一种粉末激光3D打印成型工艺的参数优化方法与流程

本发明涉及数据处理。更具体地，本发明涉及一种粉末激光3d打印成型工艺的参数优化方法。

背景技术：

1、粉末激光3d打印是一种增材制造技术，主要用于金属和合金材料的加工。该工艺通过使用高能激光束将金属粉末逐层熔化并凝固成预定形状来构建零件，打印参数直接决定了最终产品的质量和性能，为了获得高质量的成品，优化打印参数至关重要。

2、相关技术中，如公开号为cn108197384a的专利申请文件中，公开了粉末激光3d打印成型工艺的参数优化方法，该方法包括：利用计算机有限元程序，对金属粉末在不同工艺参数下成型时的温度、应力和应变场进行分析计算，跟踪零件打印过程中的应力和应变值，并对不同工艺参数下零件成型后的形变与缺陷进行预测，然后根据分析结果，对现有的工艺参数进行快速优化，以快速获得粉末成型的最佳工艺参数。

3、然而，上述方案中仅使用了有限元分析模型，选取离散工艺参数输入有限元分析模型，并对比有限元分析结果获取最佳离散工艺参数，计算量庞大，计算效率较低，且得到的最佳离散工艺参数，受离散数据选取精度的影响较大，从而在一定程度上可能会导致确定的最佳离散工艺参数的准确性较低。

技术实现思路

1、为了解决确定最佳工艺参数时的效率以及准确性较低的问题，本发明提出一种粉末激光3d打印成型工艺的参数优化方法。

2、根据本发明实施例的一个方面，提供了一种粉末激光3d打印成型工艺的参数优化方法，包括：

3、将待打印件的多个工艺参数的范围作为粒子群算法的解空间，对各工艺参数进行有限元分析，确定粒子群算法的目标函数；

4、获取预设的解空间内的模拟粒子和实测粒子，利用实测粒子对预构建的支持向量机进行迭代训练时，计算任一模拟粒子在任一次训练时的可信度，为历史训练过程中实测粒子的数量，为第次训练时实测粒子的数量，为第次训练时将第个模拟粒子输入到支持向量机获取的模拟适应度值，为该次训练时利用目标函数确定的第个实测粒子所在位置的工艺参数的实测适应度值，，分别为该模拟粒子及该实测粒子的第项工艺参数，为工艺参数的数量，为归一化函数，为绝对值符号；

5、当该可信度与归一化后的模拟适应度值的乘积大于预设值，且任一模拟粒子的实测适应度值大于转换阈值，则之后训练过程中将任一模拟粒子作为实测粒子并重复训练过程，训练完成后得到目标工艺参数。

6、本发明设置模拟粒子并利用训练的支持向量机确定模拟粒子的模拟实测适应度值，可以降低对各粒子进行有限元分析的计算量，且利用支持向量机可以完成回归任务的特性，改进了利用粒子群算法的寻优过程，可以降低利用粒子群算法确定最优参数时的时间成本；且在对支持向量机的训练过程中，当任一模拟粒子的可信度满足一定条件，且该模拟粒子的实测适应度值大于转换阈值时，可以将该模拟粒子转换为实测粒子参与支持向量机之后的训练，从而可以提高确定工艺参数的最优解时的搜索精度，保证了确定的目标工艺参数的准确性。

7、在本发明的一种示例实施例中，粒子群算法的解空间的获取方法，包括：

8、对待打印件的三维cad模型进行离散化处理，得到有限元仿真模型，设置利用有限元仿真模型进行仿真的多个工艺参数的范围，将各工艺参数的范围，作为解空间。

9、本发明结合待打印件对应的有限元仿真模型，设置多个工艺参数的范围，可以保证解空间内存在工艺参数的最优解。

10、在本发明的一种示例实施例中，对各工艺参数进行有限元分析，确定粒子群算法的目标函数，包括：

11、利用有限元仿真模型，模拟各工艺参数下的温度场、应力场以及应变场，获取残余应力函数、形变函数、致密度函数以及缺陷函数；

12、利用预设权重，对残余应力函数、形变函数、致密度函数以及缺陷函数进行加权求和，得到粒子群算法的目标函数。

13、在本发明的一种示例实施例中，实测适应度值的获取方法，包括：

14、将任一粒子所在位置的工艺参数输入到有限元分析模型中，模拟对应工艺参数下的温度场、应力场以及应变场，确定对应的残余应力、形变、致密度以及缺陷；

15、将残余应力、形变、致密度以及缺陷代入目标函数，得到对应粒子的实测适应度值。

16、在本发明的一种示例实施例中，解空间内的模拟粒子和实测粒子的获取方法，包括：

17、从解空间内随机选取若干粒子，将若干粒子按照预设比例随机划分，得到模拟粒子以及实测粒子。

18、本发明通过设置模拟粒子，可以大幅降低有限元分析的次数，从而可以降低计算量。

19、在本发明的一种示例实施例中，利用实测粒子对预构建的支持向量机进行迭代训练，包括：

20、将若干粒子作为初始训练样本，将初始训练样本中各粒子对应的实测适应度值作为标签，对支持向量机进行第一次训练；

21、将按照预设比例随机划分得到的实测粒子作为基础实测粒子，将当前训练次数减一之后的值个初始训练样本作为基础样本，将由基础样本、基础实测粒子以及历史训练过程中确定的转换为实测粒子的模拟粒子组成的样本集，作为当次训练时的目标训练样本，以将目标训练样本中各粒子对应的实测适应度值作为标签，对支持向量机进行迭代训练。

22、本发明基于初始训练样本训练支持向量机，保证了足够的样本数，从而可以保证训练后的支持向量机的输出结果的准确性。

23、在本发明的一种示例实施例中，转换阈值的获取方法，包括：

24、获取历史所有模拟粒子的模拟适应度值与历史所有实测粒子的实测适应度值组成的数据序列的最大值；

25、获取预设的转换经验系数，计算最大值与转换经验系数的乘积，得到转换阈值。

26、本发明基于适应度值设置转换阈值，使得确定的可以转换为实测粒子的模拟粒子对应的实测适应度值，与历史实测粒子的实测适应度值之间的差异较小，从而进一步保证了确定的可以转换为实测粒子的模拟粒子的准确性。

27、在本发明的一种示例实施例中，目标工艺参数的获取过程，包括：

28、对支持向量机训练的过程中，若所有模拟粒子与所有实测粒子的位置趋于收敛，则停止训练；

29、当停止训练后，将当前所有模拟粒子的模拟适应度值，与当前所有实测粒子的实测适应度值组成的数据序列中的最大值对应的粒子，作为目标粒子，将目标粒子所在位置对应的工艺参数，作为目标工艺参数。

30、本发明具有以下效果：

31、本发明可以综合多种数据确定模拟粒子在训练时的可信度，并且基于模拟粒子的可信度以及预设值确定一个条件，基于模拟粒子的实测适应度值以及转换阈值设置一个条件，结合两个条件判断是否将模拟粒子转换为实测粒子，可以保证确定转换为实测粒子的模拟粒子的准确性，且将模拟粒子转换为实测粒子，可以增加实测粒子的搜索精度，从而可以提高确定的目标工艺参数的准确性；且本发明利用训练的支持向量机确定模拟粒子的模拟适应度值，可以降低进行有限元分析的粒子的数量，以及确定模拟粒子的模拟适应度值的时间成本。