一种基于神经网络的激光选区熔化工艺参数确定方法与流程

本发明涉及零件加工生产领域,尤其涉及一种基于神经网络的激光选区熔化工艺参数确定方法。

背景技术：

1、随着增材制造技术的发展，相较于传统加工技术的高自由度的零件设计空间、更短的研发生产周期、更高的材料利用率优势，吸引了越来越多的行业关注，激光熔化成型作为增材制造具有代表性的技术，也逐渐引进到非专业增材制造生产的产业。但因为激光熔化成型针对的材料前期工艺探索性试验确定最佳工艺参数窗口比较繁琐，让增材制造技术推广的难度增加，为了降低激光熔化成型技术使用的门槛，有需要确定工艺参数的需求。

2、为提高零件管理的自动化水平，可通过综合工艺参数系统,将每个零件上所加工的工艺参数进行统计，并及时发送至零件的管理平台。而零件管理平台也可根据需要实时调用查看零件的激光功率情况。而这些信息具有高度敏感性,及时对零件设备的激光功率情况进行统计并做出响应策略，是实现现代零件自动化控制必不可少的一步。但是，目前市面上现有的综合工艺参数系统设备还不具备有此功能。

技术实现思路

1、为了克服现有技术存在的缺点与不足,本发明提供一种基于神经网络的激光选区熔化工艺参数确定方法。

2、本发明所采用的技术方案是，一方面，本发明提出一种基于神经网络的激光选区熔化工艺参数确定方法，包括如下步骤：

3、s1、采集零件工艺参数确定流程的激光功率指标数据、工艺参数确定范围和激光功率数据监测时的设备运转状态、扫描间隙、零件伸长率和激光选区熔化程度；

4、s2、在所述零件工艺参数确定流程接上工艺参数确定监控组件，且未向工艺参数确定流程激光功率监控组件发出采集数据时，实时采集所述工艺参数确定流程监测节点上的单位时间内的工艺参数波动范围；

5、s3、对所需要确定的工艺参数的材料确定所需铺粉层厚，通过激光选区单道扫描实验，以合适的单道扫描路径的80％设置扫描间距，以激光功率间隔10w，扫描速度间隔50mm/s设置不同100组参数打印xy横向拉伸试样，然后测量xy向抗拉强度，断后伸长率，得到一个关于xy向抗拉强度，断后伸长率和通过扫描速度、激光功率、扫描间隙、铺粉层厚算出的能量密度的非线性关系；然后再打印同样参数的试块通过阿基米德排水法测致密度，得到致密度与能量密度的非线性关系；

6、s4、构建神经网络数据集，将xy向抗拉强度、断后伸长率、致密度作为输入量，能量密度作为输出量，以前七十组数据构建一个exce l表构建训练集，后面三十组数据构建一个exce l表构建验证集，训练集用来训练遗传算法优化的bp神经网络得到预测模型，验证集用来验证得到预测模型的准确性；

7、s5、训练遗传算法优化的bp神经网络，通过mat l ab软件导入遗传算法优化的bp神经网络多输入单输出回归预测的源代码，然后读取构建的训练集exce l文件开始运行源代码进行神经网络学习，输出得到预测模型后再读取验证集进行验证，得到具有置信度loss率符合预期的能量密度预测模型，通过输入所需保障的致密度，xy向抗拉强度、断后伸长率预测得到最佳工艺参数窗口；

8、s6、构建预测工艺参数的可视化界面设计，通过mat l ab软件自带的可视化界面设计，将遗传算法优化的bp神经网络嵌入界面中，当使用此方法验证其他材料时，应导人其他材料对应的训练集和验证集，在软件设置的窗口中输入想要得到的材料应具备的相应致密度、抗拉强度、断后伸长率，即可获得对应的激光功率、扫描速度、扫描间距及打印层厚打印参数；

9、s7、根据所述实时工艺参数波动范围、监测节点信息采集阈值和单位时间内的工艺参数波动范围确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据规范所允许最佳值。

10、上述装置的一种基于神经网络的激光选区熔化工艺参数确定方法和系统，采集零件工艺参数确定流程的激光功率指标数据、工艺参数确定范围和激光功率数据监测时的设备运转状态、扫描间隙、零件伸长率和激光选区熔化程度，在所述零件工艺参数确定流程接上工艺参数确定监控组件，且未向工艺参数确定流程激光功率监控组件发出采集数据时，实时采集所述工艺参数确定流程监测节点上的单位时间内的工艺参数波动范围，根据所述实时工艺参数波动范围、监测节点信息采集阈值和单位时间内的工艺参数波动范围确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据规范所允许最佳值；结合零件工艺参数确定流程的固有特性和单位时间内的工艺参数波动范围确定当前测量到的激光功率指标数据规范所允许最佳值，该规范所允许最佳值实时更新及时反映装置当前的误差干扰情况，进而在采集到测量激光功率指标后通过排除该误差干扰，可以使得测量结果更准确。

11、在其中一个实施例中，所述根据所述实时工艺参数波动范围、监测节点信息采集阈值和单位时间内的工艺参数波动范围确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据规范所允许最佳值的步骤具体为：

