基于BP神經網絡的光纖激光切割切口粗糙度預測

郭華鋒，李菊麗，孫 濤

（徐州工程學院機電工程學院，徐州221000）

基于BP神經網絡的光纖激光切割切口粗糙度預測

郭華鋒，李菊麗，孫 濤

（徐州工程學院機電工程學院，徐州221000）

為了研究工藝參量對光纖激光切割切口質量的影響，進行了切割T4003不銹鋼試驗，分析了工藝參量與切口質量之間的關系。采用基于誤差反向傳播算法的人工神經網絡，建立了激光功率、切割速率、輔助氣體壓力等工藝參量與切口粗糙度之間的預測模型。對切割試驗采集的訓練樣本進行了網絡訓練，并利用測試樣本對訓練模型進行驗證。結果表明，隨著激光功率增加，切口粗糙度增大；隨著切割速率和輔助氣體壓力增加，切口粗糙度減小。神經網絡預測模型精度較高，網絡訓練效果良好，預測值與試驗樣本值間的最大相對誤差為2.4%。訓練后檢驗精度較高，檢驗樣本最大相對誤差僅為6.23%。該模型可有效預測激光切割切口表面粗糙度，同時為合理選擇及優化工藝參量，提高激光切割質量提供試驗依據。

激光技術；切口質量；反向傳播人工神經網絡；粗糙度；預測

引 言

激光切割是一種利用激光熱效應使材料表面產生局部高溫，發生熔化甚至氣化并利用輔助氣流使材料發生分離的工藝。由于切割速率快、精度高、能實現復雜形狀成形等優點已廣泛應用于金屬［1-3］、非金屬［4-5］、陶瓷［6-7］、復合材料［8-9］的切割工作，在醫療、汽車制造、航空航天等領域的應用日益廣泛。然而，激光切割過程中時空交變、熱力耦合，作用時間短且影響因素眾多，切割質量很難預測且對后續機加工影響較大［10-11］。影響激光切割質量的主要參量有激光功率、切割速率、離焦量、輔助氣體壓力等，表征切割質量的主要標準有切縫寬度、掛渣情況、切口粗糙度、熱影響區大小等［12-13］。因此，通過建立激光切割工藝參量與切口質量的非線性關系模型來預測切割質量意義重大。目前一般都采用人工神經網絡（artificial neural network，ANN）的方法來處理復雜的非線性問題，它可以在未知過程原理的情況下，建立輸入輸出關系，具有較優良的自適應和容錯能力，能對非線性的數據進行擬合、預報和建模等。TONG［14］等人基于誤差反向傳播（back propagation，BP）神經網絡建立了激光切割工藝參量與切割面粗糙度之間的關系模型，通過模擬退火算法提高了多層神經網絡的擬合精度和網絡收斂性能，并用切割試驗驗證了該方法的可靠性。LIU［15］等人建立了用遺傳算法改進的人工神經網絡模型來優化選擇激光切割工藝參量，并用大量的實驗數據進行了訓練和驗證，有效地解決了工藝參量優化搭配問題。WU［16］等人利用徑向神經網絡預測了3維激光切割切縫寬度，同時該模型也可以對試樣的掛渣與否進行判定，為切割質量預測和優化工藝參量提供了依據。LIU［17］等人建立了基于遺傳算法的人工神經網絡模型，克服了神經網絡容易陷入局部最優和遺傳算法收斂速率慢的問題，最后用實驗進行了驗證。CHEN［18］等人為獲得激光頭方位對切割質量的影響，采用10分制進行量化，并基于人工神經網絡對結果進行了分析，結果表明該模型可以用于指導實際切割?？梢钥闯?，采用人工神經網絡為激光切割質量預測提供了一條可行的途徑。

本文中對光纖激光切割T4003不銹鋼過程中激光功率、切割速率、輔助氣體壓力等主要工藝參量與切口表面質量之間的關系進行了研究，并選擇可以量化的指標粗糙度為例，以BP神經網絡為手段建立工藝參量與切口表面粗糙度之間的非線性預測模型，為后續試驗和理論研究提供新思路。

1 試 驗

1.1 試驗材料

試驗材料為太原鋼鐵（集團）有限公司生產的3.5mm厚T4003不銹鋼板，該材料具有良好的焊接性、折彎性及性能穩定性等優點，在國內各鐵路車輛生產廠家應用廣泛。其主要成分如表1所示，室溫下屈服強度為335MPa，抗拉強度為480MPa。

