CN116502455A - 一种激光选区熔化技术的工艺参数确定方法及系统 - Google Patents
一种激光选区熔化技术的工艺参数确定方法及系统 Download PDFInfo
- Publication number
- CN116502455A CN116502455A CN202310523747.4A CN202310523747A CN116502455A CN 116502455 A CN116502455 A CN 116502455A CN 202310523747 A CN202310523747 A CN 202310523747A CN 116502455 A CN116502455 A CN 116502455A
- Authority
- CN
- China
- Prior art keywords
- dominant
- current iteration
- parameters
- optimal
- population under
- 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
- 238000000034 method Methods 0.000 title claims abstract description 115
- 230000008569 process Effects 0.000 title claims abstract description 87
- 238000002844 melting Methods 0.000 title claims abstract description 36
- 230000008018 melting Effects 0.000 title claims abstract description 36
- 238000005516 engineering process Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 37
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 239000002184 metal Substances 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 40
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000000843 powder Substances 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 abstract description 5
- 230000000996 additive effect Effects 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 241000282421 Canidae Species 0.000 description 18
- 241000282461 Canis lupus Species 0.000 description 14
- 239000013598 vector Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 4
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Classifications
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明公开一种激光选区熔化技术的工艺参数确定方法及系统，涉及增材制造领域的激光选区熔化技术领域。所述方法包括根据初始数据集对SVR模型进行训练和测试得到力学性能预测模型；采用GWO算法对SVR模型中的超参数进行优化得到超参数的最优解；将超参数的最优解带入力学性能预测模型得到最佳力学性能预测模型；计算每组工艺参数的SHAP值；以最佳力学性能预测模型为目标函数，根据初始数据集以及每组工艺参数的SHAP值确定约束条件，构建多目标优化模型；采用NSGA‑Ⅱ算法对多目标优化模型进行求解得到最优工艺参数。本发明可精确确定激光选区熔化技术的工艺参数，以使金属零部件的力学性能更加符合需求。
Description
技术领域
本发明涉及增材制造领域的激光选区熔化技术领域，特别是涉及一种激光选区熔化技术的工艺参数确定方法及系统。
背景技术
激光选区熔化技术是一种针对结构复杂金属部件的先进制造技术，它主要利用激光沿规划路径进行单点扫描，逐层铺粉，逐层重叠，实现金属结构的净成形，从而制造出高机械性能的零件，在航空航天及医药领域有着很高的应用前景。
激光选区熔化技术成形的金属零部件，是基于建模且设定好工艺参数的文件进行的智能化打印，所以工艺参数对于成形的金属零部件的力学性能而言，关联性是极高的。不适宜的工艺参数往往会产生各类组织缺陷或残余应力导致成品力学性能不佳。以往的工艺参数的优化选择，基本是通过人工经验或者相关计算公式推演得到的，这样的措施虽然对于试错的成本降低有着一定的帮助，但是推演的过程相对来说计算较为复杂，时间偏长。且部分依赖于人工已有的经验进行感性的判断，导致所能够确定的范围可信度难以令人满意。因此，实现较为精确地预测力学性能与工艺参数优化来得到高强度高塑性的金属零部件是当前亟需解决的技术问题。
发明内容
本发明的目的是提供一种激光选区熔化技术的工艺参数确定方法及系统，可精确确定激光选区熔化技术的工艺参数，以使金属零部件的力学性能更加符合需求。
