺参数约束范围,开展多因素多水平的正交试验,建立预测激光选区熔化TC4钛合金(Ti-6Al-4V)成形件成形质量与力学性能的BP神经网络模型,模型输入层的节点为激光功率P、光斑直径d、扫描速率v、扫描间距h、单层厚度tz、铺粉压力低温温度Tl、低温时间tl、低温-振动处理时激振装置的频率fl、振幅al、振动时间tvl、高温温度Th、高温时间th、高温-振动时激振装置的频率fh、振幅ah、振动时间tvh,根据设计经验和试验结果确定隐含层单元的数目为9层,输出层的节点依次为成形件某个特定区域i的屈服强度/>延伸率δi、硬度Hi、残余应力/>粗糙度Rai、表面缺陷损伤指数αi、内部缺陷损伤指数α′i、晶粒度Zi、致密度Ki;取正交试验结果中80%的数据用于BP神经网络模型的训练,其余20%的数据用于模型回归测试,最终得到激光选区熔化零部件成形质量与力学性能的BP神经网络预测模型;
(f)记录步骤(e)中所有正交试验结果中激光选区熔化TC4钛合金 (Ti-6Al-4V)成形件屈服强度最大值σsmax和最小值σsmin、延伸率最大值δmax和最小值δmin、硬度最大值Hmax和最小值Hmin、残余应力最大值σRSmax和最小值σRSmin、粗糙度最大值Ramax和最小值Ramin、表面缺陷损伤指数最大值αmax和最小值αmin、内部缺陷损伤指数最大值α′max和最小值α′min、晶粒度最大值Zmax和最小值Zmin、致密度最大值Kmax和最小值Kmin;
(g)结合灰色关联度和基本粒子群算法寻求最佳工艺条件组合,全面提高激光选区熔化TC4钛合金(Ti-6Al-4V)成形件成形质量与力学性能,依据公式 (1)建立各个指标(即输出层)的目标评价函数g1(X),g2(X),g3(X),g4(X),g5(X),g6(X),g7(X),g8(X),g9(X)作为适应度函数,其中,λ1=λ2=λ3=λ4=λ5=λ6=λ7=λ8=λ9=0.5,同时依据公式(2)给出适应度函数的约束条件;
(h)粒子群初始化,定义初始种群粒子个数m=100,粒子位置最小值和最大值为和设定粒子运动最大速度Vmax,其中,0.1×(Xmax-Xmin)≤Vmax≤0.2×(Xmax-Xmin),将最大迭代次数tmax=200作为寻优终止条件;随机产生m=100个粒子的初始位置 Xj(0)(j=1,2,…,100)和初始速度Vj(0)(j=1,2,…,100),定义在第t次迭代后第j个粒子所记忆的最好位置为个体极值Pj(t),第t次迭代后整个群体记忆的最好位置为全局极值G(t),令个体极值初始值Pj(0)=Xj(0),则可求得全局极值初始值 G(0)=argmin{g(P1(0)),…,g(Pj(0)),…,g(Pm(0))},并令当前迭代次数t=0;
(i)进行从t=1到t=200的迭代循环,设定动态学习因子c1=2/(1+t0.25)和 c2=t/200的值,并在每一次迭代中利用公式(3)计算更新每个粒子的位置Xj(t)和速度Vj(t);
(j)判断公式(2)中的约束条件是否成立若成立,则直接转入步骤(k),若不成立,则转入步骤(i);
(k)利用公式(3)计算每个粒子的适应度值,再利用公式(4)确定在每个t值上每个粒子的个体极值Pj(t),并利用公式(5)求所有粒子的全局极值G(t),转入步骤(l);
(l)判断算法是否满足终止条件t≥200,若满足,则寻优终止,将G(t)代入适应度函数所得结果即为最优值;否则,t=t+1,转向步骤(i);
(m)利用步骤(h)~步骤(l)分别求出每个适应度函数的最优值y0(q),由各适应度函数的最优值组成的序列作为基准矢量序列Y0={y0(q)|q=1,2,…,9};
(n)求出每个粒子形成的目标矢量的关联度,通过公式(6)计算基准矢量序列和个体目标矢量序列之间的关联度γ(Y0,Yjs),选取迄今为止使关联度最大的粒子作为个体极值Pj(t),通过公式(7)计算基准矢量序列和全局目标矢量序列之间的关联度γ(Y0,Ygs),选取使关联度最大的粒子作为种群中的全局极值G(t);
(o)重复步骤(i)和步骤(n),直至得到多目标问题的全局最优解,即得到提高激光选区熔化TC4钛合金(Ti-6Al-4V)成形件成形质量与力学性能的最佳工艺条件组合,主要包括:激光功率Py=200W、光斑直径dy=0.07mm、扫描速率vy=900mm/s、扫描间距hy=0.055mm、单层厚度tzy=40μm、铺粉压力 py=19N、低温温度Tly=-140℃、低温时间tly=4h、低温-振动处理时激振装置的频率fly=80Hz、振幅aly=200μm、振动时间tvly=20min、高温温度Thy=280℃、高温时间thy=2h、高温-振动时激振装置的频率fhy=80Hz、振幅ahy=280μm、振动时间 tvhy=20min。
需要说明的是,本发明优化的工艺参数为激光功率、光斑直径、扫描速率、扫描间距、单层厚度、铺粉压力、低温温度、低温时间、低温-振动处理时激振装置的频率、振幅、振动时间、高温温度、高温时间、高温-振动时激振装置的频率、振幅、振动时间,为了快速有效的实现提高激光选区熔化零部件成形质量与力学性能,可根据实际需求酌情予以适当增添或删减某个或某些工艺参数,只需在本发明提出的优化模型基础上稍加改进即可。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:包括以下步骤:
