Ni基-WC合金粉末激光熔覆層形貌的預(yù)測(cè)

孟祥偉

(上海海事大學(xué)，上海 201306)

Ni基-WC合金粉末激光熔覆層形貌的預(yù)測(cè)

孟祥偉

(上海海事大學(xué)，上海 201306)

基于BP神經(jīng)網(wǎng)絡(luò)，建立網(wǎng)絡(luò)模型對(duì)激光熔覆層形貌尺寸進(jìn)行預(yù)測(cè)，研究激光熔覆特征信號(hào)(藍(lán)紫光信號(hào)、紅外輻射信號(hào)、可聽(tīng)聲信號(hào))和激光熔覆形貌(熔覆層高、寬)之間的對(duì)應(yīng)關(guān)系。結(jié)果表明，該網(wǎng)絡(luò)模型預(yù)測(cè)平均誤差小，檢驗(yàn)精度高，具有較好的預(yù)測(cè)能力。

激光熔覆;BP神經(jīng)網(wǎng)絡(luò);等離子體;熔覆層預(yù)測(cè)

激光熔覆技術(shù)是一種新型的材料加工與表面改性技術(shù)，它以不同的添料方式在被涂覆基體表面上放置選擇的涂層材料、經(jīng)高能量密度(104～106W/cm2)的激光束輻照后使之和基體表面一薄層同時(shí)熔化，并快速凝固后形成稀釋度極低，與基體材料成冶金結(jié)合的表面涂層，從而顯著改善基體材料表面的耐磨、耐蝕、耐熱、抗氧化及電氣特性等工藝方法。熔覆層幾何形貌是指橫截面內(nèi)的熔覆層形狀及特征尺寸，熔覆層的形狀及其特征尺寸與工藝參數(shù)之間存在密切關(guān)系，要想獲得最佳熔覆層形貌，必須通過(guò)大量實(shí)驗(yàn)來(lái)確定合適的工藝參數(shù)，這樣會(huì)提高成本、增加工作量，尤其在高附加值的部件修復(fù)時(shí)成本更高，所以有必要提出一種預(yù)測(cè)方法，能夠通過(guò)不同的工藝參數(shù)組合預(yù)測(cè)出熔覆后工件表面形貌尺寸，本文將利用神經(jīng)網(wǎng)絡(luò)方法分析熔覆層主要幾何形貌特征［1～3］。

1 試驗(yàn)方法

本實(shí)驗(yàn)采用SLC-20×30D型3 kW連續(xù)矩形波CO2激光器和數(shù)控激光器，DPSF-2型同軸自動(dòng)空氣送粉器，西門(mén)子數(shù)控系統(tǒng)和四軸聯(lián)動(dòng)數(shù)控機(jī)床。實(shí)驗(yàn)基體45鋼，尺寸50 mm×50 mm×4 mm，熔覆材料選用Ni-WC自熔性合金粉末，粒度尺寸45μm ～105μm，熔覆層長(zhǎng)度為60 mm，離焦量160 mm。調(diào)整工藝參數(shù)：激光功率、掃描速度、送粉速率等進(jìn)行系列單道激光熔覆試驗(yàn)，圖1所示為激光熔覆示意圖。

2 熔覆層形貌特征預(yù)測(cè)過(guò)程

圖1 激光熔覆示意圖Figure 1 Scheme of laser fuse cladding

激光熔覆是一個(gè)非常復(fù)雜的冶金結(jié)合過(guò)程，有許多因素的影響，在實(shí)際熔覆加工過(guò)程中伴隨著等離子體信號(hào)藍(lán)紫光、可聽(tīng)聲及熔池紅外輻射信號(hào)的產(chǎn)生。為了提高工作效率我們必須提出一種預(yù)測(cè)方法，通過(guò)這些特征信號(hào)組合預(yù)測(cè)熔覆層形貌特征。預(yù)測(cè)對(duì)象選擇熔覆層幾何高度和寬度。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是通過(guò)對(duì)樣本數(shù)據(jù)的學(xué)習(xí)與訓(xùn)練調(diào)整網(wǎng)絡(luò)權(quán)值，從而建立輸入?yún)?shù)與輸出參數(shù)之間高精度的映射關(guān)系。利用訓(xùn)練樣本建立一個(gè)高性能、強(qiáng)泛化能力的預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)應(yīng)用到加工實(shí)踐過(guò)程中，利用神經(jīng)網(wǎng)絡(luò)求出系統(tǒng)的輸出(即熔覆層高度和寬度尺寸)。若預(yù)測(cè)值誤差小于預(yù)定誤差值，則進(jìn)行加工，若預(yù)測(cè)值誤差達(dá)不到要求，則返回調(diào)整工藝參數(shù)，然后再進(jìn)行預(yù)測(cè)，直到達(dá)到誤差要求，具體過(guò)程如圖2所示［4］。通過(guò)有效的預(yù)測(cè)為加工過(guò)程節(jié)省了原料，同時(shí)激光熔覆加工過(guò)程將變的更加高效。

