[发明专利]一种钢线刀刀身激光热处理工艺参数优化方法

说明书

本发明公开了一种钢线刀刀身激光热处理工艺参数优化方法，本发明首先利用人工神经元网络对多元非线性映射关系出色的拟合能力，从试验数据中挖掘学习，并最终建立激光热处理工艺参数激光功率、扫描速度和离焦量与相应的显微硬度的映射关系，并以此为基础建立起钢线刀刀身激光热处理工艺参数的预测方法。随后采用遗传算法对人工神经元网络预测数据进行运算，得到最优激光热处理工艺参数，达到优化目的。

技术领域

本发明涉及人工神经元网络和遗传算法的应用领域，特别是一种高强度钢线刀刀身激光热处理工艺参数优化方法。

背景技术

钢线刀是由钢制成，顶端有刃的排制模切版的片状材料，是一种印刷包装行业的专用成型模切刀具。钢线刀可以用来切割各式各样的材料，其传统上主要应用在印刷业和包装业。

激光热处理是表面强化技术之一，它以激光作为热源，对被扫描工件表面进行加热，使表面温度迅速升至奥氏体化温度区间，随后通过基体的迅速冷却使表面发生相变，从而实现热处理强化。

将激光热处理应用于高强度钢线刀的制备，可以大幅度提高生产率，减少环境污染，降低能耗。但由于激光工艺参数对被加工件的影响是一种多变量的非线性系统，准确建立一种解析形式的加工过程模型十分困难。人工神经元网络和遗传算法的提出为研究这种非线性系统寻优提供了一种有力的工具。

人工神经网络(Artificial Neural Network，ANN)是人工智能技术的一种，它是由大量的神经元相互联接而成的自适应非线性动态系统，是一种模仿大脑处理问题的数学模型。与其他传统数学模型相比，人工神经网络具有自组织、自适应、自学习的能力、联想记忆能力、高度容错并行处理能力等特点。人工神经网络类似于一个黑匣子，在处理数据信息时不需要预先给出具体数学公式或模型，仅利用获得的实验数据，经反复循环迭代处理，就能获得数据的内在规律，因此人工神经网络常被用于处理材料科学领域中没有具体数学模型或经验公式的复杂问题。

遗传算法(Genetic Algorithm)是一种通过模拟自然进化过程搜索最优解的方法，根据达尔文进化论“物竞天择，适者生存”来进行模拟计算^[59]。遗传算法是从要解决问题的一个可能的解集出发，将该解集中的一定数量的个体经过基因编码。这样每个个体就成了染色体带有特征的实体，每个个体的外部表现由染色体中某一控制这一特征的基因组合决定的。因此，在进行遗传算法运算前，要进行表现型到基因型的编码工作，又因为仿照基因编码的工作极其复杂，故进行二进制编码，初代种群产生后，按照适者生存、优胜劣汰的原则，逐代演化出越来越好的近似解，在每一代中，根据个体对具体问题的适应度，进行筛选，并通过遗传学中的遗传算子进行交叉组合和变异产生出代表新的解集的种群，这样经过多代遗传运算，末代种群中的最优个体可被认为要解决问题的最优解。

发明内容

本发明的目的在于提供一种激光热处理制备高强度钢线刀的工艺参数优化方法，以更少的试验次数寻找更优异的钢线刀激光热处理工艺参数。

实现本发明目的的技术解决方案如下：一种基于人工神经元网络和遗传算法的钢线刀刀身激光热处理工艺参数优化方法，具体步骤如下：

1.通过试验获得激光工艺参数(激光功率、扫描速度和离焦量)对应下的钢线刀刀身显微硬度，试验选用激光工艺参数范围如下：激光功率600-1000W，扫描速度30-50mm/s，离焦量70-90mm。

2.将激光功率、扫描速度、离焦量作为人工神经元网络的输入单元，钢线刀刀身显微硬度作为输出单元，建立三层BPNN结构；

3.采用matlab对建立的人工神经元网络进行训练，将人工神经元网络拟合获得的刀身显微硬度与试验测得结果进行对比，通过计算均方误差(MSE)对适应度进行检查，当均方误差(MSE)小于10^-4时符合适应度要求；

4.当适应度达不到要求时，重复步骤2、3，直至获得符合精度要求的人工神经元网络；