基于BP神经网络的激光熔覆参数多目标优化
摘要
为了获得TiC铁基合金粉末在316L不锈钢上的激光熔覆最佳工艺参数，提出了一种基于遗传算法优化的反向传播（BP）神经网络的激光熔覆参数优化方法。设计三因素五水平的全因子试验，测量了熔覆层的宏观形貌和平均硬度，建立输入参数（激光功率、扫描速度、保护气流量）和响应量（熔覆层宽度、熔覆层高度、稀释率、显微硬度）的神经网络模型。以多元非线性回归分析工艺参数对响应量的影响，并以综合灰关联度表征熔覆层的综合性能，寻优得到最佳参数。试验结果表明，激光功率和扫描速度对熔覆层宽度、稀释率和显微硬度的影响明显，而保护气流量对熔覆层高度影响最显著，遗传算法优化的BP神经网络模型各响应量模型的拟合优度均达到0.85~0.91之间，GA-BP模型精度良好，当参数为1090 W，扫描速度为4.4 mm/s，保护气流量为10 L·min-1，综合性能最佳，表明BP神经网络算法适用于激光熔覆层质量控制和参数优化。
引用本文（GB/T 7714）
邓德伟 Deng Dewei, 江浩 Jiang Hao, 李振华 Li Zhenhua, 等. 基于BP神经网络的激光熔覆参数多目标优化[J]. Laser & Optoelectronics Progress, 2023.
引文网络
本站仅收录题录与摘要供学习参考，全文版权归属出版方；如有侵权请联系我们删除。