专利名称：模具表面激光强化工艺优化的制作方法
技术领域：
本发明属于激光热处理技术领域，具体地说，是用于优化激光强化工艺参数，以改善模具表面性能的系统。
背景技术：
目前，激光强化技术的工艺方案基本上是以材料学研究人员和激光加工工艺研究人员经过大量的工艺试验研究得出的工艺数据为依据，凭借经验进行性能预报和工艺参数设计。但是激光表面强化过程包含了一系列复杂而又相互影响的物理化学过程。研究人员往往忽略了许多因素，普遍将作用光束假设为理想的基模高斯光束、将被处理材料视为热物性参数与温度无关的半无限大均勻介质，利用热传导方程的结果估算热作用。由于激光强化过程瞬时性和复杂性，仅围绕温度、相变等进行简单计算，对相变后的组织分布、温度场和材料性能之间的关系未加考虑，不能准确的对实际的强化工艺的制定起很好的指导作用。同时激光加工技术的不断发展和加工对象的日益复杂，这种不确定的工艺方案的局限性越来越突出。合理规划激光强化工艺，如选择合适的激光功率、保护气、光斑直径、扫描速度及路径等因素都对模具表面强化有着重要的意义。BP神经网络具有高度的非线性函数逼近能力、自适应学习能力、容错能力和并行信息处理能力，为解决不确定非线性系统的建模提供了一条新的途径。因此，基于神经网络的激光强化工艺优化可以解决激光强化实践中的一系列工艺问题，从而提高模具表面的性能，降低模具生产和修复成本，增加经济效益。
发明内容
在模具的生产和修复时，为了免除选择模具表面强化工艺的费时费力且精确性不高的重复试验过程，本发明将提供一种选择强化工艺的智能化软件，该软件建立了各个工艺参数与强化结果之间的预测模型。用户只需要输入强化表面的基本情况，便可以根据这些输入数据自动分析、计算、模拟，最终得到最合适的工艺参数。本专利解决其技术问题所采用的技术方案是采用BP神经网络和优化算法相结合的方法对激光强化工艺参数进行优化。神经网络建立了强化工艺参数和强化表面的硬度、硬化深度之间的3层或3层以上网络预测模型。输入层有四个神经元激光功率、扫描速度、光斑直径、保护气大小，输出层为两个神经元硬度、硬化深度。隐含层有多个神经元， 其个数可由经验公式确定。利用训练样本对所建立的网络进行训练，形成输入输出之间的高度映射关系，再根据神经网络输入输出的映射关系，使用一种优化算法对工艺参数进行智能择优。本专利的有益效果是，能够以省时省力而且最经济的方式选择出最优激光强化工艺参数，提高模具表面性能改进的效果。
图1为三层神经网络模型结构图。图1中1为激光功率值；2为扫描速度值；3为光斑直径值；4为送粉量值；5为神经网络隐含层；6为硬化深度值；7为硬度值。
具体实施例方式根据模具表面状况，输入材料的性质、强化后要达到的硬度和硬化深度以及所选择的算法，计算机将自动完成模型建立和计算并选择出最优工艺参数激光功率、扫描速度、光斑直径、保护气大小。其实施过程为首先，收集整理试验数据，建立工艺参数与模具表面强化质量之间的BP神经网络模型，并用所收集的数据对BP网络模型进行训练。然后， 结合优化算法，调用神经网络对工艺参数进行优化，系统将获得的输出值与用保存的优化工艺参数值得到的输出值进行比较。若用新的参数值得到的神经网络输出值比原来的好， 则代替原来的参数值成为新的最优工艺参数值。否则仍然保留原来的最优工艺参数值。系统持续的进行筛选计算，直到到达设定的精度要求。此时的工艺参数值就是模具表面强化最优工艺参数值。
权利要求
1.一个模具表面激光强化工艺优化系统，能自动地设计出最优强化工艺，其特征是 采用神经网络和优化算法相结合的方法对激光强化工艺参数进行优化设计。
2.根据权利要求1所述的模具表面激光强化工艺优化系统，其特征还有神经网络建立3层或3层以上网络预测模型，利用训练样本对所建立的网络进行训练，形成输入输出之间的高度映射关系。
3.根据权利要求1所述的模具表面激光强化工艺优化系统，其特征还有使用一种优化算法，根据神经网络输入输出的映射关系对工艺参数进行智能择优。
全文摘要
一个模具表面激光强化工艺优化系统，采用神经网络和各种算法相结合的方法对激光强化工艺参数进行优化设计，能自动地设计出最优强化工艺。神经网络建立3层或3层以上网络预测模型，利用训练样本对所建立的网络进行训练，形成输入输出之间的高度映射关系。使用一种优化算法，根据神经网络输入输出的映射关系对工艺参数进行智能择优。本发明免除了大量的重复性的工艺选择试验、节约了时间、降低了模具的生产和修复成本，在程序的控制下自动完成激光功率、扫描速度、光斑直径、保护气大小等因素的自动匹配。本发明通过最优工艺可以提高对模具表面强化的质量。
文档编号G06F17/50GK102479259SQ20101055442
公开日2012年5月30日 申请日期2010年11月23日 优先权日2010年11月23日
发明者伍耀庭, 刘继常, 王双喜, 王国权, 颜丙功 申请人:佛山市华南精密制造技术研究开发院, 广东科信达科技有限公司, 湖南大学