(a)为提高铺粉均匀性与一致性,利用装有耐高低温耐震压力传感器的刮刀预先在基板上铺设一定厚度的粉末,开启氩气瓶阀门和保护气出口阀门通入氩气以保证成形腔内氧气含量始终保持在极低的范围内,光纤激光器根据计算机控制系统导入的模型参数,选择相应的工艺参数,并控制激光束通过扫描振镜和保护镜后按照一定的扫描方式和路径对当前层粉末进行熔化凝固成形,设备循环工作,逐层累积形成成形件;
(b)对成形件内腔粉末进行清理,对于成形件中难清理的密实粉末,通过开启激振装置进行振动清粉处理将密实粉末振散,使其易于脱落,达到更彻底的清粉效果,粉末也能得到更有效的回收,清粉和粉末回收完成后,关闭氩气瓶阀门和保护气出口阀门,展开粉末缸隔热伸缩挡板和成形缸隔热伸缩挡板,开启氮气罐阀门,通入液氮使成形腔保持恒定的低温,开启激振装置,之后对成形件进行低温-振动处理,一定时间后关闭激振装置及氮气罐阀门,成形件温度回升至室温,此过程可促进成形件材料内部位错大量增殖,细化晶粒,提高致密度,消除表面及内部缺陷,提高材料综合力学性能;
(c)根据成形件材料特性,选择直接进行空气气氛热处理,或开启氩气瓶阀门进行惰性气氛保护热处理,或开启真空泵阀门并启动真空泵进行真空热处理,选定合适的成形腔气氛,关闭相应的阀门和设备后,即关闭氩气瓶阀门后,或关闭真空泵阀门和真空泵后,开启加热组件使成形腔保持恒定的高温,同时开启激振装置,之后对成形件进行高温-振动处理,一定时间后关闭激振装置及加热组件,成形件冷却至室温,使成形件材料内部位错产生剧烈的滑移与攀移运动,伴随着位错增殖与湮灭交互作用的现象,促进材料内部弹性变形能的释放,大幅消减材料内部残余应力;
(d)通过各种检测手段结合数据分析获取后处理成形件各个选定区域的屈服强度、延伸率、硬度、残余应力、粗糙度、表面缺陷损伤指数、内部缺陷损伤指数、晶粒度、致密度;
(e)在保证试验结果可靠性、有效性的前提下,重复步骤(a)至步骤(d),依据工艺参数约束范围,开展多因素多水平的正交试验,建立预测激光选区熔化零部件成形质量与力学性能的BP神经网络模型,模型输入层的节点为激光功率P、光斑直径d、扫描速率v、扫描间距h、单层厚度tz、铺粉压力低温温度Tl、低温时间tl、低温-振动处理时激振装置的频率fl、振幅al、振动时间tvl、高温温度Th、高温时间th、高温-振动时激振装置的频率fh、振幅ah、振动时间tvh,根据设计经验和试验结果确定隐含层单元的数目,输出层的节点依次为成形件某个特定区域i的屈服强度/>延伸率δi、硬度Hi、残余应力/>粗糙度Rai、表面缺陷损伤指数αi、内部缺陷损伤指数α′i、晶粒度Zi、致密度Ki;其中/>式中,n和n′分别为表面和内部的缺陷数量,S和S′分别为表面和内部缺陷的等效面积,d为缺陷中心距最近表面的距离;取正交试验结果中80%的数据用于BP神经网络模型的训练,其余20%的数据用于模型回归测试,最终得到激光选区熔化零部件成形质量与力学性能的BP神经网络预测模型;
(f)记录步骤(e)中所有正交试验结果中成形件屈服强度最大值σsmax和最小值σsmin、延伸率最大值δmax和最小值δmin、硬度最大值Hmax和最小值Hmin、残余应力最大值σRSmax和最小值σRSmin、粗糙度最大值Ramax和最小值Ramin、表面缺陷损伤指数最大值αmax和最小值αmin、内部缺陷损伤指数最大值α′max和最小值α′min、晶粒度最大值Zmax和最小值Zmin、致密度最大值Kmax和最小值Kmin;
(g)结合灰色关联度和基本粒子群算法寻求最佳工艺条件组合,全面提高激光选区熔化零部件成形质量与力学性能,建立各个指标即输出层的目标评价函数g1(X),g2(X),g3(X),g4(X),g5(X),g6(X),g7(X),g8(X),g9(X)作为适应度函数来评价粒子对应解的优劣,其值越小说明粒子对应的解越好,其表达式分别为:
λ1,λ2,λ3,λ4,λ5,λ6,λ7,λ8,λ9—加权系数,取值范围为0至1;
需要说明的是,公式(1)中各个适应度函数的第一项用于评估指标的平均值水平,第二项用于评估指标的均匀性,且需要保证各项分式中的分母不为零;
同时给出适应度函数的约束条件为:
(h)粒子群初始化,定义初始种群粒子个数m,粒子位置最小值和最大值分别为和设定粒子运动最大速度Vmax,将最大迭代次数tmax作为寻优终止条件;随机产生m个粒子的初始位置Xj(0),j=1,2,…,m和初始速度Vj(0),j=1,2,…,m,定义在第t次迭代后第j个粒子所记忆的最好位置为个体极值Pj(t),第t次迭代后整个群体记忆的最好位置为全局极值G(t),令个体极值初始值Pj(0)=Xj(0),则可求得全局极值初始值G(0)=argmin{g(P1(0)),…,g(Pj(0)),…,g(Pm(0))},并令当前迭代次数t=0;
(i)进行从t=1到t=tmax的迭代循环,设定动态学习因子c1=2/(1+t0.25)和c2=t/tmax的值,并在每一次迭代中利用公式(3)计算更新每个粒子的位置Xj(t)和速度Vj(t);
