英语原文共 18 页，剩余内容已隐藏，支付完成后下载完整资料

人工智能在激光加工建模与优化中的应用综述

摘 要

激光加工(LBM)作为一种有效的材料去除工具，已引起了制造业的关注。因此，对这一非常规加工工艺进行建模和优化具有很大的动力。在本文中，重点是最常见的LBM工艺，包括切割、开槽、车削、铣削和钻孔。由于LBM过程在各种条件下的非线性行为，建立一个精确的输入和输出变量之间的模型是困难和复杂的。LBM的输入变量为系统参数、材料参数和工艺参数，输出变量为激光加工工件的质量特征，包括几何特征、冶金特征、表面粗糙度和材料去除率(MRR)。近年来，在计算方法中，人工智能(AI)作为LBM质量特征建模和优化领域的先驱被科学家们研究。人工智能技术利用经验研究结果和现有知识对LBM过程进行建模、优化、监控和控制。本文综述了人工智能技术在LBM质量特性建模和优化中的应用，包括人工神经网络(ANN)、模糊逻辑(FL)、元启发式优化算法和混合方法。结果表明，人工智能技术能够成功地预测和改善激光加工工件的特性。同时也证明了人工智能可以作为一种强大的工具来获得LBM的综合模型和最优设置参数。此外，根据人工智能技术的潜力和能力，为未来的研究提供了一些思路。

关键词：激光加工：人工智能：质量特性：建模：优化

第一章 绪论

1.1 引言

在当前竞争激烈的市场中，公司采用新的制造技术来获得高性能的生产和高品质的产品^[1]。在各种生产工艺中，机械加工因其在制造方面的广泛应用而不断发展，以获得更好的性能^[2,3]。目前，工业上使用了许多非传统的加工方法，包括激光加工(LBM)、等离子束加工(PBM)、离子束加工(IBM)、电子束加工(EBM)、电火花加工(EDM)、化学加工(CM)、电化学加工(EM)、射流加工(JM)和超声波加工(UM)。这些机械加工工艺被用于在难以加工的材料(如钛、陶瓷和纤维增强复合材料)中建立精确和复杂的形状，这些材料难以用常规工艺加工。然而，这些工艺的应用在几何精度、复杂性、材料类型等方面有局限性等^[4]。为一个特定的应用选择一个适当的过程可以看作是一个有几个标准的决策问题。在这些非传统的加工技术中，由于LBM能够加工范围广、精度高的材料，使其成为一种特殊的加工技术，一直受到人们的关注^[5,6]。LBM具有切削精度高、切削速度快、热影响区小、切缝宽度窄^[7]等特点。图1给出了LBM的主要优缺点。

激光材料加工主要有两种机理:非热机制和热机制。在非热机制中，化学键的断裂和形成是通过共振能量转移而发生的，没有温度改变^[8]。而热机制通常被认为是激光束聚焦处具有高能量密度的材料去除的热过程，它会导致材料^[9]的加热、熔化和汽化。在本研究中，热机制被认为是LBM的主要过程。

图1 LBM的优缺点

切削、开槽、车削、铣削和钻孔(冲击和钻孔)是LBM的主要结构。激光还可以作为车削等常规加工的辅助工具，通过改变工件的微观组织和表面软化^[10]来获得更好的切削性能。激光束在主加工前对工件进行加热，降低了加工力，增强了切削特性^[11]。值得一提的是，激光重熔、激光硬化、激光熔覆、激光合金化等基于激光的工艺已广泛应用于表面工程应用^[12-14]。

有不同种类的激光器，具有特定的特性，为不同的应用而设计。根据激光介质的不同，激光可以分为气体(中性原子激光器、离子激光器、金属蒸气激光器和分子气体激光器)、液体(染料)和固体激光器(红宝石、钕和半导体激光器)。在不同类型的激光器中，CO₂ 和Nd:YAG最常用于LBM，因为它们具有合适的特性^[15]。CO₂ 激光分子气体激光器波长为10.6micro;m在电磁波谱的红外区。对于高平均束流强度和光束质量₂ 激光，它们适用于钣金的高速加工。与1micro;m Nd: YAG激光波长可以被高度反光的材料,如铝合金难以CO₂ 激光^[16,17]。虽然Nd:YAG激光器具有较低的光束强度，但在脉冲模式下工作时具有较高的峰值强度，可以加工更厚的材料。由于脉冲模式激光束具有较高的峰值功率和较低的相互作用时间，因此推荐用于切割高导热系数的材料^[18]。