Table 1 Percentage of chemical composition of T4003 stainless steel

1.2 試驗條件及工藝參量

試驗在徐州中歐科技有限公司生產的光纖激光切割系統上完成，如圖1所示。該系統主要由IPG激光器（YLS-1000）、數控機床及控制系統、冷卻系統及輔助氣體等構成。激光器最大輸出功率1000W且連續可調，輸出光束發散角為0.3mrad，激光光束質量M2＝1.05，波長1070nm。試驗流程如下：先采用試切法觀察工藝參量與切割質量間的關系，即只變動其中一個工藝參量，其它參量固定來評定切割質量；然后再以較優切割質量下的工藝參量為基礎設計出20組切割試驗，用于神經網絡預測和驗證。試驗中，激光功率范圍為700W～1000W，切割速率為15mm／s～50mm／s，離焦量固定為＋2mm，采用氧氣作為切割輔助氣體，氣體壓力為0.4MPa～ 0.6MPa。切割后樣件采用YJ5120-3DT型超聲波清洗機用丙酮清洗5min后烘干，利用T1000A型表面粗糙度測量儀測量切口表面粗糙度，每個樣件測量5次取其均值作為最終粗糙度值。粗糙度測定區選取距上邊緣0.5mm～1.5mm處的切口表面。

Fig.1 Photographic view of fiber laser cutting system

2 光纖激光切割切口質量影響因素分析

光纖激光切割是一個復雜的加工過程，切口質量由諸多工藝參量共同決定，并且各參量間具有復雜的非線性關系，下面以試驗為基礎分析工藝參量與切口質量之間的關系。

2.1 激光功率對切口質量的影響

圖2為不同功率下的切口質量。功率分別為700W，800W，900W和1000W；切割速率為40mm／s；離焦量為＋2mm；輔助氣體壓力為0.5MPa。

Fig.2 Cutting quality under different laser powers

可以看出，功率700W和800W時，切割質量較好，切痕紋理細密，垂直度好；900W和1000W時，切痕紋理較粗糙而且中下部切痕滯后，并且切割紋理垂直度較差。但4種功率下均能順利切透，無掛渣現象。

圖3為激光功率大小對切口粗糙度的影響，可以看出切口粗糙度隨激光功率的增大而增大，這是由于隨著激光功率增大，單位時間切口獲取的熱量增加，熔融材料增多，并且較高的氧化反應熱使切口過度氧化燃燒，從而導致粗糙度增大，若激光功率進一步增大，切口表面將產生過燒。因此，合理調控激光功率可獲得切縫平整、無掛渣、切痕垂直度好、表面粗糙度小的高質量切口。

Fig.3 Influence of laser power on kerf roughness

2.2 掃描速率對切口質量的影響

圖4為不同切割速率下獲得的切口質量。速率分別為30mm／s，33mm／s，36mm／s和40mm／s；激光功率為800W；離焦量為＋2mm；輔助氣體壓力為0.4MPa。

Fig.4 Cutting quality under different cutting speeds

可以看出，速率為30mm／s時切割質量一般，下部有輕微過燒；速率為33mm／s時切割質量較好，但切痕紋理間距較大，部分切痕滯后；速率36mm／s時切割質量較好，上部光潔，下部部分切痕稍微滯后；速率為40mm／s時切割質量很好，切口光潔，切痕細密，且垂直度好。試驗結果表明：在現有速率中，速率較低時容易產生過燒，隨著速率的增加切口質量隨之提高，速率為40mm／s時，切口質量最好。

圖5為切割速率對切割粗糙度的影響，可以看出，切口粗糙度隨切割速率增大而減小。主要因為切割速率較低時，單位時間內輸入熱量過高，材料熔融量大，而輔助氣體不能將其完全吹走，導致切口表面粘附顆粒增多［19］，同時材料氧化速率大于切割速率導致在切縫表面形成切割條紋，這些原因造成切縫表面粗糙度較大。但是切割速率也不能過大，過大的切割速率將導致板材不能切透。