为实现上述目的，本发明提供了如下方案：
一种激光选区熔化技术的工艺参数确定方法，包括：
获取初始数据集，所述初始数据集包括多组样本；所述样本包括激光选区熔化技术的一组工艺参数以及在所述工艺参数下的金属零部件的一组力学性能；一组工艺参数包括粉末粒径、光斑尺寸、激光功率、扫描速度、扫描间距和层厚；一组力学性能包括极限抗拉强度、屈服强度、硬度、疲劳寿命和延伸率；
根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型；
采用GWO算法对所述SVR模型中的超参数进行优化得到超参数的最优解；所述超参数包括惩罚系数、损失系数和核函数；
将所述超参数的最优解带入所述力学性能预测模型得到最佳力学性能预测模型；
计算每组工艺参数的SHAP值；
以所述最佳力学性能预测模型为目标函数，根据所述初始数据集以及每组工艺参数的SHAP值确定约束条件，构建多目标优化模型；
采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数。
可选的，所述根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型，具体包括：
对所述初始数据集进行异常值检测，得到异常值；
将所述异常值从所述初始数据集中剔除得到筛选数据集；
对所述筛选数据集中的数据进行数据标准化处理得到处理后的数据集；
将所述处理后的数据集按照设定比例分为训练集和测试集；
采用所述训练集对所述SVR模型进行训练得到训练后的SVR模型；
采用测试集对所述训练后的SVR模型进行测试得到力学性能预测模型。
可选的，所述采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数，具体包括：
在当前迭代次数下，对当前迭代次数下的父代种群进行交叉、变异和选择操作得到当前迭代次数下的子代种群；初始的父代种群为根据所述多目标优化模型得到的一组工艺参数值；初始的子代种群为对所述初始的父代种群进行快速非支配排序以及交叉、变异和选择操作得到的；
将当前迭代次数下的父代种群和当前迭代次数下的子代种群进行合并得到当前迭代次数下的合并种群；
对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群；
判断是否满足终止条件；
若不满足，则更新迭代次数进入下次迭代；
若满足，则将所述下一迭代次数下的父代种群确定最优工艺参数。
可选的，所述对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群，具体包括：
对所述当前迭代次数下的合并种群进行快速非支配排序得到非支配集；
将所述非支配集中的元素按照从大到小的顺序排列得到排序非支配集；
将所述排序非支配集中的第一个元素加入所述当前迭代次数下的父代种群，得到当前迭代次数下的新种群并更新排序非支配集；
判断当前迭代次数下的新种群的元素是否达到设定值；
若达到设定值，则对排序非支配集进拥挤度计算，根据拥挤度对当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群；
若没有达到设定值，则根据所述排序非支配集对所述当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
一种激光选区熔化技术的工艺参数确定系统，包括：
获取模块，用于获取初始数据集，所述初始数据集包括多组样本；所述样本包括激光选区熔化技术的一组工艺参数以及在所述工艺参数下的金属零部件的一组力学性能；一组工艺参数包括粉末粒径、光斑尺寸、激光功率、扫描速度、扫描间距和层厚；一组力学性能包括极限抗拉强度、屈服强度、硬度、疲劳寿命和延伸率；
SVR模型训练模块，用于根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型；
超参数最优解计算模块，用于采用GWO算法对所述SVR模型中的超参数进行优化得到超参数的最优解；所述超参数包括惩罚系数、损失系数和核函数；
最佳力学性能预测模型确定模块，用于将所述超参数的最优解带入所述力学性能预测模型得到最佳力学性能预测模型；
SHAP值计算模块，用于计算每组工艺参数的SHAP值；
多目标优化模型构建模块，用于以所述最佳力学性能预测模型为目标函数，根据所述初始数据集以及每组工艺参数的SHAP值确定约束条件，构建多目标优化模型；
最优工艺参数计算模块，用于采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数。
可选的，所述SVR模型训练模块，具体包括：
异常值计算单元，用于对所述初始数据集进行异常值检测，得到异常值；
剔除单元，用于将所述异常值从所述初始数据集中剔除得到筛选数据集；
标准化处理单元，用于对所述筛选数据集中的数据进行数据标准化处理得到处理后的数据集；
划分单元，用于将所述处理后的数据集按照设定比例分为训练集和测试集；
训练单元，用于采用所述训练集对所述SVR模型进行训练得到训练后的SVR模型；
测试单元，用于采用测试集对所述训练后的SVR模型进行测试得到力学性能预测模型。
可选的，所述最优工艺参数计算模块，具体包括：
子代种群计算单元，用于在当前迭代次数下，对当前迭代次数下的父代种群进行交叉、变异和选择操作得到当前迭代次数下的子代种群；初始的父代种群为根据所述多目标优化模型得到的一组工艺参数值；初始的子代种群为对所述初始的父代种群进行快速非支配排序以及交叉、变异和选择操作得到的；
合并种群计算单元，用于将当前迭代次数下的父代种群和当前迭代次数下的子代种群进行合并得到当前迭代次数下的合并种群；