12、若所述单位时间内的工艺参数波动范围位于所述实时工艺参数波动范围和监测节点信息采集阈值之间，将所述单位时间内的工艺参数波动范围作为所述规范所允许最佳值；

13、若所述单位时间内的工艺参数波动范围小于等于所述实时工艺参数波动范围，将所述实时工艺参数波动范围作为所述规范所允许最佳值；

14、若所述单位时间内的工艺参数波动范围大于等于所述监测节点信息采集阈值，将所述监测节点信息采集阈值减去特定环境下的标准数据噪声滤除后作为所述规范所允许最佳值。

15、在其中一个实施例中，所述根据所述实时工艺参数波动范围、监测节点信息采集阈值和单位时间内的工艺参数波动范围确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据规范所允许最佳值的步骤之后，还包括：

16、根据所述规范所允许最佳值和所述工艺参数确定流程监测节点当前接收到的接收监测节点信息采集阈值确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据的指标。

17、在其中一个实施例中，所述根据所述规范所允许最佳值和所述工艺参数确定流程监测节点当前接收到的接收监测节点信息采集阈值确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据的指标的步骤具体为：

18、若所述工艺参数确定流程监测节点当前接收到的接收监测节点信息采集阈值小于所述规范所允许最佳值，激光功率数据指标监测失败；

19、若所述工艺参数确定流程监测节点当前接收到的接收监测节点信息采集阈值大于等于所述规范所允许最佳值，所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据的指标为所述接收监测节点信息采集阈值减去所述规范所允许最佳值。

20、在其中一个实施例中，所述在所述零件工艺参数确定流程接上工艺参数确定监控组件，且未向工艺参数确定流程激光功率监控组件发出采集数据时，实时采集所述工艺参数确定流程监测节点上的单位时间内的工艺参数波动范围的步骤具体为：

21、在所述零件工艺参数确定流程接上工艺参数确定监控组件，且未向工艺参数确定流程激光功率监控组件发出采集数据时，实时采集工艺参数确定流程监测节点接收到的多个工艺参数波动范围，根据所述多个工艺参数波动范围采用主成分分析算法交替进行数据特征提取得到所述工艺参数确定流程监测节点上的单位时间内的工艺参数波动范围。

22、在其中一个实施例中，所述特定环境下的标准数据噪声滤除依据零件工艺参数确定流程所处的不同加工环境而调整。

23、另一方面，本发明提出一种装置的一种基于神经网络的激光选区熔化工艺参数确定方法，包括：

24、工艺参数确定流程数据采集模块，用于采集零件工艺参数确定流程的激光功率指标数据、工艺参数确定范围和激光功率数据监测时的设备运转状态、扫描间隙、零件伸长率和激光选区熔化程度；

25、实时工艺参数波动范围模块，用于在所述零件工艺参数确定流程接上工艺参数确定监控组件，且未向工艺参数确定流程激光功率监控组件发出采集数据时，实时采集所述工艺参数确定流程监测节点上的单位时间内的工艺参数波动范围；

26、最佳值确定模块，用于根据所述实时工艺参数波动范围、监测节点信息采集阈值和单位时间内的工艺参数波动范围确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据规范所允许最佳值。

27、在其中一个实施例中，所述最佳值确定模块具体用于：

28、若所述单位时间内的工艺参数波动范围位于所述实时工艺参数波动范围和监测节点信息采集阈值之间，将所述单位时间内的工艺参数波动范围作为所述规范所允许最佳值；

29、若所述单位时间内的工艺参数波动范围小于等于所述实时工艺参数波动范围，将所述实时工艺参数波动范围作为所述规范所允许最佳值；

30、若所述单位时间内的工艺参数波动范围大于等于所述监测节点信息采集阈值，将所述监测节点信息采集阈值减去特定环境下的标准数据噪声滤除后作为所述规范所允许最佳值。

31、在其中一个实施例中，还包括：

32、当前激光功率指标采集模块，用于根据所述规范所允许最佳值和所述工艺参数确定流程监测节点当前接收到的接收监测节点信息采集阈值确定所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据的指标。

33、在其中一个实施例中，所述当前激光功率指标采集模块具体用于：

34、若所述工艺参数确定流程监测节点当前接收到的接收监测节点信息采集阈值小于所述规范所允许最佳值，激光功率数据指标监测失败；

35、若所述工艺参数确定流程监测节点当前接收到的接收监测节点信息采集阈值大于等于所述规范所允许最佳值，所述工艺参数确定流程激光功率监控组件当前测量到的激光功率指标数据的指标为所述接收监测节点信息采集阈值减去所述规范所允许最佳值。

36、有益效果：

37、本发明提出一种基于神经网络的激光选区熔化工艺参数确定方法，该方法和系统能够快速的对工艺参数确定流程数据进行处理并发出数据，保证了工艺参数确定流程数据可以及时准确的得到处理，并且处理过程对误差进行滤除，使得对工艺参数确定流程数据的判断更加准确，从而形成一套巡检工艺参数确认方法，本发明将实验测得致密度和力学性能与能量密度的非线性映射关系通过遗传算法优化的bp神经网络建立回归预测模型，遗传算法优化的bp神经网络建立的预测模型精确度极高，设计预测参数模型的程序界面后，只需输入所需的致密度和力学性能要求，即可通过神经网络预测模型预测一个最佳的能量密度，从而得到最佳的工艺参数，精准高效，且适用于大部分的材料，适用范围广，有利于推广激光熔化选区技术。