激光熔凝参数BP神经网络的反求

刘立君+姜亚青+王晓鹏+姚纪荣

摘 要：针对激光熔凝参数与熔凝单元体横截面尺寸之间呈现高度非线性映射关系，提出运用BP神经网络反求激光熔凝参数算法。利用BP网络算法建立激光熔凝参数反求模型，经过多次训练，模型预测误差缩小到3%以内。通过反求参数对DIEVAR模具钢做熔凝处理，结果表明，熔凝单元体横截面尺寸与期望值吻合误差为1.33%，能够满足期望精度。通过对比研究经反求参数做熔凝处理和未经处理DIEVAR材料的抗热疲劳性能，观察分析热疲劳裂纹在材料表面萌生及扩展形态，结果显示，经反求参数熔凝处理过的DIEVAR模具钢其抗热疲劳性能大幅度提高，熔凝单元体对裂纹阻断有很好的效果。

关键词：激光熔凝；参数反求；BP神经网络；热疲劳

DOI：10.15938/j.jhust.2017.03.020

中图分类号： TP274

文献标志码： A

文章编号： 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

图6为循环1000次、1600次和2200次时两个试件的热疲劳裂纹扩展记录。由a）b）c）三图可知，当热疲劳循环次数R<1600次时，试件一上裂纹向两边伸展，虽然经过600次的热疲劳循环之后，纵向裂纹仍然处于萌生阶段；当R=2200次时，裂纹1扩展到熔凝区边缘时改變了生长方向；另外由于能量的消耗，纵向裂纹2顶端的锥状已明显钝化，但是顶端已靠近熔凝单元体，要突破熔凝层并向前伸展则需要消耗更多的能量。从图c）中可以看到，纵向裂纹首先在熔凝区中组织结构较薄弱的地方萌生新的裂纹3，裂纹2和裂纹3处同时发生热应力集中，导致加速裂纹2的生长并与裂纹3衔接，这种现象被称为“桥接”[19-20]，故而出现图5中裂纹长度突然加大的现象。由图d）、e）、f）三图可知，试件二上裂纹萌生以及生长没有规律，并且随着热疲劳循环次数的增加，裂纹生长趋势也随之增加。由此可见，试件一上熔凝单元体起到了阻断裂纹生长的作用，即通过反求参数熔凝处理过的试件的抗热疲劳性能明显提高，起到了强化材料的作用。

4 结 论

1）针对目前激光强化参数制定方面仍然采用经验加试验的方法，本文将基于Matlab下的BP神经网络用于反求激光熔凝参数，为激光熔凝强化工艺制定提供了一个有力参考，可以节省大量的实验时间，降低实验成本，缩短激光熔凝强化的周期。

2）通过激光熔凝参数反求模型获得的参数加工所得熔凝单元体横截面尺寸与期望值的吻合误差在1.33%以内，吻合度很高，而且熔凝后材料的表面粗糙度比较好。

3）采用激光熔凝参数反求模型获得的参数强化DIEVAR模具钢能大幅度提高其抗热疲劳性能，对裂纹阻断有很好的效果。

参 考 文 献：

[1] 李美艳， 王勇， 韩彬，等. 热处理中高铬钢激光熔凝层的组织转变[J]. 材料热处理学报， 2011， 32（1）：103-108.

[2] 姜伟， 朱玺宝， 韩莉. 不锈钢激光熔凝工艺研究[J]. 现代制造工程， 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] 李继强， 胡树兵， 史华亮，等. 激光熔凝处理对压铸模具钢热疲劳性能的影响[J]. 华中科技大学学报（自然科学版）， 2015， 43（12）：56-59.

[5] 汤素丽， 罗宇锋. 人工神经网络技术的发展与应用[J]. 电脑开发与应用， 2009， 22（10）：59-61.

[6] 毛凯， 时宝. 具有混合时滞的BAM神经网络全局指数稳定性分析[J]. 哈尔滨理工大学学报， 2012， 17（6）：6-13.

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

[8] 李延民， 潘清跃. 应用人工神经网络于激光加工工艺优化[J]. 材料热处理学报， 1998（4）：14-18.

[9] 潘清跃， 张奇志. 基于人工神经网络-遗传算法的1Cr18Ni9Ti钢激光表面熔凝工艺优化[J]. 材料研究学报， 1998， 12（3）：251-256.

[10]莫旭辉， 韩旭， 钟志华. 基于渐近神经网络的汽车前轮定位参数反求[J]. 湖南大学学报（自然科学版）， 2008， 35（6）：18-22.

[11]张志辉， 任露泉， 周宏，等. 抗热疲劳仿生耦合制动毂的激光加工参数[J]. 吉林大学学报， 2009， 39（4）：953-958.

[12]史华亮， 李继强， 贾志欣，等. Cr12钢激光表面熔凝后的性能研究[J]. 激光与光电子学进展， 2014（9）：156-161.

[13]赵宇， 王充， 任露泉，等. AM60B镁合金激光熔凝工艺研究[J]. 热加工工艺， 2012， 41（9）：9-11.

[14]周开利， 康耀红. 神经网络模型及其MATLAB仿真程序设计[M].北京：清华大学出版社，2005： 5-6.

[15]刘国东， 丁晶. BP 网络用于水文预测的几个问题探讨[J]. 水利学报， 1999（1）：65-70.

[16]张文鸽， 吴泽宁， 逯洪波. BP神经网络的改进及其应用[J]. 河南科学， 2003， 21（2）：202-206.

[17]刘天舒. BP神经网络的改进研究及应用[D]. 哈尔滨： 东北农业大学， 2011.

[18]刘春艳， 凌建春， 寇林元，等. GABP神经网络与BP神经网络性能比较[J]. 中国卫生统计， 2013， 30（2）：173-176.

[19]周宏， 张志辉， 任露泉，等. 仿生非光滑表面45#钢模具的热疲劳性能[J]. 材料科学与工艺， 2004， 12（6）：561-564.

[20]尤显卿. GJW35钢结硬质合金热疲劳裂纹扩展的观察[J]. 硬质合金， 2000， 7（2）：92-95.

（编辑：温泽宇）