论文部分内容阅读
近年来，金属激光增材制造加工的梯度零件在航空、医疗及化工等领域具有广泛的应用前景。然而，加工过程中存在的送粉量的波动和元素烧损等问题会导致成形材料的实际成分值偏离期望值，并进而影响成形零件的组织及性能。因此，实现制造过程熔池成分的精确、稳定监测对于成形质量的控制十分重要。本课题应用激光诱导等离子体光谱分析技术，实现了对金属激光增材制造过程无损实时的光谱监测，并将支持向量回归算法用于成分分析，解决了传统成分分析方法存在的精度和稳定性较差、光谱输入信息有限以及标定模型受工艺参数影响等问题。本课题的具体研究内容如下： 1.针对金属激光增材制造的加工特性，引入激光诱导等离子体光谱分析技术，并以此搭建了光谱实时采集系统。同时提出了光谱信号预处理方法，提高了光谱数据的信噪比及光谱分析的效率和精度； 2.针对传统成分分析方法精度和稳定性较差的问题，提出了将支持向量回归算法用于成分分析。算法通过核函数将实数空间的谱线强度比与元素浓度的非线性关系映射到Hilbert空间，使得谱线强度比与元素浓度在 Hilbert空间呈线性回归关系。结果表明，支持向量回归算法进行成分监测的精度和稳定性要优于标定曲线算法、偏最小二乘回归算法以及人工神经网络算法； 3.针对支持向量回归算法的性能取决于算法分析参数取值的情形，提出了二折交叉验证迭代方法对分析参数取值进行寻优。结果表明，将最优值用于训练模型能够提高成分监测的精度和稳定性； 4.针对标定曲线法使用单一光谱参数与元素浓度建立关联的问题，提出了同时使用谱线强度比和谱线积分强度作为支持向量回归算法的输入变量来建立与元素浓度的关联模型。结果表明，增加的积分强度维度使得原本存在混叠的不同浓度样本的分布在新空间内变得线性可分，使得算法的成分监测精度和稳定性要优于仅使用谱线强度比作为输入的情形； 5.针对算法分析参数得出最优值受激光功率变化影响的问题，提出了基于激光功率修正的支持向量回归算法。结果表明，通过将分析参数最优值与激光功率的关系函数代入支持向量回归算法的建模过程中，实现了在变激光功率加工工况下的成分监测。