父代种群更新单元，用于对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群；
判断单元，用于判断是否满足迭代停止条件；
更新迭代单元，用于若不满足，则更新迭代次数进入下次迭代；
最优工艺参数确定单元，用于若满足，则将所述下一迭代次数下的父代种群确定最优工艺参数。
可选的，所述父代种群更新单元，具体包括：
快速非支配排序子单元，用于对所述当前迭代次数下的合并种群进行快速非支配排序得到非支配集；
排序子单元，用于将所述非支配集中的元素按照从大到小的顺序排列得到排序非支配集；
更新子单元，用于将所述排序非支配集中的第一个元素加入所述当前迭代次数下的父代种群，得到当前迭代次数下的新种群并更新排序非支配集；
判断子单元，用于判断当前迭代次数下的新种群的元素是否达到设定值；
拥挤度计算子单元，用于若达到设定值，则对排序非支配集进拥挤度计算，根据拥挤度对当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群；
父代种群更新子单元，用于若没有达到设定值，则根据所述排序非支配集对所述当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过采用SVR算法构建力学性能预测模型，采用GWO算法对力学性能预测模型的超参数进行优化得到最佳力学性能预测模型，采用NSGA-Ⅱ算法对最佳力学性能预测模型进行求解得到最优工艺参数，相比现有基于人工经验或者相关计算公式推演得到工艺参数相比，得到的工艺参数更加精确。
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，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的激光选区熔化技术的工艺参数确定方法的流程图；
图2为本发明实施例提供的激光选区熔化技术的工艺参数确定方法的更具体的流程图；
图3为本发明实施例提供的GWO优化SVR预测模型的流程图；
图4为实施例提供的采用NSGA-Ⅱ算法对多目标优化模型进行求解得到最优工艺参数的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明实施例提供了一种激光选区熔化技术的工艺参数确定方法，包括：
步骤101：获取初始数据集，所述初始数据集包括多组样本；所述样本包括激光选区熔化技术的一组工艺参数以及在所述工艺参数下的金属零部件的一组力学性能；一组工艺参数包括粉末粒径、光斑尺寸、激光功率、扫描速度、扫描间距和层厚，他们统称为工艺参数的特征变量；一组力学性能包括极限抗拉强度、屈服强度、硬度、疲劳寿命和延伸率。
步骤102：根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型。具体为，以工艺参数为输入以力学性能为输出对SVR模型进行训练和测试得到力学性能预测模型。
步骤103：采用GWO算法对所述SVR模型中的超参数进行优化得到超参数的最优解。所述超参数包括惩罚系数、损失系数和核函数。
步骤104：将所述超参数的最优解带入所述力学性能预测模型得到最佳力学性能预测模型。
步骤105：计算每组工艺参数的SHAP值。
步骤106：以所述最佳力学性能预测模型为目标函数，根据所述初始数据集以及每组工艺参数的SHAP值确定约束条件，构建多目标优化模型。
步骤107：采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数。
在实际应用中，所述根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型，具体包括：
对所述初始数据集进行异常值检测，得到异常值。
将所述异常值从所述初始数据集中剔除得到筛选数据集。
对所述筛选数据集中的数据进行数据标准化处理得到处理后的数据集。
将所述处理后的数据集按照设定比例分为训练集和测试集。
采用所述训练集对所述SVR模型进行训练得到训练后的SVR模型。
采用测试集对所述训练后的SVR模型进行测试得到力学性能预测模型。
在实际应用中，所述采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数，具体包括：
在当前迭代次数下，对当前迭代次数下的父代种群进行交叉、变异和选择操作得到当前迭代次数下的子代种群；初始的父代种群为根据所述多目标优化模型得到的一组工艺参数值；初始的子代种群为对所述初始的父代种群进行快速非支配排序以及交叉、变异和选择操作得到的。
将当前迭代次数下的父代种群和当前迭代次数下的子代种群进行合并得到当前迭代次数下的合并种群。
对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群。
判断是否满足终止条件。
若不满足，则更新迭代次数进入下次迭代。
若满足，则将所述下一迭代次数下的父代种群确定最优工艺参数。
在实际应用中，所述对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群，具体包括：
对所述当前迭代次数下的合并种群进行快速非支配排序得到非支配集。
将所述非支配集中的元素按照从大到小的顺序排列得到排序非支配集。
将所述排序非支配集中的第一个元素加入所述当前迭代次数下的父代种群，得到当前迭代次数下的新种群并更新排序非支配集。
判断当前迭代次数下的新种群的元素是否达到设定值。
若达到设定值，则对排序非支配集进拥挤度计算，根据拥挤度对当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
