基于激光熔化技術加工工藝參數優化研究

摘 要：為進一步提升選區激光熔化技術加工材料的質量，提出一種基于PSO-BP神經網絡的工藝參數優化模型，通過提升致密度進一步提升材料質量。其中，使用粒子群優化算法PSO對BP神經網絡進行參數優化，進一步提升參數優化預測精度。實驗結果表明，與基于傳統的BP神經網絡優化預測模型相比，基于PSO-BP神經網絡的工藝參數優化模型具有更高的預測精度，優化后的預測致密度值更加接近于真實值，且優化預測過程的穩定性更好，更加適用于選區激光熔化技術的工藝參數優化，實現效果更佳的質量提升。

關鍵詞：材料制備；選區激光熔化技術；BP神經網絡；PSO

中圖分類號：

TP392；TQ171.6+2

文獻標志碼：

A文章編號：

1001-5922（2024）01-0129-04

Optimization study of" processing parameters based on laser melting technology

ZHAO Weiping，REN Wei，ZHANG Leiwei，ZHANG Hua

（Mechanical and Electrical Engineering College of Tongchuan Vocational and Technical College，Tongchuan 727031，Shaanxi China）

Abstract：To further improve the quality of materials processed by selective laser melting technology，a process parameter optimization model based on PSO-BP neural network was proposed，which improves the material quality by increasing the density.In this model，the particle swarm optimization algorithm PSO was used to optimize the parameters of BP neural network，and the prediction accuracy of parameter optimization was further improved.The experimental results showed that compared with the traditional BP neural network optimization prediction model，the PSO-BP neural network based process parameter optimization model had higher prediction accuracy，the predicted density value after optimization was closer to the true value，and the stability of the optimized prediction process was better.It is more suitable for optimizing process parameters of selective laser melting technology，achieving better quality improvement.

Key words：material preparation;selective laser melting technology;BP neural network;PSO

作為當前使用較為廣泛的金屬增材制造技術之一，選區激光熔化技術在進行材料制造時成本較低且制作周期較短，但在激光熔化成形過程中，容易受到各種因素的影響，使得成形工藝不穩定，進而使得材料的質量受到影響。對于選區激光熔化技術的工藝優化，大部分研究均通過材料密度進行工藝優化效果的判斷，其中，通過正交實驗等方法可得到影響材料密度的相關工藝參數，包括激光功率、掃描間距、掃描速度等［1-3］；在進行選區激光熔化材料的工藝優化時，主要的優化路徑即是對影響材料密度的各個參數進行篩選擇優，同時通過實驗確定對應密度最優的各個參數，得到的優化結果為一組對材料密度影響較明顯的參數組合，將其應用于加工過程中能夠有效提升材料質量［4-6］；在確定對選區激光熔化工藝參數優化的途徑后，加工材料質量的進一步提升便涉及到了參數優化問題，而參數優化方法眾多，根據選區激光熔化工藝參數的特點，可通過人工神經網絡進行參數關系建立，再通過算法進行參數優化，能夠得到更佳的參數組合［7-9］。綜合上述研究成果同時結合國內外研究現狀可知，在當前的選區激光熔化工藝優化研究中，主要優化方向為對影響材料密度的各個參數進行優化，因此需要性能優異的優化算法進一步提升參數優化效果。因此，嘗試提出一種基于改進BP神經網絡的參數優化模型對選區激光熔化工藝參數進行優化，以進一步提升制作材料的致密度，進而提升材料質量。

1 選區激光熔化技術

1.1 選區激光熔化技術原理

選區激光熔化技術在材料加工時，主要工作內容：在進行打印前首先通過CAD軟件進行成形件相關參數信息的獲取，然后將得到的成形件三維模型轉換為相應的文件形式進行切片；進行成形件打印時，首先在工作臺基板上鋪設一層金屬粉末，然后根據設定輪廓控制激光束機芯進行粉末的選區激光熔化成形，由此可得到一個零件截面層；完成一層截面輪廓的掃描成形后，送粉缸和成形缸會分別上升和下降一個高度，進行下一層的撲粉成形，重復操作最終得到加工零件［10-11］。選區激光熔化技術的工作原理如圖1所示。

零件在進行選區激光熔化成形加工時有惰性氣體進行保護，因此材料在成形過程中并不會受到影響，而在完成打印后，可通過后續處理進一步提升成形件材料致密度和力學形能。

1.2 材料缺陷

由于選區激光熔化技術加工方式的獨特性，加工所得金屬成形件存在一定的缺陷，設計主要針對以下3種缺陷進行分析［12-13］：

（1）球化。

球化情況的出現是由于進行加工時金屬粉末鋪設不平坦使得金屬球之間存在未填充的孔隙。球化情況的出現對材料的致密度影響十分明顯；

（2）孔隙。

球化現象是導致金屬成形件孔隙形成的主要原因。加工過程中無法對已經成形層的孔隙進行填充，使得間隙出現并進一步發展為孔隙，同時，加工過程中氣體無法及時揮發是造成孔隙出現的另一原因；