Fig.5 Influence of cutting speed on kerf roughness

2.3 輔助氣體壓力對切口質量的影響

圖6為不同輔助氣體壓力下獲得的切口質量。輔助氣體壓力分別為0.4MPa，0.5MPa和0.6MPa；激光功率為900W；離焦量為＋2mm，切割速率為43mm／s。

Fig.6 Cutting quality under different assist gas pressures

可以看出，輔助氣體壓力為0.4MPa時切割質量一般，切痕下部切痕滯后，垂直度較差；當輔助氣體壓力為0.5MPa時切割質量較好，但切痕紋理間距較大，下部局部切痕垂直度略差；當輔助氣體壓力為0.6MPa時切割質量很好，切口光潔、無掛渣、切痕紋理細密且垂直度較好。3種輔助氣體壓力下切口粗糙度Ra分別為8.271μm，7.398μm和6.95μm，可以看出在一定范圍內隨著輔助氣體壓力的增大切口粗糙度減小，主要由于輔助氣體壓力越大，除渣能力越強，輔助氣體能更快的吹除材料表面的熔融物。輔助氣體的類型主要包括氧氣、氮氣和氬氣。研究表明，輔助氣體為氧氣所獲得的切口粗糙度值比氮氣和氬氣的要大，這是由于材料與氧氣之間發生劇烈氧化反應生成一些組織結構與母材不同的化合物，從而在切縫表面形成凹凸不平形貌［20］。

3 激光切割切口粗糙度的BP人工神經網絡預測模型

3.1 模型描述及算法設計

BP神經網絡即一種前向型神經網絡中誤差反向傳播的網絡模型，主要由輸入層、隱層和輸出層組成，其主要特點是信號正向傳播、誤差反向傳播。在正向傳播中，輸入層接受外部信號，經隱含層處理從輸出層輸出結果。每一層的神經元狀態只影響下一層神經元狀態，如果輸出層得不到期望的輸出，將反向傳播，依據預測的誤差來調整網絡的權值和閾值，使該網絡預測的輸出值不斷逼近期望輸出［21］。

綜合考慮實驗分析、樣本的有限性和問題的復雜性，選擇激光切割過程中影響激光切割表面質量可控的工藝參量，如激光功率、切割速率、離焦量和輔助氣體的壓力作為BP網絡輸入，切口表面粗糙度為輸出。建立網絡結構為4×q×1的3層BP神經網絡，見圖7。輸入層節點有4個，即激光功率、切割速率、離焦量和輔助氣體壓力4個參量，輸出層節點數1個，即表面粗糙度。q為隱層神經元數目，它對神經網絡的適應性和容錯能力影響有非常大，隱層神經元數目過少，網絡訓練困難，誤差較大；反之，則增加網絡訓練時間且不一定能得到最佳誤差。在經驗公式的基礎上，通過反復比較不同隱層神經元數目的輸出誤差，最終確定隱層單元個數為15。通過均方根誤差（root mean square error，RMSE）R來描述實際值與網絡輸出值之間的精度，均方根誤差用下式描述［22］：

式中，Ti為實測值，Yi為網絡輸出值，n為訓練樣本個數。

Fig.7 Neural network model of kerf roughness by laser cutting

采用Levenberg-Marquardt函數作為訓練函數，網絡隱層采用對數Sigmoid函數作為傳遞函數，它可以在輸入和輸出之間實現平滑的連續變換，見（2）式；隱層和輸出層之間選用純線性傳遞函數Purelin，計算得到輸出層單元的響應，如（3）式所示，目標誤差設定為0.01。

為消除量綱不一致的影響，同時提高網絡收斂速率和預測精度需對所采集的粗糙度數據按照下式進行歸一化處理，歸一化后的數據區間為［0，1］。網絡訓練完畢后，對網絡輸出值實行反歸一化還原成實際值。