利用超短脉冲激光可以完成长脉冲激光无法生产的高精度复杂零件的加工和微加工^[19-21]。到目前为止，已经提出了几种模型来评价超短激光脉冲的烧蚀基本原理。例如，Stavropoulos等人^[22]建立了一个分子动力学(MD)模型，以获得消融深度和温度随激光通量的时间变化。超短激光脉冲加工对工件产生有限的机械和热效应。然而，机械效应和热效应仍然对激光材料加工^[23]的质量特性起着重要作用。同样，超短脉冲激光也可用于退火和焊接等一些应用中对材料进行精确局部加热。

图2 内容的层次结构

LBM依靠吸收的能量将基体温度提高到熔点并超过^[24]。它一般与等离子体的形成和光吸收机制有关，常导致微裂纹、热沉积和次要的周边附带损伤^[6]。穿透发生的最大深度称为穿透深度(激光能量转换为热量的地方)。穿透的深度也取决于激光脉冲的持续时间。由于激光在较短脉冲时间内扩散热能的时间较短，产生了较大的表面温度^[25]。长脉冲激光去除材料主要是通过控制激光功率密度对材料进行熔化和蒸发来实现的。然而，被移除的材料经常在熔化区附近再沉积，形成重铸层^[26]。纳秒激光的线性吸收比飞秒激光的吸收长度和熔体深度要大得多。对于不透明材料，光吸收是由单光子吸收^[27]引起的。在这种情况下，利用吸收系数来确定渗透深度^[28]。为一个小吸收系数，非线性和线性吸收都可能导致超快激光器^[29]的穿透深度变小。而透明材料的吸收则是非线性的多光子吸收^[30,31]。纳秒激光吸收截面较小，穿透深度高于飞秒激光。

在LBM中确定合适的设置参数对于获得最佳的加工性能是至关重要的，这对于学者和工程师^[32]都是非常重要的。从技术角度来看，LBM是一个受大量参数影响的复杂过程^[33,34]。影响LBM最关键的参数是工艺参数、材料参数和系统参数^[35]。在过去的几年中，研究人员进行了不同的研究，以提高LBM的性能，通过检查不同的因素影响质量特征^[36]。理论和实证研究结果表明，适当选择工艺参数^[37]可以显著提高激光材料的加工性能。

图3 激光切割^[37]原理图

深入了解LBM过程，了解LBM的输入和输出参数之间的关系，有助于获得所需的产品。LBM中的控制参数从离散的到连续的，可微的到不可微的，这使得优化过程^[38]的输入难以调整。一般来说，三个主要的组，包括分析、实验和人工智能(AI)模型，已经被用来研究LBM的行为。分析方法包括三个细分，即:数值法、静态法和精确法^[36]。其中，有限元法和有限差分法等数值方法已广泛应用于各种条件下LBM的性能评价。实验设计(DOE)方法如响应面法和田口法有利于在有限的实验条件下提取精确的数学模型。利用实验数据，用曲线拟合的方法建立了质量特征与输入参数之间的关系。近年来，由于计算机系统的发展及其优势，人工智能方法引起了研究人员的关注^[1,39]。许多研究已经进行了模型和优化的行为的LBM过程使用一个或其中的几种方法^[40-42]。

人工智能(AI)是由基于生物的方法组成的最新技术，包括人工神经网络(ANN)、模糊逻辑(FL)、元启发式算法以及混合技术，在世界范围内受到越来越多的关注^[43,44]。人工智能和人类一样，具有学习、推理沟通、感知和决策。人工智能在计算机集成工程应用中具有显著的性能^[45,46]。例如，提高生产过程的监控和效率以及自动校正是人工智能在^[47]制造中的一些应用。在激光材料加工的情况下，人工智能可以有效地用于控制和选择最优的工艺参数，以实现使用传统方法无法获得的合适的质量特性^[48,49]。人工智能技术的发展使其能够应用于各种激光材料工艺的建模和优化，如激光焊接、激光加工等^[38,50]。此外，一些最近的人工智能技术，如深度学习方法已被用于激光材料的分类、监测和缺陷检测^[51-53]的过程。深度学习方法的惊人性能对于获得LBM pro更好的特征具有很大的潜力^[54]。

