基于进化神经网络的激光熔覆层质量预测

徐大鹏; 周建忠; 郭华锋; 季霞

高级检索

ISSN 1001-3806CN 51-1125/TN 网站地图

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于进化神经网络的激光熔覆层质量预测

徐大鹏 , 周建忠 , 郭华锋 , 季霞

文章导航 > 激光技术 > 2007 > 31(5): 511-514

引用本文:

Citation:

基于进化神经网络的激光熔覆层质量预测

1.
江苏大学机械工程学院镇江 212013

作者简介: 徐大鹏(1979- ),男,硕士研究生,主要从事基于激光熔覆的金属零件快速制造技术的研究..

通讯作者: 周建忠, zhoujz@ujs.edu.cn ;

中图分类号: TG156.9;TP183

Quality prediction of laser cladding layer based on improved neural network

1.
School of Mechanical Engineering, Jiangsu University, Zhenjiang 212013, China

Corresponding author: ZHOU Jian-zhong, zhoujz@ujs.edu.cn ;

CLC number: TG156.9;TP183

摘要: 为了有效地控制激光熔覆层质量,采用反向传播(BP)算法建立了激光熔覆层质量(熔覆层宽度、熔覆层深度和稀释率)随激光功率、光斑直径和扫描速度变化的进化神经网络预测模型。针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法。经过理论分析和实验验证,在神经网络的输出端得到期望的线性输出,并在训练样本之外,选取了5组工艺参数检验神经网络模型的可靠性,预测结果与相应的实验结果的最大相对误差为2.14%。结果表明,运用该模型可以方便、准确地选择激光工艺参数,提高激光熔覆层的加工质量。
- 激光技术 /
- 激光熔覆成形 /
- 熔覆层质量 /
- 人工神经网络 /
- 遗传算法
Abstract: Artificial neural networks were introduced in the area of laser cladding forming.The prediction model of surface quality in laser cladding parts,including the width,depth of cladding layer and dilution,was proposed based on the improved learned arithmetic.The model combined the global optimization searching performance of the genetic algorithm and the localization of the back propagation(BP) neural networks.Five technical parameters were selected to test the reliability of the model.The simulation and experimental results show that the evolutionary neural network based on genetic algorithm can effectively overcome the problem of falling into local minimum point.This method can get higher accuracy of prediction.It improves the measurement precision with the maximum relative error 2.14% between the predicted content and the real value.
- laser technique /
- laser cladding forming /
- quality of cladding layer /
- artificial neural networks /
- genetic algorithm

[1]	LIU X M,GUAN Z Z.The relationship between the process parameter of laser cladding by powder feeding method and the laser layer parameters[J].Transactions of Metal Heat Treatment,1998,A26(5):29～34.
[2]	van ACKER K,VANHOYWEGHEN D,PERSOONS R et al.Influence of tungsten carbide particle size and distribution on the wear resistance of laser clad WC/Ni coatings[J].Wear,2005,258(1～4):194～202.
[3]	SONG J L,DENG Q L,CHEN Ch Y et al.Rebuilding of metal components with laser cladding forming[J].Applied Surface Science,2006,252(22):7934～7940.
[4]	WU X W,ZHU B D,ZENG X Y et al.Critical state of laser cladding with power auto-feeding[J].Surface and Coatings Technology,1996,79(1～3):200～204.
[5]	JI S Q,LI P,ZENG X Y.Microstructure and mechanical property analyses of the metal parts direct fabricated by laser cladding[J].Laser Technology,2006,30(2):130～133(in Chinese).
[6]	YAN P F,ZHANG C S.Artificial neural network and simulated evolutionary computing[M].Beijing:Tsinghua University Press,2000.15～22(in Chinese).
[7]	LEI Y J,ZHANG S W,LI X W et al.MATLAB genetic algorithm toolbox and application[M].Xi ' an:University of Electronic Science and Technology of China Press,2005.15～33(in Chinese).
[8]	STEEN W M,WEERASINGHE V M,MONSON P.Some aspects of the formation of laser clad tracks[J].SPIE,1996,650:226～234.
[9]	LIU J C,LIU L J.Experimental study on fabrication of thin-wall metallic features by laser cladding[J].Chinese Journal of Mechanical Engineering,2004,40(10):185～188(in Chinese).
[10]	ZHU B D,ZENG X Y,TAO C Y et al.Effect of laser processing parameters on dilution of the cladded coating[J].Chinese Journal of Materials Research,1994,8(4):315～319(in Chinese).

