碳鋼板激光切割工藝分析及優化*

鐘 毅 欒顯曄 李曉宇 薛海峰 李天享 武路鵬

（①青島科技大學機電工程學院，山東 青島 266061；②山東新松工業軟件研究院股份有限公司，山東 濟南 250013）

隨著中國綜合國力的增強，中國對鋼鐵的需求和消耗量迅速增加。然而，鋼鐵工業面臨著許多嚴峻的挑戰，其中最主要的阻礙是高污染和高耗能。此外，資源限制和環境承載能力對鋼材的生產和有效利用提出了很高的要求[1]。

鋼質板材切割是鋼鐵消耗的主要方式， 切割方式在板材切割中對被切割鋼材的使用率有很大的影響。在板材切割過程中，切割鋼材的方式有很多，其中最常見的是火焰切割[2]，最近發展較快的是等離子切割[3]，廣泛使用的是水刀切割[4]和激光切割[5]。其中激光切割現在被廣泛使用，這因為激光具有高亮度、高方向性、高單色性和高相干性四大特性，因此它在加工鋼材時具有其他加工方法所不具備的優點。由于激光在加工工件時與工件無直接接觸，因此對工件無直接沖擊從而不會導致工件機械變形。并且激光束能量密度高、加工速度快，故對非加工部位影響極小甚至沒有影響。激光加工是局部加工，對非照射區域其引起的熱變形小，所以后續加工最小。激光切割方式的產生，解決了之前切割鋼材需要粗加工然后再次精加工的時間損耗問題，能夠一次性精密加工，可應用領域也隨著研究的進行不斷拓展[6]，加工的精度不斷提高，加工質量不斷改善，對板材切割加工領域的發展產生了重大的影響[7]。

但是在實際切割過程中，切割精度與切割質量受到各種因素的影響[8]，主要集中在激光功率、切割速度、離焦量和輔助氣體壓力等因素[9-10]，這些因素通常由工人根據經驗進行控制，必然會導致板材的浪費。為了實現切割過程的智能化，本文設計了以激光功率、切割速度、離焦量和輔助氣體壓力作為變量，以切縫寬度、表面粗糙度和掛渣高度作為輸出的實驗模型，通過實驗數據研究了激光切割質量與激光切割各影響因素之間的關系。最后采用一維卷積網絡對切割質量判定標準進行建模[11]，對切割質量進行預測，并用多目標優化算法對加工工藝參數進行優化[12-13]。

1 實驗

1.1 實驗材料

本實驗所采用的材料為Q235 低碳鋼板，試樣尺寸為20 mm×20 mm。Q235 的化學成分見表1。

表1 Q235 碳鋼成分

在激光切割中，材料的物理特性對切割質量有著重要的影響，如激光的吸收率、反射率等， Q235碳鋼的物理特性見表2。

表2 Q235 碳鋼物理性質

實驗設備采用的激光切割頭為新松1 500 W 激光切割頭，如圖1a 所示；數控機床采用3015 式機床，如圖1b 所示；激光器為銳科公司生產的RFL-1500 激光器，最大輸出功率為1 500 W，輸出激光波長為1 080 nm，如圖1c 所示；噴嘴采用直徑為1.2 mm 的雙層噴嘴，如圖1d 所示。

圖1 激光切割設備

1.2 實驗方法

本次實驗針對3 mm 厚的Q235 低碳鋼板，通過調整工藝參數進行單因素試驗，對比主要工藝參數對切割效果的影響。以激光功率、切割速度、離焦量和輔助氣體種類和壓力為變量，以切縫寬度、表面粗糙度和掛渣高度為響應。在測量切縫寬度時采用直線切割，其余采用矩形切割。具體的工藝切割參數見表3。

表3 光纖激光切割工藝參數

實驗完成后，采用精度為0.01 mm 的塞尺測量切縫寬度，為了減小測量誤差，每條切縫測量3 次，取其平均值。采用精度為0.02 mm 的游標卡尺對切縫底表面的掛渣高度進行測量，在每條切縫掛渣的不同位置測量5 次，取其平均值。

