激光小孔加工實驗研究及工藝仿真*

王志鵬　劉　勇　王　宇

(西華大學機械工程學院，四川 成都 610039)

?

激光小孔加工實驗研究及工藝仿真*

王志鵬劉勇王宇

(西華大學機械工程學院，四川 成都 610039)

通過單因素試驗分析了激光器電壓、脈沖寬度、重復頻率、聚焦條件、輔助氣體等因素對小孔加工效果的影響規(guī)律。借助MATLAB神經網絡工具箱和遺傳算法工具箱，建立了基于BP神經網絡和遺傳神經網絡(GA-BP)的激光打孔加工工藝仿真模型，利用兩種模型分別對不同加工參數(shù)下的小孔孔徑進行了仿真和預測。結果表明，經遺傳算法優(yōu)化后的BP網絡模型具有更好的預測精度。

激光打孔；單因素試驗；神經網絡；遺傳算法

隨著科學技術的發(fā)展，在機械制造過程中，經常會遇到一些較深、較小的孔，工件材料機械加工性能差，無法用傳統(tǒng)機械加工方法加工，用激光則能較好地加工這些特殊工件和特殊材料。但激光打孔過程是一個復雜非線性的熱燒蝕加工過程，加工參數(shù)的選擇和加工效果的預測比較困難。而實際生產中參數(shù)的選擇往往是依靠操作者的經驗和技術水平，難免會影響加工效果和生產效率。因此有必要對激光打孔加工工藝進行研究，找到其加工過程的工藝規(guī)律，為實際生產中加工參數(shù)的選擇提供參考[1-2]。

本文主要通過單因素試驗分析了激光器電壓、脈沖寬度、重復頻率、聚焦條件和輔助氣體等因素對小孔加工效果的影響規(guī)律；利用BP神經網絡對1 mm不銹鋼材料在不同參數(shù)下打孔的上、下孔徑進行訓練和預測，并利用遺傳算法對其進行優(yōu)化。

1　試驗設計和試驗內容

1.1試驗設備與測量工具

試驗設備為KJG50330-500W-YAG金屬切割機，主要技術參數(shù)為：激光輸出波長1.064 μm；輸出功率≤500 W；激光器電壓200～650 V；脈沖寬度0.1～1.5 ms；重復頻率1～150 Hz。

測量工具為CFL-100孔徑測量儀，測量范圍0.05～10 mm，重復精度±0.5 μm，最大放大率可達210倍。

1.2試驗材料

結合試驗設備的加工范圍，本次試驗所用材料為304不銹鋼板、H62黃銅板和1060鋁合金板，材料規(guī)格分別為200 mm×200 mm×1 mm、100 mm×100 mm×1 mm、200 mm×200 mm×1 mm。

1.3單因素試驗設計[3]

單因素試驗法通過固定試驗中其它因素水平不變，只改變某一因素水平，來得到因素各水平變化對被測指標的影響規(guī)律。本文用單因素法找出電壓、脈寬、頻率、聚焦條件和輔助氣體對激光打孔尺寸和質量的影響規(guī)律，試驗方案為：在上訴5個因素其中4個不變的情況下，測試一個因素對打孔孔徑的影響，并分別繪制出每個因素對孔徑的影響規(guī)律。

2　試驗結果處理與分析[3-5]

2.1激光器電壓對打孔的影響

試驗選擇脈寬ds=0.9 ms，頻率f=100 Hz，離焦量L=0 mm，輔助氣體為0.6 MPa的壓縮空氣，調整激光器電壓大小，分別對1 mm不銹鋼、銅和鋁進行打通孔試驗，部分小孔形貌如圖1所示。

通過試驗測量結果繪制3種金屬材料在其他條件一定時上、下孔徑隨電壓變化的關系圖，如圖2、3所示。

從圖2和3可以看出，3種金屬材料的上、下孔徑都隨電壓的升高而增大。

2.2脈沖寬度對打孔的影響

試驗選用1 mm不銹鋼、黃銅和鋁合金材料，激光器電壓U=480 V，頻率f=100 Hz，離焦量L=0 mm，輔助氣體為0.6 MPa的壓縮空氣，改變脈寬大小，加工小孔，部分加工孔的形貌如圖4所示。

通過試驗測量結果繪制3種金屬材料在其他條件一定時上、下孔徑隨脈寬變化的關系圖，如圖5、6所示。

從圖5和6可以看出3種金屬材料激光打孔的孔徑都隨脈寬的增加而減小。

2.3激光重復頻率對打孔的影響

試驗材料為1 mm不銹鋼，電壓U=500 V，脈寬ds=1.0 ms，離焦量L=0 mm，輔助氣體為0.6 MPa的壓縮空氣。調節(jié)頻率參數(shù)得到孔徑與頻率的關系如圖7所示，圖8為部分激光打孔形貌圖。