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過(guò)程示意圖Figure 2 Illustration of BP neural network prediction process

3 BP網(wǎng)絡(luò)預(yù)測(cè)熔覆層高度和寬度

3.1 BP神經(jīng)網(wǎng)絡(luò)建模

熔覆層高度和寬度的預(yù)測(cè)模型選擇的是前向型神經(jīng)網(wǎng)絡(luò)中的 BP神經(jīng)網(wǎng)絡(luò)，圖3是我們選取的BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。BP神經(jīng)網(wǎng)絡(luò)具有逼近能力強(qiáng)、訓(xùn)練算法簡(jiǎn)單明確、計(jì)算量小、并行性強(qiáng)等優(yōu)點(diǎn)，同時(shí)其缺點(diǎn)也可以通過(guò)改進(jìn)算法得到優(yōu)化，因此該方法在工程實(shí)際應(yīng)用中最為廣泛。

考慮到樣本數(shù)量的有限性以及問(wèn)題的復(fù)雜性，我們選用典型的BP網(wǎng)絡(luò)模型，只含一個(gè)隱層的三層BP網(wǎng)絡(luò)，輸入層節(jié)點(diǎn)數(shù)為i，隱層節(jié)點(diǎn)數(shù)為j，輸出層節(jié)點(diǎn)數(shù)為k。確定網(wǎng)絡(luò)的輸入為藍(lán)紫光信號(hào)均值(Qb)、可聽(tīng)聲信號(hào)均值(Qv)和紅外輻射信號(hào)均值(Qr)。網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)i=3，預(yù)測(cè)目標(biāo)為熔覆層高度(H)和寬度(W)，網(wǎng)絡(luò)輸出層節(jié)點(diǎn)數(shù)k=2，根據(jù)經(jīng)驗(yàn)公式以及仿真試探，作者選擇隱層節(jié)點(diǎn)數(shù)j=5，Wij和Wjk為BP神經(jīng)網(wǎng)絡(luò)權(quán)值。BP神經(jīng)網(wǎng)絡(luò)可以看成一個(gè)非線(xiàn)性函數(shù)，網(wǎng)絡(luò)輸入值和預(yù)測(cè)值分別為該函數(shù)的自變量和因變量。當(dāng)輸入節(jié)點(diǎn)數(shù)為i，輸出節(jié)點(diǎn)數(shù)為k時(shí)，BP神經(jīng)網(wǎng)絡(luò)就表達(dá)了從i個(gè)自變量到k個(gè)因變量的函數(shù)映射關(guān)系。輸入因子有：Qb、Qv、Qr，于是，熔覆層高度H和熔覆層寬度W可表示為：

式中，f1、f2表示某種映射關(guān)系。根據(jù)一般設(shè)計(jì)原則，作者選擇隱層節(jié)點(diǎn)傳遞函數(shù)為S型正切函數(shù)tansig()，輸出層節(jié)點(diǎn)傳遞函數(shù)為 purelin()［5］。

3.2 網(wǎng)絡(luò)的訓(xùn)練

實(shí)驗(yàn)具體工藝參數(shù)如表1所示，實(shí)驗(yàn)采集數(shù)據(jù)如表2所示，原始樣本中各向量的數(shù)量級(jí)差別很大，為了計(jì)算方便及防止部分神經(jīng)元達(dá)到過(guò)飽和狀態(tài)，在研究中對(duì)樣本的輸入進(jìn)行歸一化處理。利用MATLAB中mapminmax()函數(shù)實(shí)現(xiàn)向量的歸一化處理，將樣本數(shù)據(jù)都?xì)w一到區(qū)間［0，1］之間，這樣能避開(kāi)S型函數(shù)飽和區(qū)域。

設(shè)定目標(biāo)為0.01，學(xué)習(xí)速率0.05，最高迭代次數(shù)300次。從表2中的實(shí)驗(yàn)數(shù)據(jù)中隨機(jī)抽取14組作為訓(xùn)練樣本，并在MATLAB上進(jìn)行訓(xùn)練，剩余4組作為檢測(cè)樣本，網(wǎng)絡(luò)訓(xùn)練成熟后進(jìn)行檢測(cè)。

經(jīng)過(guò)訓(xùn)練，網(wǎng)絡(luò)達(dá)到目標(biāo)要求，如圖4所示。網(wǎng)絡(luò)訓(xùn)練完成后利用sim()函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行仿真，并對(duì)仿真數(shù)據(jù)做誤差分析，具體結(jié)果如表3所示。從表3的網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)驗(yàn)數(shù)據(jù)對(duì)比中可以看出仿真結(jié)果與實(shí)驗(yàn)測(cè)得結(jié)果基本一致，這也說(shuō)明網(wǎng)絡(luò)訓(xùn)練良好。

圖3 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖Figure 3 Topological structural diagramof BP neural network

表1 激光熔覆實(shí)驗(yàn)采集數(shù)據(jù)Table 1 Gathering data for laser fuse cladding test