（3）裂紋。

由于選區激光熔化加工過程中金屬粉末融化到凝固的過程為瞬間完成，存在溫度的驟降和突增，產生較大的熱應力會使得強度不足的材料出現裂縫。

2 基于改進BP神經網絡的選區激光熔化工藝參數優化

設計選擇致密度作為選區激光熔化技術加工所得金屬成形件材料質量的指標，而影響材料致密度的工藝參數產生的影響將作用于材料致密度。因此，設計引入BP神經網絡進行工藝參數與致密度關系的擬合［14-15］。

其中，

網絡的權值和閾值是BP神經網絡中最重要的指標，兩個參數直接決定著預測模型的誤差大小［16］，因此在在進行BP神經網絡的優化時，主要針對其網絡權值和閾值進行優化，設計選擇的參數優化方法為粒子群優化算法PSO。

2.1 粒子群優化算法

PSO在進行參數優化時，將參數類比為種群粒子，通過將經過初始化的粒子進行不斷的位置和速度更新實現尋優，在每個新的位置均會進行粒子的速度和適應度值的計算，進而對粒子質量的優劣進行判定［17］。

在進行尋優的過程中，會對粒子的個體極值pbest和群體極值Gbest進行跟蹤，每次進行粒子更新時均會通過比較不斷進行個體極值和群體極值的更新，直至完成更新得到最終的最優值［18］。

2.2 基于PSO改進的BP神經網絡算法流程

將BP神經網絡的初始權值和閾值作為PSO算法的初始值粒子群，進行尋優，通過迭代得到最優權值和閾值，返回至BP神經網絡進行預測。經過PSO優化后的BP神經網絡的算法流程如圖1所示。

將構建的如圖1所示的改進BP神經網絡應用于選區激光熔化技術的工藝參數優化。

2.3 工藝參數優化模型的構建

2.3.1 選區激光熔化工藝參數的選擇

在選區激光熔化技術的各個工藝參數中，選擇激光功率（P）、掃描速度（v）、掃描間距（s）和鋪粉厚度（t）作為設計的工藝影響參數組合，上述4個工藝參數均對材料的致密度存在直接的影響，對其進行優化能夠使得致密度得到進一步改善。

材料的致密度作為材料質量的直接評價指標，實際的優化效果可直接對比優化前后的材料致密度即可。設定目標成形件的干重為m0，浸入蒸餾水后的濕重為m1，則該成形件的相對致密度為：

ρr=m0ρ1m0-m1ρ0×100%（1）

式中：ρ1為標準大氣壓下蒸餾水的密度；ρ0為316L不銹鋼的標準密度。

2.3.2 數據樣本選擇

在實驗設置的工藝參數范圍內隨機選擇參數組合，進行選區激光熔化成形實驗，得到40組成形樣本。

2.3.3 數據歸一化

設計得到的實驗數據之間存在明顯的數量級差距，而為了避免數據之間存在的數量級差距帶來的預測誤差，對得到的數據樣本進行歸一化處理。選擇的歸一化處理方法為歸一化函數Mapminmax，將數據樣本映射至區間［-1，1］［19］。

2.3.4 基于PSO-BP神經網絡的工藝參數優化模型構建

在完成BP神經網絡的改進以及數據的準備后，將改進后的BP神經網絡應用于選區激光熔化成形技術的工藝參數優化中，并使用經過歸一化處理的數據樣本作為參數優化模型的輸入數據。設計選定的工藝參數數量為4個，輸出指標為致密度，因此設定最終構建的基于PSO-BP神經網絡的工藝參數優化模型的輸入層節點數為4，輸出層節點數為1。最終構建的模型結構如圖2所示。

3 實驗驗證與結果分析

3.1 實驗設置

采用的選區激光熔化成形設備為廈門五星瓏科技有限公司自主研發的WXL-120P機型［20］。設計在進行參數優化模型的驗證時在MATLAB軟件上進行。

在進行優化模型訓練時，設置最大訓練次數為1000次，訓練目標值設置為1×10-5，學習率設置為0.01，PSO算法中學習因子C1和C2分別設置為0.5和1.0。

在引入的40個樣本數據中，隨機選擇30組樣本數據作為模型的訓練數據集，剩余10組作為測試數據集。

3.2 優化模型驗證

為了對PSO優化算法的優化效果進行驗證，對優化過程中的算法適應度值進行測試，得到如圖3所示的測試結果。

由圖3可知，隨著迭代次數的增加，參數的適應度值逐漸減小，在迭代次數達到40后，適應度達到了穩定狀態，這表明PSO算法能夠在較少的迭代次數內實現效果較好的參數優化。

3.3 工藝參數優化預測實驗

為了測試對BP神經網絡進行改進的實際效果，使用經過PSO改進前后的BP神經網絡進行工藝參數優化預測測試，使用的測試數據為劃分的訓練集，并將兩個預測結果與真正值進行變化曲線繪制，得到如圖4所示的對比測試結果。

由圖4可知，與未改進的BP神經網絡的預測結果相比，PSO-BP神經網絡與真實的參數之間的誤差更小，變化趨勢基本一致，曲線更加貼近，這表明改進后的BP神經網絡具有更加優秀的預測性能。