從圖7可以看出，隨著頻率的增加，激光打出小孔的上、下孔徑都有增大的趨勢，但增大幅度較小。

2.4聚焦條件對打孔的影響

試驗材料為1 mm不銹鋼，在其他加工條件一定的情況下，改變離焦量的位置得到部分小孔形貌如圖9所示。

從圖9可以看出，不同離焦量對小孔加工效果影響很大，在零離焦量或正離焦量很小時，加工小孔效果好。

2.5輔助氣體對打孔的影響

本實驗設備所用輔助氣體是壓縮空氣，電壓U=500 V，脈寬ds=0.7 ms，頻率f=100 Hz，離焦量L=0 mm，試驗材料為1 mm不銹鋼，在不吹輔助氣體和吹輔助氣體時小孔形貌如圖10所示。

從圖10可以看出，輔助氣體能使打出小孔表面及孔壁比較干凈，孔形也較美觀。

3　激光小孔加工工藝仿真分析

3.1BP網絡對激光打孔工藝的仿真預測[6]

3.1.1BP神經網絡訓練樣本的選擇

根據(jù)實際情況，本文選取表1數(shù)據(jù)作為學習樣本。網絡訓練完成后，用表2樣本數(shù)據(jù)對網絡進行泛化能力的測試。為保證樣本數(shù)據(jù)差距，本文采用premnmx函數(shù)對輸入數(shù)據(jù)進行歸一化處理。

表1訓練樣本數(shù)據(jù)

序號試驗參數(shù)電壓V/V重復頻率V/Hz脈沖寬度V/ms試驗結果上孔徑?/mm下孔徑?/mm1440700.50.2890.2572440900.70.2650.23234401100.90.2520.21644401301.10.2190.1755480700.70.3230.2916480900.50.3470.31474801101.10.2590.20984801300.90.3020.2619520700.90.3580.31110520901.10.3310.269115201100.50.4130.377125201300.70.3790.34113560701.10.3620.29214560900.90.4110.352155601100.70.4570.405165601300.50.4940.455

表2測試用數(shù)據(jù)表

序號試驗參數(shù)電壓V/V重復頻率V/Hz脈沖寬度V/ms試驗結果上孔徑?/mm下孔徑?/mm14501200.60.2970.25924701000.90.2760.2383490900.70.3280.29445101101.10.2990.25755301001.00.3590.3126550800.80.4130.354

3.1.2BP神經網絡的設計

本文在滿足訓練要求的情況下，采用三層的BP網絡，結構參數(shù)如下：輸入節(jié)點數(shù)3個，隱含層節(jié)點數(shù)5個，輸出節(jié)點數(shù)2個。其中隱含層節(jié)點數(shù)是參照如下公式進行大概計算：

式中：m為輸入層節(jié)點數(shù)；n為輸出層神經元數(shù)；l為隱層節(jié)點數(shù)；α為1～10的常數(shù)。

本文通過嘗試法，當隱層節(jié)點數(shù)為5時，網絡性能最好。綜上，本文采用3-5-2的三層BP網絡模型，其結構如圖11所示。

3.1.3BP網絡的訓練

本文以MATLAB軟件為平臺，借助神經工具箱對學習算法進行編程，以實現(xiàn)網絡的訓練。采用newrff()函數(shù)創(chuàng)建BP網絡，輸入層到隱含層的傳遞函數(shù)為tansig，隱含層到輸出層為purelin，網絡訓練函數(shù)為trainlm。設目標誤差為10-4，學習速率為0.05，設定顯示率為1，最大訓練步數(shù)設置為200。表3給出了BP網絡預測結果。

從表3可得上、下孔徑的預測值和試驗值相對誤差最大-9.04%，最小1.63%，相對誤差變化曲線起伏較大，說明該網絡不夠穩(wěn)定，易造成較大誤差。因此下面通過遺傳算法對BP網絡進行優(yōu)化，并將優(yōu)化后的網絡與之對比分析。

表3BP網絡預測結果

序號上孔徑試驗值預測值誤差/(%)下孔徑d/mm試驗值預測值誤差/(%)10.2970.2821-5.020.2590.2517-2.8220.2760.2847-3.150.2380.24834.2330.3280.34294.540.2940.30694.3940.2990.31926.750.2570.26121.6350.3590.3451-3.870.3120.2838-9.0460.4130.43094.330.3540.37676.41

3.2GA-BP網絡對激光打孔工藝的仿真預測[7-9]

BP算法學習收斂速度慢，網絡結構不容易確定。將遺傳算法與BP神經網絡進行融合能有效解決這些問題。遺傳算法用于BP神經網絡有兩個方面：一是優(yōu)化網絡的權值閾值，二是優(yōu)化網絡的拓撲結構。本文采用遺傳算法優(yōu)化BP神經網絡的權值或閾值。本文設計的遺傳神經網絡流程如圖12所示。