表2 信號(hào)數(shù)據(jù)與熔覆層尺寸Table 2 Signal data and fuse cladding size

圖4 BP網(wǎng)絡(luò)訓(xùn)練示意圖Figure 4 Illustration of BP neural network training

表3 訓(xùn)練樣本網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)驗(yàn)數(shù)據(jù)對(duì)比Table 3 Contrast of training specimen network p redicted values and test data

3.3 網(wǎng)絡(luò)的檢測(cè)

針對(duì)訓(xùn)練好的網(wǎng)絡(luò)模型，用剩余未經(jīng)過(guò)網(wǎng)絡(luò)訓(xùn)練的4組樣本數(shù)據(jù)作為檢測(cè)數(shù)據(jù)，在MATLAB上運(yùn)行編譯程序，得出網(wǎng)絡(luò)預(yù)測(cè)值如表4所示，熔覆層高度預(yù)測(cè)誤差曲線(xiàn)如圖5所示，熔覆層寬度預(yù)測(cè)誤差曲線(xiàn)如圖6所示。從表3、圖5、圖6可以看出，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出的熔覆層高度和寬度與實(shí)驗(yàn)測(cè)量值非常接近，相對(duì)誤差的最大值為9.33%，相對(duì)誤差的最小值達(dá)0.33%，網(wǎng)絡(luò)預(yù)測(cè)結(jié)果與實(shí)驗(yàn)測(cè)量結(jié)果差距不大。對(duì)熔覆層高度預(yù)測(cè)的平均誤差為 0.07 mm，平均相對(duì)誤差為4.16%，對(duì)熔覆層寬度預(yù)測(cè)的平均誤差為0.038 mm，平均相對(duì)誤差值0.61%。這些數(shù)據(jù)說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)本次實(shí)驗(yàn)的熔覆層高度和寬度是可行的［6］。

表4 檢測(cè)樣本網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)驗(yàn)數(shù)據(jù)對(duì)比Table 4 Contrast of detection specim en network prediction values and test data

圖5 熔覆層高度預(yù)測(cè)誤差曲線(xiàn)Figure 5 Curve of fuse cladding height predictive error

圖6 熔覆層寬度預(yù)測(cè)誤差曲線(xiàn)Figure 6 Curve of fuse cladding width predictive error

4 結(jié)論

通過(guò)對(duì)人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)，建立BP神經(jīng)網(wǎng)絡(luò)模型，分析了熔覆層形貌尺寸(高度和寬度)與激光熔覆主要工藝參數(shù)之間的關(guān)系，并利用工藝參數(shù)預(yù)測(cè)形貌尺寸。結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)的方法能夠用于預(yù)測(cè)激光熔覆實(shí)驗(yàn)熔覆層外貌形態(tài)的尺寸，其預(yù)測(cè)結(jié)果和實(shí)驗(yàn)測(cè)量結(jié)果能夠很好的吻合，誤差值最大為9.33%，說(shuō)明BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)熔覆層外貌形態(tài)尺寸是可行的;通過(guò)本文研究發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)可以為激光熔覆加工的反饋補(bǔ)償系統(tǒng)進(jìn)行優(yōu)化［7］。

［1］洪蕾，吳鋼.激光制造技術(shù)基礎(chǔ)［M］.第1版.北京：人民交通出版社，2008.

［2］趙洪運(yùn)，楊賢群，等.激光熔覆層形貌預(yù)測(cè)對(duì)比分析［J］.焊接學(xué)報(bào).2009，30(1)，51 －54.

［3］黃鳳曉，蔣中浩，張健.激光熔覆工藝參數(shù)對(duì)單道熔覆層宏觀尺寸的影響［J］.材料熱處理技術(shù)，2010，39(18)：119 －121.

［4］朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用［M］.第一版.北京：科學(xué)出版社，2006.

［5］張德豐等，MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)［M］.第二版北京：機(jī)械工業(yè)出版社，2011.1.

［6］黃安國(guó)，李剛，汪永陽(yáng)，李磊，李志遠(yuǎn).基于人工神經(jīng)網(wǎng)絡(luò)的鋁合金激光熔覆層特征與性能的預(yù)測(cè)［J］.中國(guó)激光.2008.10，35(10)：1632 －1636.

［7］楊林，鐘敏霖，黃婷，等.激光直接制造鎳基高溫合金零件成形工藝的研究［J］.應(yīng)用激光，2004，24(6)：345 －349.

編輯 傅冬梅

Prediction of Laser Fuse Cladding Appearance Made from Ni-WC Alloy Powder

M eng Xiangwei

Based on BP neural network，network model used for predicting laser fuse cladding appearance and size has been established，further correspondence between characteristic signals of laser fuse cladding(ultravioletemission，infrared emission and audible sound)and laser fuse cladding appearance(fuse cladding height＆width)has been researched.The result showed that the networkmodel prediction was provided with lowermean error and higher test precision and possessed better prediction capability.

laser fuse cladding;BP neural network;plasma;fuse cladding prediction

TN249 TG156.99

A

2013—05—03