基于神经网络的SLA变光斑成型工艺多目标优化

采用激光变光斑技术可以同时兼顾打印零件内外表皮的质量和内部填充的效率。为了研究大、小激光光斑的工艺参数对成型件的成型质量、试件强度和打印效率的影响,本文通过最优拉丁方实验分别以大、小光斑的激光功率、扫描速度、扫描间距六个关键的工艺参数为输入变量,以成型误差、拉伸强度、打印时间为输出变量建立神经网络模型,并对其进行了模型校验和优化。基于此模型,采用多目标粒子群算法对工艺参数进行优化,得到了最优Pareto解,并对优化出的典型工艺参数进行成型精度等的实验验证。研究的工艺策略及方法可以帮助使用者快速便捷的制定打印工艺,满足不同的应用场景需求。

基于分区组合方法的SLA变光斑扫描路径规划

激光路径规划是立体光固化打印(SLA)中的关键技术之一。现有的激光路径规划通常采用单一尺寸光斑或简单变光斑扫描方法。单一小光斑扫描不利于提高打印效率,而简单的光斑扫描在打印具有狭长薄壁特征的模型时,容易出现局部成型质量差,甚至打印失败等问题。基于分区组合的思想,提出了一种变光斑分区扫描路径规划算法。算法由以下步骤组成:首先,针对每层切片分别使用大、小光斑完成预扫描以获得数据基础。然后基于预扫描的交点数据,将待填充区域细分为不同光斑类型的子区域。通过判别区域邻接关系,将同类子区域进行合并。最后,在不同光斑类型的合并区域内生成相应的激光扫描路径。实验表明所提出算法相比单一小光斑扫描,在成型质量相近的情况下,对模型A和B,打印效率分别可提高19.5%和21.2%;而相比于简单变光斑扫描,在较少效率损失的情况下,模型A和B成型件的结构强度分别提高了14.3%和14.9%。