论文部分内容阅读
选择性激光烧结(Selective Laser Sintering,SLS)是一种通过激光逐层烧结粉末材料层层堆积实现制件三维成形的快速成形方法。随着该项技术的不断发展,选择性激光烧结工艺也越来越成熟和规范,为了推进该项技术在航空航天等高精密制造领域取得广泛应用,选择性激光烧结的精度成为一个重要的研究问题;并且随着计算机技术在制造领域的应用越来越广泛,如何将传统的工艺研究方法和计算机技术相结合,以实现高效准确的精度控制、并同时实现工艺研究的智能化系统化也是一个重要的研究方向。本文较为系统的分析了影响选择性激光烧结的精度影响因素,并结合数据挖掘领域的部分成果,分别采用神经网络与支持向量回归两种方法建立了选择性激光烧结工艺与收缩率之间复杂的非线性关系,实现了收缩率的高效准确预测与分析,并结合烧结理论对成形工艺进行了分析。从前期数据处理、成形过程以及后处理三个方面系统地分析了影响选择性激光烧结成形精度的因素并提出了相应的解决办法。前期数据处理的误差主要包括STL文件的拟合误差、分层切片产生的阶梯效应以及尺寸误差;成形过程中的设备定位精度,比如铺粉系统的运动精度、激光扫描系统的定位精度、加热系统温度控制性能等都会对成形精度产生影响甚至影响成形性;阐述了成形过程中的工艺参数,比如预热温度、激光功率、扫描速度、激光半径补偿参数、扫描方式对成形精度的影响规律;介绍了后处理材料、工艺参数可能对精度产生的影响。采用改进的BP神经网络建立了选择性激光烧结工艺参数与精度之间的非线性模型。采用正交实验设计的方法设计了训练数据,减少了数据的冗余;结合已有的神经网络结构设计经验,通过多次对比实验最终选择了最优化的结构参数,并实现了非线性建模。该模型具有较好的泛化性能,平均预测误差在4.53%。由于神经网络的设计缺乏统一的理论指导,是一种建立在经验风险最小化基础上的经验模型,泛化能力无法保证。采用建立在统计学习理论基础上的支持向量回归来实现工艺参数与收缩率之间的非线性建模,考虑到支持向量回归涉及到结构参数的最优化选择,采用均匀设计初始化的粒子群算法对支持向量回归的参数进行了寻优。最终建立的模型平均预测误差为3.95%,较好的反映了工艺参数与收缩率之间的关系。采用建立的支持向量回归模型对选择性激光烧结工艺进行了研究,分析了各因素单独以及交互作用对收缩率的影响,模型快捷简便的特点大大地简化了工艺的研究。结合该模型的预测能力,通过和寻优算法的结合,根据实际的成形需要,还能够实现对工艺参数的智能化选择,为实现选择性激光烧结的智能化和推广提供了选择。