若没有达到设定值，则根据所述排序非支配集对所述当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
本发明提供了一种更具体的实施例对上述方法进行详细介绍，具体步骤如图2所示，包括：
S1：获取激光选区熔化的工艺参数与目标性能的数据。
记录多组样本组成初始数据集A，每组样本包括激光选区熔化技术成形的金属零部件的工艺参数Xi以及对应的力学性能yi，将初始数据集A＝(X，y)中激光选区熔化技术的工艺参数作为特征参数集X，将数据中对应的金属零部件的力学性能作为标签集y，其中，X＝{X1,…,Xi,…,Xm}，y＝{y1,…,yi,…,ym}，Xi＝{Xi1,…,Xik,…,Xin},i＝1,2,…,m，Xik是第i组样本的工艺参数中的第k个特征变量，yi是第i组样本对应的标签值，n是特征的维度，样本量m不低于40。
S2：数据集拆分，异常值检测与标准化处理。
S2.1：异常值检测。将S1中所得到的数据集A使用K近邻算法进行异常值的检测并剔除，K近邻算法使用到k个邻居的距离的平均值作为指标来评判数据是否为异常值，采用欧氏距离进行度量，数据Xi与Xj之间的欧氏距离dij计算公式如下：
其中，Xik与Xjk分别代表第i组样本的工艺参数的第k个特征变量和第j组样本的工艺参数的第k个特征变量。
S2.2：数据标准化。选用z-score对数据进行标准化，z-score标准化的原理公式如下：
其中，z为数据X标准化后的值，μ为平均值，σ为标准差。
S2.3：数据集划分。随机地将数据集用合理的比例(7～9)：(3～1)随机划分为训练集和测试集。其中，训练集用于进行力学性能预测模型的训练，测试集则用于测试所构成模型的精确度。将决定系数R2作为评估指标。如下式：
其中，为第i组样本中力学性能的预测结果，yi为第i组样本中力学性能的真实值，而/>为第i组样本中标签值的平均值，n是特征维度。
S3：使用支持向量回归算法(Support Vector regression，SVR)构建工艺参数与力学性能的预测模型。
本发明通过SVR构建力学性能预测模型，在使用SVR进行力学性能预测模型构建时，其回归函数为：
其中，w表示权重，b表示偏重，表示将x映射到高维特征空间后的特征向量。
SVR需要使得到达超平面最远的样本的“距离”最小，所以引入松弛变量ξi和其函数表达式可以转化为：
s.t.g(xi)-yi≤ε+ξi,
yi-g(xi)≤ε+ξi,
其中，C为惩罚系数，ε为不敏感损失系数。
引入拉格朗日乘子，将上式转化为凸优化问题，得到其对偶形式：
其中，ai、aj和/>均为拉格朗日乘子，K(xi,xj)是高斯径向基(RBF)核函数其表达式如下：
上式中，σ是核函数参数。
进一步我们可以得到SVR回归模型的公式：
S4：使用灰狼优化算法(Grey Wolf Optimizer，GWO)确定SVR的内部参数得到最优模型。
此过程为现有技术，如图3所示，在初步构建了基于SVR的力学性能预测模型之后，选取SVR的惩罚系数C、损失系数ε和核函数参数σ的适当取值范围后，利用GWO算法不断迭代对这三个超参数进行最优选择，每个灰狼个体的位置对应SVR这些超参数(C,ε,σ)的一组候选解，故种群维度为3。GWO算法是一种基于群体的启发式优化算法。该算法通过对自然界当中灰狼群的社会等级与狩猎机制的模仿。其社会等级分为了四层，通过适应度大小将狼群自上而下划分为头狼，主候选狼，次候选狼和一般狼。狼群自下对上严格服从。将适应度最优的、次优的和第三优的灰狼个体位置分别定义为α狼、β狼和δ狼，适应度函数公式如下：
其中，l为所需要预测的数据量，为第i组数据的预测值，yi为第i组数据的标签值；
灰狼在捕猎时会慢慢地逼近猎物并包围，由下列公式控制该行为：
B＝2r2
其中，表示Hadamard乘积；t是迭代次数；A和B是协同系数向量；Xp(t)表示t时刻某一灰狼的位置向量；X(t)表示其他灰狼的位置向量；在整个迭代过程中a由2线性降到0的数；r1和r2是[0,1]中的随机向量，D是距离向量。
进一步地，将上述公式具体化到α狼、β狼和δ狼。让狼群进行移动从而更新灰狼位置，移动依据下列具体公式进行：
其中，Distance表示α狼、β狼和δ狼和狼群中其他狼的距离的向量，Position表示狼群在α狼、β狼和δ狼的影响下位置发生了变化，而通过Xo(t+1)得到灰狼种群的最终位置，并设置最大迭代次数为100。从而确定SVR算法模型最佳的超参数并得到最终的预测模型。
S5：结合沙普利加性解释(Sharpley Additive Explanations，SHAP)分析工艺参数与力学性能间的定量关系。
为了能进一步解析工艺参数与力学性能之间的定量关系与组合影响，结合SHAP分析策略来进行有效的探索分析。为了更深入地解析量化各个工艺参数对于力学性能的影响，使用通过计算特征对模型输出的边际贡献并从全局和局部两个层面进行解释的SHAP分析策略去量化粉末粒径、光斑尺寸等各个工艺参数对于力学性能预测的影响情况。目标是通过计算每个工艺参数对于预测力学性能的贡献来解释对所提供的工艺参数的预测。这一步骤的实施，不仅可以对构建的预测模型进行一定的深入解释，而且可以进一步侦测出各个工艺参数对于力学性能的正负重要性(即影响力)，为下一步的多目标优化的约束与实际最终的最佳参数组合提供参考。而解释的方式就是计算SHAP值，SHAP值的解释是以一种加法特征归因的线性模型来表现出来的。将局部模型与SHAP值连接起来，具体为：其中，f(Xj)为Xj的SHAP值，Xj∈{0,1}M是数据集向量，在模拟只有一些工艺参数有影响时，相应的工艺参数j存在为1，不存在为0。/>是一个常数，表示预测值的均值。M是数据集的最大规模，/>是工艺参数j的特征归属，也就是工艺参数j的SHAP值。