式中,r(t),r1(t),r2(t)—[0,1]范围内的均匀随机数;
μ—第t-1次迭代后全部粒子的适应度的均值;
E(g2)—种群适应度值的二阶原点矩;
需要说明的是,当Xj(t)超过最大位置Xmax或最小位置Xmin,需对其进行边界条件处理,即在其约束范围内随机产生一个数值代替;
(j)判断公式(2)中的约束条件是否成立,若成立,则直接转入步骤(k),若不成立,则转入步骤(i);
(k)利用公式(3)计算每个粒子的适应度值,再利用公式(4)确定在每个t值上每个粒子的个体极值Pj(t),并利用公式(5)求所有粒子的全局极值G(t),转入步骤(l);
G(t)=argmin{g(P1(t)),…,g(Pj(t)),…,g(Pm(t))} (5);
(l)判断算法是否满足终止条件t≥tmax,若满足,则寻优终止,将G(t)代入适应度函数所得结果即为最优值;否则,t=t+1,转入步骤(i);
(m)利用步骤(h)~步骤(l)分别求出每个适应度函数的最优值y0(q),由各适应度函数的最优值组成的序列作为基准矢量序列Y0={y0(q)|q=1,2,…,9};
(n)求出每个粒子形成的目标矢量的关联度,通过公式(6)计算基准矢量序列和个体目标矢量序列之间的关联度γ(Y0,Yjs),选取迄今为止使关联度最大的粒子作为个体极值Pj(t),通过公式(7)计算基准矢量序列和全局目标矢量序列之间的关联度γ(Y0,Ygs),选取使关联度最大的粒子作为种群中的全局极值G(t);
式中,Yjs—个体目标矢量序列,将单个粒子j代入适应度函数中,把该粒子每一次飞行过程中由适应度函数值yjs(q)所形成的目标矢量作为个体目标矢量序列Yjs={yjs(q)|q=1,2,...,9,s=1,2,...,m};
Ygs—全局目标矢量序列,将某一时刻空间中飞行的全部粒子分别代入适应度函数中,把此过程中由适应度函数值ygs(q)形成的目标矢量作为全局目标矢量序列Ygs={ygs(q)|q=1,2,...,9,s=1,2,...,m};
ξ—分辨系数,通常取0.5,用于调整比较环境的大小;
(o)重复步骤(i)和步骤(n),直至得到多目标问题的全局最优解,即得到提高激光选区熔化零部件成形质量与力学性能的最佳工艺条件组合。
2.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:对于步骤(a)所述的成形件宜在8小时内进行步骤(b)中所述的低温-振动处理。
3.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:在步骤(b)中所述的低温-振动处理结束后,成形件采用出成形腔温度回升或随成形腔温度回升,但均须保证成形件回升到室温才可进行后续处理。
4.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:对于步骤(a)所述的成形件宜在18小时内进行步骤(c)中所述的高温-振动处理。
5.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:在步骤(c)中所述的高温-振动处理结束后,成形件采用出成形腔冷却或随成形腔冷却,出成形腔冷却采用空冷、风冷、淬火。
6.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:在步骤(e)中所述的工艺参数约束范围包括:激光功率最大值Pmax和最小值Pmin、光斑直径最大值dmax和最小值dmin、扫描速率最大值vmax和最小值vmin、扫描间距最大值hmax和最小值hmin、单层厚度最大值tzmax和最小值tzmin、铺粉压力最大值和最小值/>低温温度最大值Tlmax和最小值Tlmin、低温时间最大值tlmax和最小值tlmin、低温-振动处理时激振装置的频率最大值flmax和最小值flmin、振幅最大值almax和最小值almin、振动时间最大值tvlmax和最小值tvlmin、高温温度最大值Thmax和最小值Thmin、高温时间最大值thmax和最小值thmin、高温-振动时激振装置的频率最大值fhmax和最小值fhmin、振幅最大值ahmax和最小值ahmin、振动时间最大值tvhmax和最小值tvhmin。
7.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:在步骤(e)中所述的隐含层单元的数目为4~15。
8.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:在步骤(h)中所述的初始种群粒子个数为100~200。