為了測試將PSO-BP神經網絡應用于選區激光熔化成形技術工藝參數優化的實際效果，使用劃分的測試數據樣本對改進前后的BP神經網絡進行預測對比測試，得到如圖5所示的預測測試結果。

由圖5可知，基于PSO-BP神經網絡的工藝參數優化預測致密度值明顯更加接近于真實值，這表明該模型具有更好的優化預測效果。

為了對設計的參數優化預測模型的性能進行進一步驗證，將2種BP神經網絡改進前后的兩種預測模型的預測結果誤差繪制如圖6所示。

由圖6可知，2個預測模型的預測誤差存在明顯差異，基于PSO-BP神經網絡的參數優化預測模型的最大誤差率為-3%，明顯低于傳統BP神經網絡預測模型7.5%的最大誤差，同時還具有更強的穩定性。

4 結語

將經過PSO優化后的BP神經網絡應用于選區激光熔化成形技術工藝參數優化中，并將實驗制得的工藝參數組合數據樣本作為優化模型的輸入，能夠實現精度較高且穩定性較強的參數優化預測，得到的材料致密度值更加接近于真實值，表明該方法能夠對選區激光熔化成形加工的材料質量進行有效提升。但設計的優化模型依然存在可優化空間，例如選擇的工藝參數個數較少。因此，下一步的研究將進一步豐富工藝參數數量，進一步提升優化效果。

【參考文獻】

［1］ 許陽，班樂，肖志瑜.選擇性激光熔化成形CoCrWMo合金工藝優化及摩擦磨損性能［J］.粉末冶金技術，2021，39（6）：505-511.

［2］ 楊紫微，陳超，吳誼友，等.選區激光熔化成形Al-Ce-Sc-Zr合金的工藝優化與組織性能［J］.粉末冶金材料科學與工程，2023，28（2）：170-179.

［3］ 王金海，儀傳明，肖罡，等.12Cr9NiAlMo模具鋼的選區激光熔化成形工藝優化及熱處理后的組織和性能［J］.機械工程材料，2022，46（10）：49-55.

［4］ 舒雷，張正文，劉麗君，等.粉末床激光熔化成形H13鋼工藝優化及力學性能研究［J］.機械科學與技術，2022，41（12）：1914-1920.

［5］ 時云，王聯鳳，杜洋，等.AlSi10Mg鋁合金選區激光熔化成形缺陷控制和表面質量優化［J］.應用激光，2023，43（3）：19-25.

［6］ 楊青峰，高士鑫，陳平，等.核電用316L不銹鋼粉末增材制造研究現狀［J］.精密成形工程，2023，15（5）：209-219.

［7］ 賈莉，吳龍.影響激光選區熔化3D打印質量的工藝參數優化研究［J］.激光雜志，2021，42（5）：166-170.

［8］ 關杰仁，陳超，丁紅瑜，等.激光選區熔化成形Al-Mg-Sc-Zr高強鋁合金研究進展［J］.中國有色金屬學報，2022，32（5）：1224-1236.

［9］ 段佩，龔加安.金屬零部構件激光熔覆工藝參數優化的數學建模設計［J］.粘接，2022，49（10）：105-109.

［10］ 李瑞鋒，李客，周偉召.激光金屬3D打印技術的研究進展［J］.粘接，2022，49（7）：98-105.

［11］ 曾壽金，吳啟銳，韋鐵平，等.選區激光熔化醫用316L多孔結構的多目標工藝優化［J］.中國機械工程，2022，33（6）：718-727.

［12］ 張哲輝.金屬3D打印技術中缺陷工藝參數關聯關系研究［J］.世界有色金屬，2022（3）：158-160.

［13］ 梅益，肖展開，羅寧康，等.基于BP神經網絡連接端子溫擠壓成型優化［J］.計算機應用與軟件，2023，40（5）：97-102.

［14］ 楊敏，唐孝生.BP神經網絡在激光器參數優化中的應用［J］.激光雜志，2020，41（5）：168-172.

［15］ 王超，王銀花.基于BP神經網絡的蕪湖市社會用電量預測研究［J］.淮北師范大學學報（自然科學版），2023，44（2）：36-41.

［16］ 胡樂天，魏群，馬湘蒙，等.基于PSO-BP的藻類膜系統處理己內酰胺模擬污水水質預測［J］.合成纖維工業，2023，46（2）：18-23.

［17］ 張廣強.基于小波去噪和PSO-BP神經網絡模型的煤礦邊坡變形預測［J］.經緯天地，2023，（1）：4-7.

［18］ 王磊，郭鎧，叢佳琦，等.工藝參數對選區激光熔化316L不銹鋼缺陷的影響［J］.激光與光電子學進展，2023，60（5）：182-189.

［19］ 呂鵬飛，邱林.基于PSO-LSSVM的礦井沖擊地壓分級預測研究［J］.礦業安全與環保，2021，48（1）：120-125.

［20］ 滕寶仁，黎振華，李淮陽，等.選區激光熔化制備顆粒增強金屬基復合材料的研究進展［J］.材料導報，2022，36（2）：142-147.