其具体表现为通过SHAP值来预测样本预测值中的每一个工艺参数分配到的数值，还可以表现影响的正负。而SHAP值的计算服从下列公式：
其中，f(Xij)为Xij的SHAP值，为第i组样本的工艺参数的第j个特征变量对第i个样本的力学性能的预测值的贡献值，ybase为所有样本的力学性能的均值。这是对于各个工艺参数对力学性能重要性的分析计算。而又因为SHAP值实际上表示样本所观察到的特征水平对特征最终预测概率的边际效应。那么转化成概率后，也就是将原来的解释模型的值的范围归一化，边际效应的量化如下公式：
impact＝predicte_probability-f(shap_sum-shap_featurej)
其中，impact表示所计算的某一力学性能对力学性能的影响力，也就是上文中提到的SHAP值的概率化形式，这个公式的目的是归一化，为了方便理解，所以会将SHAP值的绝对值等比例放缩到[0,1]之间转化为概率形式的影响力impact，从而实现SHAP值变为impact，predicte_probability为转化后的概率，shap_featurej表示的是第j个工艺参数的SHAP值，shap_sum表示数据所有工艺参数的SHAP值之和，而shap_sum-shap_featurej则表示剔除此工艺参数后的SHAP值之和。利用上面的方式，我们可以很好地深入分析各个工艺参数对力学性能的影响力以及各个工艺参数对最终预测概率的边际效应。有效地解析了各个工艺参数与力学性能间的关系来帮助我们深挖激光选区熔化技术中工艺参数与力学性能之间的复杂联系。
S6：预测模型结合带有精英保留策略的快速非支配排序多目标遗传算法(Non-dominated Sorting Genetic AlgorithmⅡ，NSGA-Ⅱ)确定最佳工艺参数实现优化。
使用NSGA-Ⅱ算法和SVR算法进行耦合，基于最佳力学性能预测模型，将最佳力学性能预测模型作为优化的目标力学性能函数，结合针对最初数据集中各个工艺参数的取值范围为约束条件建立多目标优化模型，再通过设定Pareto比例、遗传代数、迭代次数和最优化终止参数绘制出Pareto前沿并输出Pareto最优解集，再在最优解集中寻找到合适的解作为优化的最佳工艺参数组合。如图4所示，基于最佳力学性能预测模型与工艺参数的约束范围，先初始化原始父代种群P0，对种群P0执行选择、交叉与变异操作以此产生出子代种群Q0。将第0代种群Q0与其父代种群P0合并成R0。而后每一代，对第t代种群Qt与其父代种群Pt合并成Rt。再对Rt执行快速非支配排序算法，支配的含义指的是如果解L的值在所有目标函数都优于解K，那么可以称之为L支配K，但如果一个解集内所有的解都不满足这个关系，则称这个解集为非支配集。其目的在于将种群根据相应的支配关系划分为不同级别的Pareto解，根据约束从而产生出非支配集Paretot1,Paretot2,…,Paretotn并计算拥挤度，经过非支配排序的非支配集中Paretot1中包含的个体是Rt中最好的，因为Paretot1里面的个体的被支配数都为0，然后如果被它们支配的个体里面被支配数为1，这些个体就被归类到第二梯队Paretot2，在这个过程中所有个体的被支配数都减少了1，所以此时第二梯队的被支配数都为0了，而第三梯队Paretot3的被支配数都为1，所以可以继续上述过程。直到遍历到发现第n梯队里面的个体为空结束。各个非支配集被按照非支配排序从高到低的顺序依次放入下一代的父代种群Pt+1，直到Pt+1中的样本数量要超过原始种群数量，将还没有放入父代种群Pt+1的非支配序最高的非支配集进行拥挤度排序。再从当中选出拥挤度最低的前(N-|Pt+1|)个样本，将其放入下一代的父代种群Pt+1当中让它的样本的数量刚好为N，这时倘若遗传的代数已经达到了设定的最大值，那么就将父代种群Pt+1作为最终的优化结果输出；如果未达到设定的最大值，就计算下一代的子代种群Qt+1并将它与父代种群Pt+1合并成为Rt+1，对它进行快速非支配排序产生新一轮的非支配集Pareto(t+1)1,Pareto(t+1)2,…,Pareto(t+1)n，不断迭代直到达到最大的遗传代数，最终输出优化结果。
针对上述方法本发明实施例提供了一种激光选区熔化技术的工艺参数确定系统，包括：
获取模块，用于获取初始数据集，所述初始数据集包括多组样本；所述样本包括激光选区熔化技术的一组工艺参数以及在所述工艺参数下的金属零部件的一组力学性能；一组工艺参数包括粉末粒径、光斑尺寸、激光功率、扫描速度、扫描间距和层厚；一组力学性能包括极限抗拉强度、屈服强度、硬度、疲劳寿命和延伸率。
SVR模型训练模块，用于根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型。
超参数最优解计算模块，用于采用GWO算法对所述SVR模型中的超参数进行优化得到超参数的最优解；所述超参数包括惩罚系数、损失系数和核函数。
最佳力学性能预测模型确定模块，用于将所述超参数的最优解带入所述力学性能预测模型得到最佳力学性能预测模型。
SHAP值计算模块，用于计算每组工艺参数的SHAP值。
多目标优化模型构建模块，用于以所述最佳力学性能预测模型为目标函数，根据所述初始数据集以及每组工艺参数的SHAP值确定约束条件，构建多目标优化模型。
最优工艺参数计算模块，用于采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数。
作为一种可选的实施方式，所述SVR模型训练模块，具体包括：