2 實驗結果與分析

2.1 切割工藝對切縫寬度的影響

圖2 為離焦量位置與其數值正負之間的對應關系示意圖，一般光斑聚焦在工件表面之上時稱為正離焦，離焦量h＞0；光斑聚焦點位于工件表面之下時稱為負離焦，離焦量h＜0。在實際生產中，對于3 mm 碳鋼氧氣切割，一般采用+2 mm～+4 mm的離焦量，這是由于正離焦可使工件底部比上表面切幅更大，有利于氧氣到達工件底部參與充分的氧化反應。并且一定焦點范圍內，正焦點越大，板材表面光斑尺寸越大，割縫四周預熱及熱量補充更充分，碳鋼切割面越光滑越亮。

圖2 離焦量示意圖

在輔助氣體壓力為2.5 bar，離焦量為2.9 mm切割速度為65 mm/s 的情況下改變激光功率，測量切縫寬度如圖3a 所示。實驗結果顯示，隨著激光功率的增大，切縫寬度呈上升趨勢；隨著切割速度的增大，切縫寬度反而越來越??；以能量守恒為依據，在其他條件相同的條件下隨著功率的增大，單位時間內單位面積的板材吸收的能量更多，熱擴散范圍變大，隨之造成切縫的變寬。這與陳亞軍等[14]得出的結論基本一致。

圖3 切割工藝對切縫寬度的影響

在保持其他參數不變的情況下改變切割速度，如圖3b 所示，切縫寬度整體呈下降趨勢，這是因為在功率不變的情況下切割速度增加單位面積板材吸收的能量減少，熔化金屬量減少，切縫變窄。

由圖3c 可以看出，輔助氣體壓力在2.1～2.5 bar變化時切縫寬度在逐漸減小，且在2.5 bar 時切縫寬度達到最小，一旦氣壓超過2.5 bar 切縫寬度會顯著增大。這是因為O2在切割過程中參與氧化反應起到助燃的作用，當輔助氣體壓力超過2.5 bar 時，切割過程中參與放熱反應的O2增多，板材與氧氣的接觸面積增大，導致被氧化的金屬面積增加，所以切縫寬度急劇增加。

如圖3d 所示，隨著離焦量的增大，切縫寬度先減小后增大，在2.5～2.9 mm 時基本不變。這是因為當激光焦點位置在工件正上方時，激光束到達工件表面后的照射范圍會很寬，并且會在狹縫中擴散。當離焦量小于2.5 mm 時，激光能量更多地在工件下表面被吸收，導致下表面切縫寬度增大；當離焦量小于1.8 mm 時，板材切縫寬度急劇增大且產生大量熔渣，因此無法將實驗數據作為有效參考；當離焦量大于2.9 mm 時，切口上部的能量將被過度吸收，同樣導致切縫寬度的增加。

2.2 切割工藝對掛渣高度的影響

如圖4a 所示，在切割速度小于50 mm/s 的情況下，掛渣高度隨切割速度的增大逐漸減小，在50～60 mm/s 的時候有一段無掛渣區，但是繼續增加切割速度掛渣也將隨著出現，直到不能切開板材。在切割速度較低的情況下，氧氣與板材氧化反應時間長熔渣多，氧氣不能及時吹走熔渣因此造成了掛渣的產生。當切割速度與氧氣壓力相匹配時，熔渣能被及時吹走，所以切縫表面無掛渣現象。但是當速度進一步增大，材料表面吸收能量不足，并且輔助氣體作用于熔渣吹除時間過短，則會在切件下方產生掛渣。

圖4 切割工藝對掛渣高度的影響

由圖4b 可以看出，隨著輔助氣體壓力的增加，切件掛渣高度明顯減小，但是輔助氣體壓力過大也會在切件下緣產生一些細小的顆粒，這是由于輔助氣體具有冷卻的作用，在壓力過大時冷卻力度也隨之上升，一些熔融物質會在被吹走之前快速冷卻并附著于切縫下面。

