1、第 44 卷 第 4 期2023 年 4 月 激光杂志LASER JOURNALVol.44,No.4April,2023http /收稿日期:2022-07-21基金项目:湖北省教育厅科学研究计划指导性项目(No.B2018323)作者简介:鲁芬(1982-),女,硕士,副教授,主要研究领域为:凝聚态物理,分形及复杂网络。人工神经网络的激光熔覆层特征分析鲁 芬1,郁伯铭21武昌工学院智能制造学院,武汉 430000;2华中科技大学物理学院,武汉 430074摘 要: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
2、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。关键词:人工神经网络;激光熔覆层;特征分析;变化规律;特征分析模型;工艺参数中图分类号:TN929 文献标识码:A doi:10.14016/ki.jgzz.2023.04.254Featur
3、e analysis of laser cladding layer based on artificial neural networkLU Fen1,YU Boming21Institute of intelligent manufacturing,Wuchang Institute of Technology,Wuhan 430000,China;2School of Physics,Huazhong University of Science and Technology,Wuhan 430074,ChinaAbstract:In order to analyze the charac
4、teristic state of laser cladding layer and improve the quality of laser clad-ding,the characteristic analysis method of laser cladding layer based on artificial neural network is designed in this pa-per.Firstly,laser cladding samples are prepared;the sample manufacturing process are input into the g
5、enetic algo-rithm neural network,and the prediction model of the change law of the characteristics of the laser cladding layer is es-tablished,the correlation between the geometric characteristics and the laser process parameters is analyzed,and the change of the characteristics of the cladding laye
6、r are analyzed according to the correlation.The results show that this method can predict the characteristic variation law of laser cladding layer.The maximum error of width is only 0.003 mm,the maximum error of height is only 0.002 mm,and the maximum error of dilution ratio is only 0.002.Under diff
7、erent scanning speeds,the dilution feature of the cladding layer show obvious differences,and the feature of the cladding layer change to varying degrees under the changes of laser power and powder feeding speed.Key words:artificial neural networks;laser cladding layer;feature analysis;the law of ch
8、ange;feature analysis model;process parameters1 引言激光熔覆是一种利用激光完成熔覆材料的熔化,形成熔池后在极短的时间内凝固,在基材表面形成熔覆层的材料表面工程工艺1,且该层为冶金结合;熔覆层的形成能够提升基材表面的硬度、抗氧化等性能。并且熔覆的质量情况可通过熔覆层的特征加以反映2,但由于影响因素的差异,会导致熔覆层特征发生较大改变,甚至产生分散性3。除此之外,激光的工艺参数和熔池之间呈现非线性关联,复杂度较高,并存在诸多不确定性4,这就导致激光熔覆层的特性分析难度较高。针对激光熔覆层特征分析问题,任仲贺等人6提出了对基于热力耦合的激光熔覆数值模拟
9、方法进行http /研究,基于热-结构间接耦合非线性有限元分析,在不同的激光工艺参数下,利用 ANSYS 生死单元技术对激光熔覆的温度场和应力场进行了数值模拟分析,但该方法经过多次迭代后才达到最佳适应度值。赵凯等人7提出了一种基于 NSGA-算法的同轴送粉激光熔覆工艺多目标优化方法,采用多目标优化算法NSGA-II 对三个工艺参数(激光功率,送粉速度,扫描速度)进行优化求解,但该方法在分析过程中对数据一致性的处理不够完善。而人工神经网络具备自适应、自组织以及自主学习等特点5,因此,其在模式识别、信号处理、辅助决策信息处理、风险评估以及预测控制等。为此针对上述问题,提出了一种基于人工神经网络的激