异常值计算单元，用于对所述初始数据集进行异常值检测，得到异常值。
剔除单元，用于将所述异常值从所述初始数据集中剔除得到筛选数据集。
标准化处理单元，用于对所述筛选数据集中的数据进行数据标准化处理得到处理后的数据集。
划分单元，用于将所述处理后的数据集按照设定比例分为训练集和测试集。
训练单元，用于采用所述训练集对所述SVR模型进行训练得到训练后的SVR模型。
测试单元，用于采用测试集对所述训练后的SVR模型进行测试得到力学性能预测模型。
作为一种可选的实施方式，所述最优工艺参数计算模块，具体包括：
子代种群计算单元，用于在当前迭代次数下，对当前迭代次数下的父代种群进行交叉、变异和选择操作得到当前迭代次数下的子代种群；初始的父代种群为根据所述多目标优化模型得到的一组工艺参数值；初始的子代种群为对所述初始的父代种群进行快速非支配排序以及交叉、变异和选择操作得到的。
合并种群计算单元，用于将当前迭代次数下的父代种群和当前迭代次数下的子代种群进行合并得到当前迭代次数下的合并种群。
父代种群更新单元，用于对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群。
判断单元，用于判断是否满足迭代停止条件。
更新迭代单元，用于若不满足，则更新迭代次数进入下次迭代。
最优工艺参数确定单元，用于若满足，则将所述下一迭代次数下的父代种群确定最优工艺参数。
作为一种可选的实施方式，所述父代种群更新单元，具体包括：
快速非支配排序子单元，用于对所述当前迭代次数下的合并种群进行快速非支配排序得到非支配集。
排序子单元，用于将所述非支配集中的元素按照从大到小的顺序排列得到排序非支配集。
更新子单元，用于将所述排序非支配集中的第一个元素加入所述当前迭代次数下的父代种群，得到当前迭代次数下的新种群并更新排序非支配集。
判断子单元，用于判断当前迭代次数下的新种群的元素是否达到设定值。
拥挤度计算子单元，用于若达到设定值，则对排序非支配集进拥挤度计算，根据拥挤度对当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
父代种群更新子单元，用于若没有达到设定值，则根据所述排序非支配集对所述当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
本发明的有益效果是：
本发明与传统的基于人工经验试错或计算公式推演的方式确定工艺参数的方法相比，本发明采用NSGA-Ⅱ算法对具有最高预测精度的最佳力学性能预测模型进行求解得到最优工艺参数，提高了工艺参数的精度，为寻求高强度高塑性零部件以及为现有的激光选区熔化技术的成形零部件目标性能预测以及工艺参数优化提供了有效的帮助，极大地缩减了经济与时间成本。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种激光选区熔化技术的工艺参数确定方法，其特征在于，包括：
获取初始数据集，所述初始数据集包括多组样本；所述样本包括激光选区熔化技术的一组工艺参数以及在所述工艺参数下的金属零部件的一组力学性能；一组工艺参数包括粉末粒径、光斑尺寸、激光功率、扫描速度、扫描间距和层厚；一组力学性能包括极限抗拉强度、屈服强度、硬度、疲劳寿命和延伸率；
根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型；
采用GWO算法对所述SVR模型中的超参数进行优化得到超参数的最优解；所述超参数包括惩罚系数、损失系数和核函数；
将所述超参数的最优解带入所述力学性能预测模型得到最佳力学性能预测模型；
计算每组工艺参数的SHAP值；
以所述最佳力学性能预测模型为目标函数，根据所述初始数据集以及每组工艺参数的SHAP值确定约束条件，构建多目标优化模型；
采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数。
2.根据权利要求1所述的激光选区熔化技术的工艺参数确定方法，其特征在于，所述根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型，具体包括：
对所述初始数据集进行异常值检测，得到异常值；
将所述异常值从所述初始数据集中剔除得到筛选数据集；
对所述筛选数据集中的数据进行数据标准化处理得到处理后的数据集；
将所述处理后的数据集按照设定比例分为训练集和测试集；
采用所述训练集对所述SVR模型进行训练得到训练后的SVR模型；
采用测试集对所述训练后的SVR模型进行测试得到力学性能预测模型。
3.根据权利要求1所述的激光选区熔化技术的工艺参数确定方法，其特征在于，所述采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数，具体包括：
在当前迭代次数下，对当前迭代次数下的父代种群进行交叉、变异和选择操作得到当前迭代次数下的子代种群；初始的父代种群为根据所述多目标优化模型得到的一组工艺参数值；初始的子代种群为对所述初始的父代种群进行快速非支配排序以及交叉、变异和选择操作得到的；
将当前迭代次数下的父代种群和当前迭代次数下的子代种群进行合并得到当前迭代次数下的合并种群；
对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群；
判断是否满足终止条件；
若不满足，则更新迭代次数进入下次迭代；
若满足，则将所述下一迭代次数下的父代种群确定最优工艺参数。
4.根据权利要求3所述的激光选区熔化技术的工艺参数确定方法，其特征在于，所述对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群，具体包括：