式中，Xi′為歸一化后的值，xmax和xmin為樣本數據xi中的最大值和最小值。

3.2 網絡訓練樣本采集

以試切試驗中切割質量較優的工藝參量組合為基礎，設計出20組激光切割工藝參量進行切割試驗用于采集網絡訓練樣本，工藝參量及粗糙度值測量結果如表2所示。

Table 2 Kerf roughness sample data from laser cutting test

continue

3.3 神經網絡訓練及誤差分析

Fig.8 Error curve of neutral network after training

Fig.9 Contrast of the network output results and the experimental value

選取前16組數據作為訓練樣本，在MATLAB P14.0平臺上進行網絡訓練，經過163次的訓練后，網絡誤差達到規定的訓練目標0.01，誤差收斂曲線如圖8所示。

網絡學習后切口表面粗糙度的網絡輸出值和試驗值對比如圖9所示?？梢钥闯鰞烧呶呛铣潭容^高，最大相對誤差為2.4%，說明網絡的訓練效果較好。

3.4 神經網絡模型驗證

訓練后的模型一般具有較高的精度和良好的泛化能力，可以有效預測和分析激光切割工藝參量與切口粗糙度之間的關系。為驗證該模型，用余下4組（17組～20組數據）未經訓練的實驗樣本對已經訓練好的神經網絡模型進行檢驗，模型預測值與試驗值對比見表3，可以看出兩者非常接近，粗糙度值最大相對誤差僅為6.23%，表明利用BP神經網絡來預測激光切割切口表面粗糙度是可行的。該模型可用于加工過程的參量選擇及優化，對指導激光切割過程有一定的實用價值。

Table 3 Experimental and neural networks predicting results of kerf roughness by laser cutting

4 結 論

基于人工智能神經網絡技術，建立了BP神經網絡預測模型，對激光切割過程表面粗糙度進行了成功預測，并分析了光纖激光切割工藝參量對表面粗糙度的影響規律。

（1）通過切割T4003不銹鋼實驗分析了激光功率、切割速率及輔助氣體壓力與切口質量之間關系。結果表明：離焦量固定的情況下，合理地選擇激光功率、切割速率和輔助氣體壓力可獲得切口光潔、無掛渣、切痕無滯后的高質量切縫。同時切口粗糙度隨著激光功率的增加而增大，隨著切割速率和輔助氣體壓力的增加而減小，該結論為實際加工參量的選擇提供了試驗依據。

（2）建立了激光切割切口粗糙度的BP神經網絡預測模型，利用測試樣本并進行了網絡訓練，最大相對誤差為2.4%，網絡訓練效果較好。驗證樣本預測值與實驗值之間的最大相對誤差為6.23%，表明該模型對于預測激光切割切口的表面粗糙度有著較高的精度。同時可將該網絡模型進一步應用到預測切口寬度、熱影響區域大小等衡量激光切割質量的其它指標中。

［1］ SCINTILLA LD，TRICARICO L.Estimating cutting front temperature difference in disk and CO2laser beam fusion cutting［J］.Optics＆Laser Technology，2012，44（5）：1468-1479.

［2］ PANDEY A K，DUBEY A K.Simultaneous optimization of multiple quality characteristics in laser cutting of titanium alloy sheet［J］.Optics＆Laser Technology，2012，44（6）：1858-1865.

［3］ MUHAMMADA N，WHITEHEADA D，BOORB A，et al.Comparison of dry and wet fibre laser profile cutting of thin 316L stainless steel tubes for medical device applications［J］.Journal of Materials Processing Technology，2010，210（15）：2261-2267.

［4］ CHOUDHURY IA，SHIRLEY S.Laser cutting of polymeric materials：an experimental investigation［J］.Optics＆Laser Technology，2010，42（3）：503-508.

［5］ WANG X H，YAO JH，ZHOU G B，et al.Numerical simulation and experiment of laser cutting liquid crystal display glass substrates［J］.Chinese Journal of Lasers，2011，38（6）：1-5（in Chinese）.

［6］ CHEN X Ch，JIL F，BAO Y，etal.Improving cutting quality by analysis of microstructure characteristics and solidification behaviour of recast layer formation on laser cut ceramic［J］.Journal of the European Ceramic Society，2012，32（10）：2203-2211.

［7］ JIL F，YAN Y Zh，BAO Y，et al.Crack-free cutting of thick and dense ceramics with CO2laser by single-pass process［J］.Optics and Lasers in Engineering，2008，46（10）：785-790.

［8］ ELTAWAHNIH A，ROSSININ S，DASSISTIM，et al.Evalaution and optimization of laser cutting parameters for plywood materials［J］.Optics and Lasers in Engineering，2013，51（9）：1029-1043.

［9］ RIVEIRO A，QUINTERO F，LUSQUIN～OSF，et al.Experimental study on the CO2laser cutting of carbon fiber reinforced plastic composite［J］.Composites，2012，A43（7）：1400-1409.

