面向涂层裂纹的激光熔覆预测模型研究

针对激光熔覆关键工艺参数与制备涂层之间因存在复杂非线性映射关系而产生的裂纹缺陷问题,通过将遗传算法与BP神经网络结合起来构建工艺参数与涂层裂纹密度之间的网络模型,利用MATLAB软件对建立的网络模型进行训练、拟合预测。结果表明,遗传算法对BP神经网络优化后的模型中预测误差最小为3.06%,平均误差控制在11.57%以内,均方误差为0.0008,模型预测精度高,性能稳定。验证了理论模型与实际试验相结合的可行性,减少了涂层裂纹工艺研究所需的大量重复性试验,为制备无裂纹镍基熔覆层具有重要意义。

基于神经网络的激光熔覆高度预测

激光成形过程中,对熔覆高度进行实时检测,从而实现熔覆高度闭环控制是成形高质量零件的保证。激光成形过程是一个多参数耦合的非线性过程,大量激光参数对成形熔覆表面质量具有重要影响。在分析激光参数对熔覆高度影响的基础上,建立利用激光工艺参数预测熔覆高度的误差反向传播(Backpropagation,BP)神经网络模型,完成了网络算法设计。通过激光成形试验采集样本,利用训练样本对所建立的网络进行训练,完成网络输入输出高度映射关系,并利用测试样本对所训练的网络进行检验。仿真试验表明,神经网络熔覆高度预测模型具有很高的精度,验证了该预测模型在理论和实践上的可行性与有效性。神经网络熔覆高度预测模型为实现激光加工过程熔覆高度实时预测与闭环控制打下基础,对提高成形产品质量具有重要意义。

选择性激光烧结成型件密度模型研究

选择性激光烧结(SLS-selectivelasersintering)加工工艺参数的变化会引起成型件密度的变化,进而影响烧结强度.本文应用神经网络方法,建立了加工工艺参数与成型件密度之间的预测模型.应用该模型分析了加工工艺参数(层厚lt,扫描间距dh,激光功率W,扫描速度v,加工环境温度Te,层与层之间的加工时间间隔Ts和扫描方式F)对成型件密度的影响.试验研究结果表明:该模型能定量地反映加工工艺参数与成型件密度之间的关系.据此可通过合理地选取工艺参数得到所需的加工件.

人工神经网络的激光熔覆层特征分析

为了分析激光熔覆层特征状态,提高激光熔覆质量,对基于人工神经网络的激光熔覆层特征分析方法进行设计。首先制备激光熔覆样本;将样本制作工艺参数输入遗传算法神经网络,建立激光熔覆层特征变化规律预测模型,分析几何特征与激光工艺参数间关联,依据关联分析熔覆层特征的变化情况。结果显示:该方法能够预测激光熔覆层特征变化征规律,宽度最大误差仅为0.003 mm,高度最大误差仅为0.002 mm,稀释率最大误差仅为0.002;不同的扫描速度下,熔覆层的稀释度特征呈现出明显差异,并且在激光功率、送粉速度的变化下,熔覆层特征均发生不同程度的变化。

激光熔覆修复技术参数模拟优化分析

为提升激光熔覆修复技术的性能,提出激光熔覆修复技术参数模拟优化方法。通过分析激光熔覆技术工作原理及类型,确定激光熔覆修复技术参数。确定激光熔覆修复技术参数,引入BP神经网络方法,构建熔覆层形貌和激光熔覆修复参数之间的模型预测。采用粒子群优化算法,优化构建的激光熔覆修复参数预测模型,实现激光熔覆修复技术参数模拟优化。仿真结果表明:采用本方法对激光熔覆修复技术参数进行优化后,激光熔覆修复的效果较为理想,明显提高了激光熔覆修复技术的工作效率。

基于KPCA-RBFNN的激光拼焊性能预测

高精度的激光拼焊是激光技术应用中的研究重点,针对当前激光拼焊性能预测精度低的不足,提出一种基于KPCA-RBFNN的激光拼焊性能预测方法。首先对激光拼焊系统的工作原理进行分析,然后采用核主成分分析对焊接工艺参数进行优化和选择,得到RBF神经网络的输入向量,最后采用RBF神经网络建立激光拼焊性能预测模型。仿真测试结果表明,KPCA-RBFNN可以描述激光拼焊性能与对焊接工艺参数间的关系,获得了比其他模型更高的激光拼焊性能预测精度,预测结果可以为激光拼焊人员提供有价值的参考信息。

基于神经网络的宽带激光熔覆熔池特征参数预测

为了实现宽带激光熔覆熔池特征的准确预测,从而对激光熔覆工艺过程进行实时监测、评价及反馈控制。通过宽带激光熔覆全因素工艺试验采集熔池特征参数样本数据,采用遗传算法优化BP神经网络的初始权值和初始阈值,建立激光熔覆工艺参数(激光功率、粉末厚度、扫描速度)与熔池特征参数之间的BP神经网络预测模型。利用训练集数据对所建立的神经网络进行训练,形成输入与输出之间的映射关系,并利用测试集数据对网络进行测试。试验结果表明,宽带激光熔覆熔池特征参数神经网络预测模型具有很高的精度。该神经网络预测模型对激光熔覆过程监测及熔覆层质量控制具有重要意义。

基于神经网络的激光熔覆层面积及气孔率预测

激光熔覆得到的熔覆层面积与工艺参数存在一定的耦合关系,且熔覆层中气孔缺陷的产生随工艺参数的改变而有所差异。基于试验及神经网络,以单道单层熔覆层为研究对象,建立了以加工工艺参数对熔覆层面积和熔覆层气孔率进行预测的基于BP神经网络的预测模型。依据输入量与输出量特点设计了神经网络结构,通过激光熔覆试验采集熔覆层面积值与气孔率样本,利用训练集训练BP神经网络,建立输入量与输出量之间的映射关系,并用测试集对训练好的预测模型进行检验。测试结果表明,基于BP神经网络的预测模型对熔覆层面积的预测精度较高,气孔率预测模型得出的预测趋势对于气孔率的预测具有一定参考价值。验证了这两个预测模型在理论和实践上的具有一定的可行性与有效性。

基于MPA-BP网络的单道激光熔覆熔深预测方法

针对激光熔覆过程中熔覆层深度无法精确控制问题,提出了基于海洋捕食者(Marine Predators Algorithm,MPA)优化的误差反向传播算法(Error Back Propagation,BP)单道激光熔覆熔深预测模型,以激光功率、扫描速度和送粉速率作为自变量,熔深作为因变量对模型进行评估。通过将该模型结果与PSO-BP、SOA-BP和SSA-BP神经网络的试验结果进行对比,发现MPA-BP预测模型的平均绝对误差为7.414%,拟合优度为0.964,相关数据的试验结果均优于其他模型,表明基于MPA优化的BP神经网络对熔深预测具有更好的稳定性和预测精度。