对所述当前迭代次数下的合并种群进行快速非支配排序得到非支配集；
将所述非支配集中的元素按照从大到小的顺序排列得到排序非支配集；
将所述排序非支配集中的第一个元素加入所述当前迭代次数下的父代种群，得到当前迭代次数下的新种群并更新排序非支配集；
判断当前迭代次数下的新种群的元素是否达到设定值；
若达到设定值，则对排序非支配集进拥挤度计算，根据拥挤度对当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群；
若没有达到设定值，则根据所述排序非支配集对所述当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
5.一种激光选区熔化技术的工艺参数确定系统，其特征在于，包括：
获取模块，用于获取初始数据集，所述初始数据集包括多组样本；所述样本包括激光选区熔化技术的一组工艺参数以及在所述工艺参数下的金属零部件的一组力学性能；一组工艺参数包括粉末粒径、光斑尺寸、激光功率、扫描速度、扫描间距和层厚；一组力学性能包括极限抗拉强度、屈服强度、硬度、疲劳寿命和延伸率；
SVR模型训练模块，用于根据所述初始数据集对SVR模型进行训练和测试得到力学性能预测模型；
超参数最优解计算模块，用于采用GWO算法对所述SVR模型中的超参数进行优化得到超参数的最优解；所述超参数包括惩罚系数、损失系数和核函数；
最佳力学性能预测模型确定模块，用于将所述超参数的最优解带入所述力学性能预测模型得到最佳力学性能预测模型；
SHAP值计算模块，用于计算每组工艺参数的SHAP值；
多目标优化模型构建模块，用于以所述最佳力学性能预测模型为目标函数，根据所述初始数据集以及每组工艺参数的SHAP值确定约束条件，构建多目标优化模型；
最优工艺参数计算模块，用于采用NSGA-Ⅱ算法对所述多目标优化模型进行求解得到最优工艺参数。
6.根据权利要求5所述的激光选区熔化技术的工艺参数确定系统，其特征在于，所述SVR模型训练模块，具体包括：
异常值计算单元，用于对所述初始数据集进行异常值检测，得到异常值；
剔除单元，用于将所述异常值从所述初始数据集中剔除得到筛选数据集；
标准化处理单元，用于对所述筛选数据集中的数据进行数据标准化处理得到处理后的数据集；
划分单元，用于将所述处理后的数据集按照设定比例分为训练集和测试集；
训练单元，用于采用所述训练集对所述SVR模型进行训练得到训练后的SVR模型；
测试单元，用于采用测试集对所述训练后的SVR模型进行测试得到力学性能预测模型。
7.根据权利要求5所述的激光选区熔化技术的工艺参数确定系统，其特征在于，所述最优工艺参数计算模块，具体包括：
子代种群计算单元，用于在当前迭代次数下，对当前迭代次数下的父代种群进行交叉、变异和选择操作得到当前迭代次数下的子代种群；初始的父代种群为根据所述多目标优化模型得到的一组工艺参数值；初始的子代种群为对所述初始的父代种群进行快速非支配排序以及交叉、变异和选择操作得到的；
合并种群计算单元，用于将当前迭代次数下的父代种群和当前迭代次数下的子代种群进行合并得到当前迭代次数下的合并种群；
父代种群更新单元，用于对所述当前迭代次数下的合并种群进行快速非支配排序、拥挤度计算以及精英策略选择得到下一迭代次数下的父代种群；
判断单元，用于判断是否满足迭代停止条件；
更新迭代单元，用于若不满足，则更新迭代次数进入下次迭代；
最优工艺参数确定单元，用于若满足，则将所述下一迭代次数下的父代种群确定最优工艺参数。
8.根据权利要求7所述的激光选区熔化技术的工艺参数确定系统，其特征在于，所述父代种群更新单元，具体包括：
快速非支配排序子单元，用于对所述当前迭代次数下的合并种群进行快速非支配排序得到非支配集；
排序子单元，用于将所述非支配集中的元素按照从大到小的顺序排列得到排序非支配集；
更新子单元，用于将所述排序非支配集中的第一个元素加入所述当前迭代次数下的父代种群，得到当前迭代次数下的新种群并更新排序非支配集；
判断子单元，用于判断当前迭代次数下的新种群的元素是否达到设定值；
拥挤度计算子单元，用于若达到设定值，则对排序非支配集进拥挤度计算，根据拥挤度对当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群；
父代种群更新子单元，用于若没有达到设定值，则根据所述排序非支配集对所述当前迭代次数下的新种群进行更新得到下一迭代次数下的父代种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310523747.4A CN116502455A (zh) | 2023-05-10 | 2023-05-10 | 一种激光选区熔化技术的工艺参数确定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310523747.4A CN116502455A (zh) | 2023-05-10 | 2023-05-10 | 一种激光选区熔化技术的工艺参数确定方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116502455A true CN116502455A (zh) | 2023-07-28 |
Family