[1]	王鑫林 , 邓德伟 , 胡恒 , 宋弘韬 , 张洪潮 . z轴单层行程对激光熔覆成形的影响. 激光技术, 2015, 39(5): 702-705. doi: 10.7510/jgjs.issn.1001-3806.2015.05.025
[2]	王秀凤 , 吕晓东 , 陈光南 , 胡世光 . 人工神经网络技术在板料激光弯曲中的应用. 激光技术, 2005, 29(3): 244-247.
[3]	王大承 . 人工神经网络在激光表面强化控制上的应用. 激光技术, 2003, 27(4): 317-320.
[4]	唐霞辉 , 秦应雄 , 钟如涛 , 周金鑫 , 李正佳 . 基于神经网络的粉末冶金材料激光焊接工艺优化. 激光技术, 2006, 30(5): 471-475.
[5]	毕少平 , 王胜 , 张恩铭 , 陈聪 , 陈席国 . 基于GA的灰铸铁表面激光熔覆316 L工艺参数优化. 激光技术, 2024, 48(5): 759-764. doi: 10.7510/jgjs.issn.1001-3806.2024.05.022
[6]	程成 , 马养武 . 具有最大输出功率的CO2激光器谐振腔. 激光技术, 2002, 26(5): 346-349.
[7]	申彦春 , 唐万伟 , 张国旭 , 张雅静 . 基于遗传算法的路由选择问题的研究. 激光技术, 2011, 35(3): 422-424. doi: 10.3969/j.issn.1001-3806.2011.03.035
[8]	秦树旺 , 毛耀 , 包启亮 . 光电跟踪系统的模糊Ⅱ型控制技术研究. 激光技术, 2021, 45(2): 147-154. doi: 10.7510/jgjs.issn.1001-3806.2021.02.004
[9]	李丽宏 , 华国光 . 基于改进遗传算法的最大2维熵图像分割. 激光技术, 2019, 43(1): 119-124. doi: 10.7510/jgjs.issn.1001-3806.2019.01.024
[10]	方溁 , 李劲松 . 遗传算法应用于干涉滤光片的设计. 激光技术, 2010, 34(5): 657-660. doi: 10.3969/j.issn.1001-3806.2010.O5.022
[11]	刘禹 , 肖世德 , 张睿 , 张若凌 , 张磊 . 基于遗传算法的数字图像相关变形初值估计. 激光技术, 2020, 44(1): 130-135. doi: 10.7510/jgjs.issn.1001-3806.2020.01.023
[12]	李忠科 , 秦永元 . PSD器件自动化标定与非线性修正技术研究. 激光技术, 2004, 28(4): 370-372,416.
[13]	张文博 , 张群莉 , 姚建华 . 基于人工神经网络脉冲激光强化镀层形貌预测. 激光技术, 2010, 34(2): 173-177. doi: 10.3969/j.issn.1001-3806.2010.02.009
[14]	王金来 , 於自岚 , 高传玉 , 吉选芒 , 安毓英 , 曾丹勇 , 刘劲松 , 杨继昌 , 张永康 . 激光冲击区表面质量的人工神经网络研究. 激光技术, 2001, 25(1): 1-6.
[15]	王安祥 , 冯健 . 光散射模型参量反演中的遗传模拟退火算法. 激光技术, 2009, 33(1): 32-35.
[16]	张腾飞 , 张合新 , 孟飞 , 强钲捷 , 杨小冈 . 改进Hausdorff距离和量子遗传算法在激光制导中的应用. 激光技术, 2016, 40(3): 320-325. doi: 10.7510/jgjs.issn.1001-3806.2016.03.004
[17]	张天地 , 贺锋涛 , 周强 , 贾琼瑶 , 李雪峰 . 光纤光栅解调系统的寻峰算法研究. 激光技术, 2013, 37(1): 36-39. doi: 10.7510/jgjs.issn.1001-3806.2013.01.009
[18]	夏桂芬 , 赵保军 , 韩月秋 . 基于神经网络的远程激光测距机混沌弱信号检测. 激光技术, 2006, 30(5): 449-451.
[19]	黄威威 , 游德勇 , 高向东 , 张艳喜 , 黄宇辉 . 基于相关分析和神经网络的激光焊接稳态识别. 激光技术, 2022, 46(3): 312-319. doi: 10.7510/jgjs.issn.1001-3806.2022.03.004
[20]	颜鑫 , 应恺宁 , 戴鹭楠 , 谭钧夫 , 沈中华 , 倪辰荫 . 基于物理信息神经网络的激光超声波场研究. 激光技术, 2024, 48(1): 105-113. doi: 10.7510/jgjs.issn.1001-3806.2024.01.017

点击查看大图

计量

文章访问数: 3920
HTML全文浏览量: 761
PDF下载量: 470
被引次数: 0

基于进化神经网络的激光熔覆层质量预测

通讯作者: 周建忠, zhoujz@ujs.edu.cn;

作者简介: 徐大鹏(1979- ),男,硕士研究生,主要从事基于激光熔覆的金属零件快速制造技术的研究.

1. 江苏大学机械工程学院镇江 212013

收稿日期: 2006-07-26
录用日期: 2006-09-06
网络出版日期: 2007-10-25

关键词:

摘要: 为了有效地控制激光熔覆层质量,采用反向传播(BP)算法建立了激光熔覆层质量(熔覆层宽度、熔覆层深度和稀释率)随激光功率、光斑直径和扫描速度变化的进化神经网络预测模型。针对BP算法存在收敛速度慢、容易陷入局部极小值及全局搜索能力弱等缺陷,采用遗传算法训练BP神经网络,取代了一些传统的学习算法,设计了基于进化神经网络的学习算法。经过理论分析和实验验证,在神经网络的输出端得到期望的线性输出,并在训练样本之外,选取了5组工艺参数检验神经网络模型的可靠性,预测结果与相应的实验结果的最大相对误差为2.14%。结果表明,运用该模型可以方便、准确地选择激光工艺参数,提高激光熔覆层的加工质量。