如圖4c 所示，在離焦量2.1～2.9 mm 時掛渣高度隨著離焦量的增大逐漸減小，在2.9 mm 時達到最佳，隨著離焦量的繼續增大掛渣高度也將增高，這是因為焦點離板材小于2.9 mm 時激光束能量過高，熔融物質太多，氣壓不足無法將熔融物迅速吹走，當離焦量繼續增大時，激光束能量不足且光斑直徑過大不足以將板材及時切開，導致掛渣的出現。兩種情況下在板材的下面會產生不同類型的掛渣，離焦量大于2.9 mm 時屬于球狀掛渣，如圖5a所示；離焦量小于2.9 mm 時屬于碎狀掛渣球，如圖5b 所示。

圖5 掛渣類型

Wolfgang S 等[15]認為，掛渣與切割前沿熔體的流動性有關，切割前沿熔體的流動性又與系統動態變量有關。由圖4d 可知，隨著激光功率的增加，掛渣高度逐漸減小，這是因為激光功率增加，板材下方熔融產物的系統動態變量增大，所以熔融物的流動性增高，可被高壓氣體徹底吹除，進而無掛渣的產生。

2.3 切割工藝對表面粗糙度的影響

通過表面粗糙度測量儀對切件同一側切割面進行測量，選取Ra 值與Rz 值作為參考標準，其中Ra 為輪廓的算術平均偏差，Rz 為微觀不平度十點平均高度[16]。由圖6a 可知，隨著切割速度的增加，切件表面粗糙度總體呈下降趨勢，且在大于55 mm/s時下降速度增大。這是由于隨著切割速度的增大氧氣與碳鋼反應時間減少，切割過程與氧化反應趨于平衡，表面粗糙度也隨之減小。

圖6 切割工藝對表面粗糙度的影響

由圖6b 可知，隨著激光功率的增大，切件表面粗糙度會產生細微的變化，但整體變化不大，說明激光功率對表面粗糙度影響不大。在激光切割過程中，由于熔化和氣化等現象，切縫表面會形成不均勻的形狀，同時由于輔助氣體和切割速度等工藝參數的影響，切縫表面會形成切割條紋，這些原因導致了表面粗糙度的差異。當激光功率大于1 000 W時，材料在極短時間內被快速切開，且輔助氣體可以快速吹走熔渣，因此切縫表面切線不明顯，表面粗糙度相對較小。隨著激光功率的增加，材料的熔化量增加，氣化程度增加，導致切割縫的表面粗糙度在一定程度上增加。但是，由于氣體壓力的除渣能力一直大于熔融物的增加量，即使熔化物的量增加，輔助氣體仍能及時吹走熔融材料，不會在切割縫表面造成大量不平整，因此表面粗糙度變化不大。

由圖6c 可知，表面粗糙度隨著輔助氣體壓力的增大先減小后增大，大約在3 bar 時達到最小。當壓力低于3 bar 時，熔融物不能被及時地吹走，工件切割面處會產生熔漬導致表面粗糙度增大；當壓力高于3 bar 時，則會在切件表面產生渦流導致切割表面切割條紋增多，如圖7 所示，嚴重影響了切割質量。

圖7 工件切面形貌

由圖6d 可知，在離焦量增大的情況下表面粗糙度變化不規律，由于離焦量的不同激光焦點位置發生改變，激光的能量也發生了變化，板材切割面會出現切割不充分與過燒的情況，導致表面粗糙度改變。

3 卷積神經網絡預測與多目標優化

3.1 模型的選擇與設計

一維卷積神經網絡是處理數據的一種經典深度神經網絡模型。卷積神經網絡具有三種特征：稀疏連接、參數共享和等變表示。相較于其他深度神經網絡，卷積神經網絡具有更快的訓練速度和更少的參數。這些特征使卷積神經網絡在數據處理方面具有無可比擬的優勢。卷積神經網絡相比于傳統BP神經網絡有更好的泛化能力，且回歸預測的準確性更好[17]。

為了研究激光切割質量與激光切割各影響因素之間的關系，本次實驗設計了一種4 層卷積網絡，分為輸入層、一維卷積層、全連接層和輸出層，如圖8 所示。輸入層分別是切割速度、激光功率、離焦量、激光功率，輸出層分別是切縫寬度、掛渣高度、Ra 值與Rz 值，將在上述實驗中的參數設定和測量結果的50 組數據作為原始數據，樣式見表4，其中前35 組作為訓練集，后15 組作為測試集，對激光切割工藝的質量特性結果進行預測。