ID=87326492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310523747.4A Pending CN116502455A (zh) | 2023-05-10 | 2023-05-10 | 一种激光选区熔化技术的工艺参数确定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502455A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117172127A (zh) * | 2023-09-20 | 2023-12-05 | 安徽助行软件科技有限公司 | 一种智能生产线激光熔化切割毛刺监测系统及方法 |
| CN117390390A (zh) * | 2023-10-19 | 2024-01-12 | 上海交通大学 | 基于可解释机器学习的核电厂状态预测方法 |
| CN117172127B (zh) * | 2023-09-20 | 2024-05-31 | 安徽助行软件科技有限公司 | 一种智能生产线激光熔化切割毛刺监测系统及方法 |
-
2023
- 2023-05-10 CN CN202310523747.4A patent/CN116502455A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117172127A (zh) * | 2023-09-20 | 2023-12-05 | 安徽助行软件科技有限公司 | 一种智能生产线激光熔化切割毛刺监测系统及方法 |
| CN117172127B (zh) * | 2023-09-20 | 2024-05-31 | 安徽助行软件科技有限公司 | 一种智能生产线激光熔化切割毛刺监测系统及方法 |
| CN117390390A (zh) * | 2023-10-19 | 2024-01-12 | 上海交通大学 | 基于可解释机器学习的核电厂状态预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103745273B (zh) | 一种半导体制造过程的多性能预测方法 | |
| CN108985335B (zh) | 核反应堆包壳材料辐照肿胀的集成学习预测方法 | |
| CN109902801A (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
| Zhang et al. | A quantitative approach to design alternative evaluation based on data-driven performance prediction | |
| CN107992976B (zh) | 热点话题早期发展趋势预测系统及预测方法 | |
| CN110348075A (zh) | 一种基于改进支持向量机算法的磨削表面粗糙度预测方法 | |
| CN111160750A (zh) | 一种基于关联规则挖掘的配网分析和投资决策方法 | |
| CN105740984A (zh) | 一种基于性能预测的产品概念性能评价方法 | |
| CN113128124B (zh) | 基于改进神经网络的多牌号C-Mn钢力学性能预测方法 | |
| CN116502455A (zh) | 一种激光选区熔化技术的工艺参数确定方法及系统 | |
| Heng et al. | Towards intelligent design optimization: Progress and challenge of design optimization theories and technologies for plastic forming | |
| CN113393057A (zh) | 一种基于深度融合机器学习模型的小麦产量集成预测方法 | |
| CN112614021A (zh) | 一种基于已建隧道信息智能识别的隧道围岩地质信息预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN116520772A (zh) | 基于多任务迁移学习的薄板零件数控加工质量预测方法 | |
| CN115906399A (zh) | 一种改进的小样本数据下产品关键工艺质量预测方法 | |
| Zhong et al. | Construction project risk prediction model based on EW-FAHP and one dimensional convolution neural network | |
| CN114004153A (zh) | 一种基于多源数据融合的侵彻深度预测方法 | |
| CN109214500A (zh) | 一种基于混合智能算法的变压器故障识别方法 | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
| CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
| Izonin et al. | Machine learning for predicting energy efficiency of buildings: a small data approach | |
| CN116415177A (zh) | 一种基于极限学习机的分类器参数辨识方法 | |
| CN115166811A (zh) | 一种模拟工作现场中子谱快速构建方法 | |
| CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 |
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 |