9.根据权利要求1所述的提高激光选区熔化零部件质量性能的工艺条件设计方法,其特征在于:在步骤(h)中所述的粒子运动最大速度满足0.1×(Xmax-Xmin)≤Vmax≤0.2×(Xmax-Xmin)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211385156.7A CN115659830B (zh) | 2022-11-07 | 2022-11-07 | 提高激光选区熔化零部件质量性能的工艺条件设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211385156.7A CN115659830B (zh) | 2022-11-07 | 2022-11-07 | 提高激光选区熔化零部件质量性能的工艺条件设计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659830A CN115659830A (zh) | 2023-01-31 |
CN115659830B true CN115659830B (zh) | 2023-05-23 |
Family
ID=85015180
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211385156.7A Active CN115659830B (zh) | 2022-11-07 | 2022-11-07 | 提高激光选区熔化零部件质量性能的工艺条件设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659830B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116680962B (zh) * | 2023-08-01 | 2023-10-17 | 北京理工大学 | 选区激光熔化技术下成形件表面质量及残余应力预测方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642220A (zh) * | 2021-08-26 | 2021-11-12 | 江苏科技大学 | 一种基于rbf与mopso的船舶焊接工艺优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3671373A1 (de) * | 2018-12-19 | 2020-06-24 | Bystronic Laser AG | Prognoseverfahren zur prognose eines bearbeitungsergebnisses für ein laserbearbeitungsverfahren |
US11487271B2 (en) * | 2019-04-23 | 2022-11-01 | Dassault Systemes Simulia Corp. | Machine learning with fast feature generation for selective laser melting print parameter optimization |
CN114511682B (zh) * | 2022-04-19 | 2022-07-15 | 清华大学 | 一种基于激光雷达的三维场景重建方法、装置及电子设备 |
-
2022
- 2022-11-07 CN CN202211385156.7A patent/CN115659830B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642220A (zh) * | 2021-08-26 | 2021-11-12 | 江苏科技大学 | 一种基于rbf与mopso的船舶焊接工艺优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115659830A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Influences of pulse laser parameters on properties of AISI316L stainless steel thin-walled part by laser material deposition | |
Amine et al. | An investigation of the effect of direct metal deposition parameters on the characteristics of the deposited layers | |
Majeed et al. | Investigation of T4 and T6 heat treatment influences on relative density and porosity of AlSi10Mg alloy components manufactured by SLM | |
Stephenson et al. | Effect of scanning strategy on variant selection in additively manufactured Ti-6Al-4V | |
Wu et al. | Process parameter optimization and EBSD analysis of Ni60A-25% WC laser cladding | |
CN115659830B (zh) | 提高激光选区熔化零部件质量性能的工艺条件设计方法 | |