訓練過程需控制的參數(shù)為：初始種群規(guī)模數(shù)為50，交叉概率0.6，變異概率0.09，迭代次數(shù)100。表4給出了GA-BP網絡的預測結果。

從表4可以看出，上、下孔徑預測值與試驗值的相對誤差都很小，其中最大4.52%，最小0.34%，基本都限制在±3%以內，說明該網絡的泛化預測能力較強。

3.3兩種網絡模型的對比分析

激光小孔加工孔徑在BP網絡和GA-BP網絡中的預測誤差統(tǒng)計如表5所示。

表4GA-BP網絡預測結果

序號上孔徑試驗值預測值誤差/(%)下孔徑d/mm試驗值預測值誤差/(%)10.2970.29800.340.2590.26251.3320.2760.27921.150.2380.24703.6430.3280.3260-0.610.2940.2927-0.4440.2990.30522.030.2570.2539-1.2250.3590.3524-1.870.3120.2985-4.5260.4130.42562.960.3540.36663.44

表5BP網絡和GA-BP網絡預測精度效果

項目BP上孔徑下孔徑GA-BP上孔徑下孔徑最大相對誤差/(%)6.759.042.964.52最小相對誤差/(%)3.151.630.340.44平均相對誤差/(%)4.614.751.492.43方差1.255.840.812.25

從表5可以看出，GA-BP網絡的孔徑預測精度明顯高于BP網絡。另外，在兩者訓練的過程中，發(fā)現(xiàn)GA-BP網絡在收斂速度和擬合精度方面均優(yōu)于BP網絡。

4　結語

(1)采用單因素試驗方法對1 mm的304不銹鋼、H62黃銅和1060鋁合金進行激光打通孔試驗結果表明：①加工孔的上、下孔徑都隨激光器電壓的升高而增大。②隨著脈寬的增加，3種金屬材料的孔徑逐漸減小。③重復頻率對激光打孔的孔徑影響較小。④離焦量對孔形和孔徑影響很大，正離焦量較小或零離焦量時，加工效果較好。⑤輔助氣體能提高小孔加工質量和形貌。

⑵通過建立激光打孔工藝的BP神經網絡模型和GA-BP神經網絡模型，對不同參數(shù)下激光小孔加工的上下孔徑進行預測。BP網絡模型的預測誤差范圍在-9.04%～6.75%之間，GA-BP模型的預測誤差范圍在-4.52%～3.64%之間。結果表明，經遺傳算法優(yōu)化后的BP網絡模型具有更好的預測精度。因此本文建立的GA-BP神經網絡模型能夠反映激光打孔加工的工藝規(guī)律，對加工中參數(shù)的選擇具有一定的參考意義。

[1]韓淑敏.特種加工的幾種方法介紹[J].煤礦機械，2009,30(6):116-119.

[2] 張國順.現(xiàn)代激光制造技術[M].北京:化學工業(yè)出版社,2005.

[3]邱軼兵.試驗設計與數(shù)據(jù)處理[M].合肥:中國科學技術大學出版社,2008.

[4]Yvonne Rega,Karl-Heinz Leitz.Influence of processing gas on the ablation quality at ns-laser beam ablation[J].Physics Procedia,2011(12):182-187.

[5] Ng G K,Li L.The effect of laser peak power and pulse width on the hole geometry repeatability in laser percussiondrilling[J].Optics&Laser Technology,2001(33):393-402.

[6] 韓力群.人工神經網絡理論、設計及應用[M].北京:化學工業(yè)出版社,2007.

[7] 李延民，楊海鷗，林鑫，等.激光打孔人工神經網絡工藝優(yōu)化研究[J].激光雜志，2002,23(3):27-29.

[8]Shi Zhan-Wu.Optimal dispatch of cascaded hydropower stations using Matlab genetic algorithm toolbox[J].Electric Power Automation Equipment,2005(25):32-33.

[9]李敏強.遺傳算法的基本理論與應用[M].北京:科學出版社,2002.

(編輯孫德茂)

如果您想發(fā)表對本文的看法，請將文章編號填入讀者意見調查表中的相應位置。

Experiment study on laser cutting and process simulation

WANG Zhipeng, LIU Yong, WANG Yu

(School of Mechanical Engineering, Xihua University, Chengdu 610039,CHN)

Though the single factor experimental method,discuss the effect of process parameters on drilling quality during laser drilling,including laser voltage,pulse width,pulse frequency,focus condition and assistant gas.With the help of MATLAB neural network and genetic algorithm toolbox,build laser drilling process model based BP neural network and GA-BP.Then the two modelsare respectively used to train and predict the hole diameter under different machining parameters.The results show that GA-BP model has the better prediction precision.

laser drilling;single factor test; neural network;genetic algorithm

TG665

A

10.19287/j.cnki.1005-2402.2016.06.022

王志鵬，男，1991年生，碩士研究生，研究方向為激光加工及特種精密加工。

2015-11-24)

160638

* 國家自然科學基金(51305357)