激光熔凝參數BP神經網絡的反求

劉立君+姜亞青+王曉鵬+姚紀榮

摘 要：針對激光熔凝參數與熔凝單元體橫截面尺寸之間呈現高度非線性映射關系，提出運用BP神經網絡反求激光熔凝參數算法。利用BP網絡算法建立激光熔凝參數反求模型，經過多次訓練，模型預測誤差縮小到3%以內。通過反求參數對DIEVAR模具鋼做熔凝處理，結果表明，熔凝單元體橫截面尺寸與期望值吻合誤差為1.33%，能夠滿足期望精度。通過對比研究經反求參數做熔凝處理和未經處理DIEVAR材料的抗熱疲勞性能，觀察分析熱疲勞裂紋在材料表面萌生及擴展形態，結果顯示，經反求參數熔凝處理過的DIEVAR模具鋼其抗熱疲勞性能大幅度提高，熔凝單元體對裂紋阻斷有很好的效果。

關鍵詞：激光熔凝；參數反求；BP神經網絡；熱疲勞

DOI：10.15938/j.jhust.2017.03.020

中圖分類號： TP274

文獻標志碼： A

文章編號： 1007-2683（2017）03-0112-05

Abstract：Aim at highly nonlinear mapping relationship between the laser processing parameters and the melting cell bodys transverse size， a method of reverse engineering laser melting parameters by back-propagation（BP）neural network was put forward. The model was constructed by BP neural network， and the prediction error was reduced to less than 3% after training for many times. The DIEVAR die steel was melted by reverse engineering laser parameters， and the results show that the error was 1.33% between the transverse dimensions of the melting cell body and the expected， the expected precision can be met well. Thermal fatigue property of the melted and non-melted DIEVAR die steel has been studied. The analysis about cracks growth presents that thermal fatigue property of DIEVAR die steel melted by the reverse engineering parameters has been greatly improved. The melting cell body could block crack effectively.

Keywords：laser melting； inverse solution of parameters； BP neural network； thermal fatigue

圖6為循環1000次、1600次和2200次時兩個試件的熱疲勞裂紋擴展記錄。由a）b）c）三圖可知，當熱疲勞循環次數R<1600次時，試件一上裂紋向兩邊伸展，雖然經過600次的熱疲勞循環之后，縱向裂紋仍然處于萌生階段；當R=2200次時，裂紋1擴展到熔凝區邊緣時改變了生長方向；另外由于能量的消耗，縱向裂紋2頂端的錐狀已明顯鈍化，但是頂端已靠近熔凝單元體，要突破熔凝層并向前伸展則需要消耗更多的能量。從圖c）中可以看到，縱向裂紋首先在熔凝區中組織結構較薄弱的地方萌生新的裂紋3，裂紋2和裂紋3處同時發生熱應力集中，導致加速裂紋2的生長并與裂紋3銜接，這種現象被稱為“橋接”[19-20]，故而出現圖5中裂紋長度突然加大的現象。由圖d）、e）、f）三圖可知，試件二上裂紋萌生以及生長沒有規律，并且隨著熱疲勞循環次數的增加，裂紋生長趨勢也隨之增加。由此可見，試件一上熔凝單元體起到了阻斷裂紋生長的作用，即通過反求參數熔凝處理過的試件的抗熱疲勞性能明顯提高，起到了強化材料的作用。

4 結 論

1）針對目前激光強化參數制定方面仍然采用經驗加試驗的方法，本文將基于Matlab下的BP神經網絡用于反求激光熔凝參數，為激光熔凝強化工藝制定提供了一個有力參考，可以節省大量的實驗時間，降低實驗成本，縮短激光熔凝強化的周期。

2）通過激光熔凝參數反求模型獲得的參數加工所得熔凝單元體橫截面尺寸與期望值的吻合誤差在1.33%以內，吻合度很高，而且熔凝后材料的表面粗糙度比較好。

3）采用激光熔凝參數反求模型獲得的參數強化DIEVAR模具鋼能大幅度提高其抗熱疲勞性能，對裂紋阻斷有很好的效果。

參 考 文 獻：

[1] 李美艷， 王勇， 韓彬，等. 熱處理中高鉻鋼激光熔凝層的組織轉變[J]. 材料熱處理學報， 2011， 32（1）：103-108.

[2] 姜偉， 朱璽寶， 韓莉. 不銹鋼激光熔凝工藝研究[J]. 現代制造工程， 2010， 38（7）：72-74.

[3] JIA Z X， LI J Q， LIU L J， et al. Performance Enhancements of Highpressure Diecasting die Processed by Biomimetic Laserremelting Process[J]. The International Journal of Advanced Manufacturing Technology， 2012， 58（5）：421-429.

[4] 李繼強， 胡樹兵， 史華亮，等. 激光熔凝處理對壓鑄模具鋼熱疲勞性能的影響[J]. 華中科技大學學報（自然科學版）， 2015， 43（12）：56-59.

[5] 湯素麗， 羅宇鋒. 人工神經網絡技術的發展與應用[J]. 電腦開發與應用， 2009， 22（10）：59-61.

[6] 毛凱， 時寶. 具有混合時滯的BAM神經網絡全局指數穩定性分析[J]. 哈爾濱理工大學學報， 2012， 17（6）：6-13.

[7] ZHANG Junhong， Anguo. MultiObjective Optimization and Analysis Model of Sintering Process Based on BP Neural Network[J].鋼鐵研究學報（英文版）， 2007， 14（2）：1-5.

[8] 李延民， 潘清躍. 應用人工神經網絡于激光加工工藝優化[J]. 材料熱處理學報， 1998（4）：14-18.

[9] 潘清躍， 張奇志. 基于人工神經網絡-遺傳算法的1Cr18Ni9Ti鋼激光表面熔凝工藝優化[J]. 材料研究學報， 1998， 12（3）：251-256.

[10]莫旭輝， 韓旭， 鐘志華. 基于漸近神經網絡的汽車前輪定位參數反求[J]. 湖南大學學報（自然科學版）， 2008， 35（6）：18-22.

[11]張志輝， 任露泉， 周宏，等. 抗熱疲勞仿生耦合制動轂的激光加工參數[J]. 吉林大學學報， 2009， 39（4）：953-958.

[12]史華亮， 李繼強， 賈志欣，等. Cr12鋼激光表面熔凝后的性能研究[J]. 激光與光電子學進展， 2014（9）：156-161.

[13]趙宇， 王充， 任露泉，等. AM60B鎂合金激光熔凝工藝研究[J]. 熱加工工藝， 2012， 41（9）：9-11.

[14]周開利， 康耀紅. 神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005： 5-6.

[15]劉國東， 丁晶. BP 網絡用于水文預測的幾個問題探討[J]. 水利學報， 1999（1）：65-70.

[16]張文鴿， 吳澤寧， 逯洪波. BP神經網絡的改進及其應用[J]. 河南科學， 2003， 21（2）：202-206.

[17]劉天舒. BP神經網絡的改進研究及應用[D]. 哈爾濱： 東北農業大學， 2011.

[18]劉春艷， 凌建春， 寇林元，等. GABP神經網絡與BP神經網絡性能比較[J]. 中國衛生統計， 2013， 30（2）：173-176.

[19]周宏， 張志輝， 任露泉，等. 仿生非光滑表面45#鋼模具的熱疲勞性能[J]. 材料科學與工藝， 2004， 12（6）：561-564.

[20]尤顯卿. GJW35鋼結硬質合金熱疲勞裂紋擴展的觀察[J]. 硬質合金， 2000， 7（2）：92-95.

（編輯：溫澤宇）