Ai et al. | A defect-responsive optimization method for the fiber laser butt welding of dissimilar materials | |
CN115685881B (zh) | 基于计算智能的低应力高精度电弧增材工艺控制方法 | |
Bi et al. | Beam shaping technology and its application in metal laser additive manufacturing: a review | |
Moradi et al. | Direct laser metal deposition (DLMD) additive manufacturing (AM) of Inconel 718 superalloy: Elemental, microstructural and physical properties evaluation | |
CN112974845A (zh) | 一种金属构件非连续式激光增材制造方法 | |
Mazzarisi et al. | Thermal monitoring of laser metal deposition strategies using infrared thermography | |
Peng et al. | A review of in situ defect detection and monitoring technologies in selective laser melting | |
Du et al. | Multi-parameter optimization of laser cladding 15-5PH Using TOPSIS-GRA based on combined weighting method | |
Singh et al. | Modelling of direct metal laser sintering of EOS DM20 bronze using neural networks and genetic algorithms | |
Xia et al. | Effects of circular oscillating laser on microstructure and mechanical property of nickel-based superalloy by laser melting deposition | |
АДЖАМСЬКИЙ et al. | Influence of SLM-process parameters on the formation of the boundaries of parts of heat-resistant nickel alloy Inconel 718 | |
Vinod et al. | A novel technique for reducing lead-time and energy consumption in fabrication of Inconel-625 parts by laser-based metal deposition process | |
Adjamsky et al. | Improving the efficiency of the SLM-process by adjusting the focal spot diameter of the laser beam | |
Lian et al. | The forming quality of Tungsten-Carbide coatings synthesized in situ by laser remelting | |
Yang et al. | Process optimization and quality prediction of laser aided additive manufacturing SS 420 based on RSM and WOA-Bi-LSTM | |
CN116611322A (zh) | 基于近球形粉末的钛基制件增材制造工艺参数的逆向设计方法 | |
CN113059184B (zh) | 锭坯喷射成形工艺参数优化方法 | |
Pandiyan et al. | Monitoring of Laser Powder Bed Fusion process by bridging dissimilar process maps using deep learning-based domain adaptation on acoustic emissions | |
Zhou et al. | Optimization analysis of track comprehensive quality in micro-plasma cladding process |
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 |