圖8 一維卷積網絡結構

表4 碳鋼工藝參數及測量數據

圖9 所示為卷積神經網絡預測的激光切割質量與實際值的對比圖，根據預測數據與實際值對比可知，各項質量特性的平均誤差都在5%以內，因此驗證了網絡的可靠性。

圖9 激光切割質量特性實際值與預測值

3.2 加工工藝優化

由于激光切割的輸入和輸出變量之間的復雜數學關系在形成閉合形式目標函數的過程中經常會產生明顯的誤差，因此使用卷積神經網絡預測的結果作為遺傳算法的適應度值可以適當避免這些誤差的產生。

在驗證卷積神經網絡的可靠性之后，為了得到最終所需的最佳工藝參數，本文采用帶精英策略的非支配排序的遺傳算法（NSGA-II）對切割過程中各質量特性進行優化以獲得帕累托最優解（這些最優解在目標和變量值方面具有良好的多樣性），具體方法如圖10 所示。首先將子代種群Q 與父代種群P 進行合并以組成一個包含2N個樣本的新種群Rt。然后將種群Rt進行非支配排序，并且在排序過程中計算每個個體的擁擠度，最終得出一系列非支配集A。由于種群Rt中包含了父代和子代的所有個體，因此經過非支配排序后的非支配集A1所包含個體是整個Rt種群中最好的個體集合，故A1為新的父代種群Pt+1中的一部分。若此時種群Pt+1的規模小于N，那么以此類推向，Pt+1中填加下一級的非支配集A2，直到新種群Pt+1的大小超出N，則對An中的每一個體使用擁擠度比較算子（偏序關系），提取個體，使種群Pt+1的規模達到N。最后通過遺傳算子，如選擇、交叉、變異，來產生新的子代種群Qt+1。

圖10 快速非支配排序

針對本文的問題，總體中N個字符串中的每一個的總體都包含4 個子字符串，它們表示約束變量，就是神經網絡的輸入v、P、F和h，根據實驗數據約束v的取值范圍為60 ～65，P的取值范圍為1 400～1 500，F的取值范圍為2.6～3.1，h的取值范圍為2.5～3.0。

本次實驗以切縫寬度與掛渣高度作為優化目標，經過100 次迭代后得到適應度值為0.447 的變化曲線如圖11 所示，最終得到的帕累托最優解集，見表5。將表5 中的3 組數據進行實驗驗證并在宏觀與微觀兩種情況下進行對比，如圖12 和圖13所示，經過對比可得到最優工藝參數為P=1 500 W，v=64 mm/s，F=2.6 bar，h=2.9 mm。

圖11 適應度進程圖

圖12 驗證試件宏觀圖

圖13 驗證試件微觀圖

表5 帕累托最優解集

4 結語

本文通過實驗綜合分析了激光切割工藝參數對切割質量的影響，并采用實驗與卷積神經網絡相結合的方法，對切割3 mm 厚Q235 碳鋼的切割質量參數預測，最終通過NSGA-II 優化獲得最優工藝參數組合，主要結論如下：

（1）根據實驗結果表明切縫寬度的大小主要由切割速度與離焦量決定，掛渣高度受離焦量與激光功率的影響較大，切縫表面的粗糙度主要由切割速度與輔助氣體壓力決定。同時根據實驗數據可確定最終優化參數的取值范圍。

（2）采用卷積神經網絡方法，建立激光切割質量的數學模型，根據該模型預測激光切割切縫寬度、表面粗糙度、掛渣厚度等工藝參數。

（3）通過卷積神經網絡與多目標優化算法相結合的方法可得到最佳工藝參數為P=1 500 W，v=64 mm/s，F=2.6 bar，h=2.9 mm。

通過上述分析與驗證，得出實驗結合卷積神經網絡在激光切割預測方面的可靠性，卷積神經網絡與多目標優化算法相結合的方法也可對實驗數據集的參數進行優化，這可以極大程度上減少傳統工作中以人工經驗為主導的切割實驗，因此可用于指導實際的企業生產和科研實踐。