［10］ LAMIKIZ A，LóPEZ de LáCALLE L N，SANCHEZ JA，et al. CO2laser cutting of advanced high strength steels（AHSS）［J］.Applied Surface Science，2005，242（3／4）：362-368.

［11］ KIM M J.3-D finite element analysis of evaporative laser cutting［J］.Applied Mathematical Modelling，2005，29（10）：938-954.

［12］ YILBASB S.Laser cutting of thick sheet metals：Effects of cuttingparameters on kerf size variations［J］.Journal of Materials Processing Technology，2008，201（1／3）：285-290.

［13］ YAN C，LIL J，LIJ，et al.Review of surface quality study on laser sheets cutting［J］.Laser Technology，2005，29（3）：270-274（in Chinese）.

［14］ TONGG，XU H，YU H Q.Control model of laser cutting quality based on simulated annealing and BP neural network［J］.Machinery Design＆Manufacture，2012（6）：85-87（in Chinese）.

［15］ LIU J，GUO Q D，WANG Y H.Optimizing the laser-cutting parameters by using improved artificial neural network［J］.Laser Journal，2007，28（6）：80-81（in Chinese）.

［16］ WU Y H，ZHANG Y Q，CHEN W Zh，et al.Application of RBF Neural Network in three dimensional laser cutting［J］.China Mechanical Engineering，2006，17（12）：1234-1237（in Chinese）.

［17］ LIU Y，XU D，TANM.A genetic algorithm based artificial neural network approach for parameter selection of laser cutting［J］.Manufacturing Automation，2006，28（12）：20-22（in Chinese）.

［18］ CHEN JM，ZUO T Ch.Analysis of artificial neural network on 3-D orientation CO2laser cutting［J］.Chinese Journal of Lasers，2004，31（3）：245-248（in Chinese）.

［19］ FENGW J，QIN FD，CHEN Y Y，etal.Analysis of technological parameter for laser cutting stainless steel sheet［J］.Machinery Design＆Manufacture，2011（11）：191-192（in Chinese）.

［20］ RIVEIRO A，QUINTERO F，LUSQUIN～OS F，et al.Influence of assist gas nature on the surfaces obtained by laser cutting of Al-Cu alloys［J］.Surface＆Coatings Technology，2010，205（7）：1878-1885.

［21］ YANG DH，MA L，HUANGW D.Component’s surface quality predicitons by laser rapid forming based on artifical neural networks［J］.Chinese Journal of Lasers，2011，38（8）：1-5（in Chinese）.

［22］ YU JH，LIX N，ZHAIY，et al.BP ANN model for annealing parameter and hardness of zirconium base alloy［J］.Rare Metal Materials and Engineering，2012，41（8）：1346-1350（in Chinese）.

Roughness prediction of kerf cut with fiber laser based on BP artificial neural networks

GUO Huafeng，LI Juli，SUN Tao
（Department of Mechanical and Electronic Engineering，Xuzhou Institute of Technology，Xuzhou 221008，China）

In order to study effects of process parameters on kerf quality of fiber laser cutting，the relationship between process parameters and kerf quality was analyzed based on the test of laser cutting T4003 stainless steel.The prediction model between the main process parameters，such as laser power，cutting speed，assistant gas pressure and kerf roughness was established based on error back propagation artificial neural network.The samples collected by the cutting test was network trained and the training model was inspected by the test samples.The results show that，kerf roughness increases while laser power increases and kerf roughness decreases while cutting speed and assist gas pressure increase.The neural network prediction model has high precision and the network training has good effect.The maximum relative error between the predictive values and the test sample value is 2.4%.After training，the prediction model has high inspection precision，the maximum relative error of the test sample is only 6.23%.The model can predict the laser cutting kerf roughness effectively and can provide the experiment basis for selecting and optimizing process parameters and improving laser cutting quality.

laser technique；kerf quality；back propagation artificial neural network；roughness；prediction

TG485

A

10.7510／jgjs.issn.1001-3806.2014.06.016

1001-3806（2014）06-0798-06

徐州市科技計劃資助項目（XM13B103）

郭華鋒（1981-），男，碩士，講師，現從事激光加工技術及表面工程技術的研究。

E-mail：ghfmaster＠163.com

2013-11-29；

2014-02-19