本文综述了人工智能技术在LBM质量特征建模和优化中的应用。研究的质量特征包括几何特征、表面质量、冶金性能和材料去除率（MRR）的流动。本综述的内容如图2所示。在第一节中，在介绍LBM工艺原理的同时，讨论了该工艺的各种有效参数和质量特性。在第二部分，最适用的人工智能技术的原则针对LBM的优点和局限性提出了LBM。最后，给出了为选择合适的AI算法的指导原则具体的问题，允许研究人员考虑最合适的方法。此外，也讨论了可能的机会。同时，本文对人工智能在LBM中的应用具有一定的指导意义。

第二章 激光加工

目前，LBM作为某些传统加工工艺的有效替代品，已引起了研究者们的关注，并进行了大量的实验和数值研究。LBM工艺具有广泛的加工能力，包括加工不同材料，如具有不同性能(软、硬、延展性到脆性转变温度、高导电性和热敏性)的金属和非金属^[55]。LBM是一种非接触加工工艺，不存在刀具偏转、切削力、机床振动和刀具磨损等问题^[7,8]。

LBM已被用作切割、开槽、车削、铣削和钻孔的有价值的工具。作为主要激光束切割配置之一的激光束切割示意图如图3所示。在LBM中，激光束作为一种热过程集中在材料表面，使其温度迅速上升到熔点以上，并引起快速蒸发。冲击和钻孔是激光束钻孔的两种主要类型。在冲击激光束钻孔中，激光束在材料去除过程中不移动，而套孔激光束钻孔包括激光束在孔周长^[56]上的移动。在LBM^[57]中，通常使用一种称为辅助气体的高压气体射流来吹走熔融物质。

由于影响过程性能的参数很多，LBM的建模非常复杂^[58,59]。许多研究者仔细研究了各种LBM参数对质量特性的影响^[60-62]。一般来说，LBM中的重要参数主要分为三种类型，即激光参数、材料参数和工艺参数^[8]。结果表明，激光功率、切削速度、脉冲宽度、辅助气体压力等LBM参数对激光加工工件^[36]的质量特性有较大影响。LBM的有效参数如图4所示。

图4 介绍了LBM工艺的有效参数

在LBM中设置足够的参数是实现高性能生产的关键。参数设置过低或过低高，工艺参数对激光切割效率的影响较大导致流程^[3]效率低下。高级工艺参数与低级工艺参数对切割质量影响的差异见表1。许多研究人员评估了设置参数对LBM[58]的质量特性的影响，包括表面质量、冶金性能、被加工工件的几何形状和材料去除率(MRR)，如图5所示。

表一 工艺参数对金属切削性能的影响^[63]

图5 LBM的质量特征

第三章 人工智能

如今，人工智能作为一种解决不同领域复杂实际问题的先进工具受到了广泛的关注^[64,65]。在一般意义上，人工智能被定义为计算机和其他能力机器模仿人类和自然的聪明行为来解决实际问题。通常，使用两个基本概念，包括学习和推理建模和利用人工智能优化。学习和推理分别用于自动构建模型，并在准确记录事实和观察的基础上得出逻辑结论^[66,67]。一种成熟的人工智能方法可以成功地应用于广泛的系统。它可以用于同时建模和优化多种特征，这是传统方法无法做到的^[68]。AI包括许多分支，例如:，人工神经网络(ANN)，模糊逻辑(FL)，元启发式优化算法，以及混合方法，这些方法将在下面简要描述。

总的来说，AI模型的开发过程可以分为数据选择、归一化、数据划分、超参数选择和评价五个主要步骤^[69]。在第一步中，应根据相关问题选择输入和输出参数。综合考虑输出上的所有有效参数，可以得到一个全面的模型。选择好数据后，为训练模型准备数据。在这一步中，输入和输出数据归一化为[0,1]或[-1,1]。通常，规范化可以提高AI模型的性能。将收集到的数据分为训练数据集和测试数据集，用于检验模型的准确性和泛化性。下一步是通过试错或优化方法选择模型的超参数(章节3.4.2)。在人工智能模型的训练中，选择合适的超参数至关重要。最后一步是通过计算预测输出的误差来评估模型的性能。与训练数据误差之间的差异较小试验数据表明，该模型具有较好的泛化性能。

- - - - - -

3.1 人工神经网络

最著名和最适用的人工智能算法之一是ANN，它将经验数据背后的规则或知识转移到网络结构中^[70]。人工神经网络可以在不同的配置中用于不同的应用，包括模式识别、数据提取、分类、预测和流程建模^[46]。该

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[605890]，资料为PDF文档或Word文档，PDF文档可免费转换为Word