10、光熔覆层特征分析方法,通过制备激光熔覆样本,采用遗传算法神经网络对激光不同工艺参数下熔覆层的特征实行预测,依据预测结果分析熔覆层特征的变化情况,以期为提升熔覆质量提供可靠的数据依据。2改进人工神经网络的激光熔覆层特征分析模型2.1 基于人工神经网络的激光熔覆层特征分析为实现激光熔覆层特征分析,需要先对熔池特征规律实行预测8-9,依据预测结果对熔覆层特征变化情况进行判断。2.1.1 激光熔覆层特征规律预测激光功率、光斑直径和扫描速度以及送粉速度分别用 P、D、Vs、Vf表示,其均对激光熔覆层特征存在复杂的非线性关联10;除此之外,基材自身的镍、铝以及主要成分的含量也会对熔覆层特征造成影响。构建
11、3 层人工神经网络对其之间的关联进行分析,预测熔覆层的特征规律,模型的结构如图 1 所示。图 1 人工神经网络模型结构设 Xi为模型的输入,i=1,2,n,由熔覆的影响因素组成;Yi表示输出层的输出,i=1,2,n,即为熔覆层的几何特征11,例如熔覆层的宽度、高度以及稀释度和硬度等,分别用 Z、H、A 表示。模型的学习过程如下:输入模式数量为 k,神经元数量为 m(其可根据输入的熔覆层影响因素数量决定),其位于隐含;hkm则为该层的神经元输出;m和 Wmn均表示权值,Xkn表示输入,并且对应第 k 个输入模式;依据神经元的定义,则 hkm=fin=1Wmn Xkm(),其中 f(x)=(1+e
12、-x)-1;k0和 k均表示输出,前者对应期望,后者对应实际,且k=fKm=1mhkm;E 表示系统总能量,E=12Kk=1(k0-k)2。调整 m和 Wmn的值,即为模型的迭代目的,依次实现最小化的模型能量函数值12。依据梯度下降算法,得出 m和 Wmn的迭代公式:m(N+1)=m(N)-+(E/V)(1)Wmn(N+1)=Wmn(N)-(E/W)(2)在每一次迭代过程中,各层之间的权值变化可通过公式(3)和(4)描述:m=(N+1)=Kk=1khkm+m(N)(3)Wmn(N+1)=Kk=1DknXkm+Wmn(N)(4)式中:表示学习速率;次数用 N 表示,对应迭代 k=k(1-k)(k
13、0-k),Dkn=k(1-k)km;调整系数用 表示。将获取的前 6 组样品作为模型的输入,用于模型训练13,在训练前,为了实现数据的可比性,采用归一化对 6 组样本数据实行处理,完成数据转换,数据均处于0 1范围之间,归一化公式为xi=xi-ximinximax-ximin(5)式中:xi表示样本数据,其最大值和最小两个值分别用 ximax、ximin表示。2.1.2 遗传算法优化人工神经网络预测模型为保证模型更好完成熔覆层特征规律预测,采用遗传算法对模型的权值实行优化。遗传算法在优化过程中,需确定适应度函数,文中将范数定义为适应度函数 f,且前者属于误差矩阵,该误差则属于预测值和期望值之间
14、,公式为f=ni=1y(x)-y(x)y(x)-y(x)12(6)式中:y(x)为实际值;y(x)为预测值。2.2 熔覆层特征分析2.2.1 激光熔池几何特征通过激光 2.2 小节完成预测后,分析熔池的几何特征与 P、D、Vs、Vf等参数之间存在的直接关联14,因此,熔池的几何特征能够反映各个工艺参数合理552鲁芬,等:人工神经网络的激光熔覆层特征分析http /性,同时能够反映激光熔覆层的几何尺寸、微观组织以及力学性能15。因此,定义熔池的长 L、宽 Z、圆弧半径 R 以及高 H 等参数描述熔覆层的几何特征16,依据激光工艺参数和几何特征之间的相互关联17,构建特征分析模型,完成熔覆层特征分
15、析。2.2.2 熔覆层几何特征分析激光熔覆包括熔化基材和熔覆材料,激光作用在两者的单位能量密度 E1和 E2公式分别为E1=Q1-Q3d2L=(1-1)2PLVs()-4.410-3T1.50mrVf(Tm-T0)LVs()2|d2L(7)E2=Q22rL=r2VfLVs()(0(CTm-CT0)+0Lm)2rL(8)式中:Q1、Q2、Q3均表示能量,依次分别对应基材总能量、熔化时的吸收能量以及损耗的能量;1和 2均表示吸收率,前者对应整体吸收,后者对应基材;Tf表示激光熔覆温度达到稳态时的温度,依据能量守恒定律得出:L 表示长度,对应熔覆层;表示发射率,对应表面;r 表示粉末粒径;Tm、T0
16、均表示温度,前者对应室温,后者对应熔点温度;d2表示光斑直径;Lm表示熔化潜热;C 表示比热容,依据能量守恒定律得出:E1=E2(9)结合公式(6)和(7)得出:r2VfLVs()(0(CTm-CT0)+0Lm)2rL=1d2L(1-1)2PLVs()-4.410-3T1.50frVf(Tf-T0)LVs()2()(10)依据质量守恒定律得出:SVst=r2Vft(11)式中:熔覆层横截面积用 S 表示,其计算公式为S=1Vsd20(C(Tf-T0)+Lm)2r(1-1)2P-4.410-3T1.50frVf(Tf-T0)LVs()()()(12)通过视觉检测系统观察熔覆层的外观特征,R 的中心位置位于熔覆层下方,L、Z、R 以及 H 之间的关联表达式为S=R2arcsinZ2R-Z2R2-Z2()2(13)H=R-R2-Z2()2(14)式(13)简化后得出:H=RL(15)式中:L 表示长度,对应单道熔覆层;粉末熔化体积用 表示;其公式为=r2VfLVs()0m(16)结合公式(13)和(14)求解 H 和 Z:H=r2Vf0VsRm(17)Z=d2-d2(aV)(18)式中:a
