(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111477638.0 (22)申请日 2021.12.0 6 (71)申请人 浙江大学高端装备研究院 地址 311106 浙江省杭州市余杭区兴国路 503号5幢10 3室 (72)发明人 丁红钦　袁梓骏　祝毅　张超　 谢海波　杨华勇　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 贾玉霞 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06N 20/00(2019.01) B22F 10/28(2021.01) B22F 10/80(2021.01) B33Y 10/00(2015.01) B33Y 50/00(2015.01) G06F 113/10(2020.01) G06F 119/04(2020.01) G06F 119/18(2020.01) (54)发明名称 基于机器学习的选区激光熔化成形316L不 锈钢磨损预测方法 (57)摘要 本发明公开一种基于机器学习的选区激光 熔化成形316L不锈钢磨损预测方法， 该方法首先 基于选区激光熔化成形过程工艺参数与选区激 光熔化成形316L不锈钢的磨损率， 创建训练数据 集； 然后对训练数据集标准化处理； 构建基于神 经网络的选区激光熔化成形316L不锈钢磨损的 机器学习预测模 型， 并采用标准化后的训练数据 集对该模型进行训练； 最后将新的选区激光熔化 成形过程工艺参数进行也进行相同的标准化后， 输入训练后的机器学习预测模型中， 得到对应的 316L不锈钢的磨损率。 本发明的方法预测精度较 高。 权利要求书1页 说明书5页 附图4页 CN 114117684 A 2022.03.01 CN 114117684 A 1.一种基于机器学习的选区激光熔化成形316L不锈钢磨损预测方法， 其特征在于， 该 方法包括如下步骤： (1)基于选区激光熔化成形过程工艺参数与选区激光熔化成形316L不锈钢的磨损率， 建立选区激光熔化成形过程工艺参数与选区激光熔化成形316L不锈钢的磨损率的对应关 系， 提取特征数据， 创建训练数据集； (2)对训练数据集标准 化处理； (3)构建基于神经网络的选区激光熔化成形316L不锈钢磨损的机器学习预测模型， 并 采用标准 化后的训练数据集对该模型进行训练； (4)将新的选区激光熔化成形过程工艺参数进行与步骤(2)相同的标准化后， 输入步骤 (3)得到的训练后的机器学习预测模型中， 得到对应的316L 不锈钢的磨损率。 2.根据权利要求1所述的基于机器学习的选区激光熔化成形316L不锈钢磨损预测方 法， 其特征在于， 所述训练数据集中包括特征数据X和目标属性Y， 其中， 目标属性Y为磨损 率； 特征数据X包括点距、 曝光时间、 扫描速度、 扫描间距、 能量密度、 载荷、 滑动距离、 成型方 式； 所述点距、 曝光时间、 扫描速度、 扫描间距、 能量密度为选区激光熔化成形过程工艺参 数， 所述载荷、 滑动距离为对应的摩擦磨损实验的工况数据， 所述成型方式为三种， 包括不 重熔、 平行重熔和垂 直重熔； 且当成型方式为不重熔时， 选区激光熔化成形过程工艺参数选 用基底层的参数； 当成型方式为平行重熔时， 选区激光熔化成形过程工艺参数选用重熔层 的参数， 能量密度＝基底层能量密度+0.8 3*重熔层能量密度； 当成型方式为垂 直重熔时， 选 区激光熔化成形过程工艺参数选用重熔层的参数， 能量密度＝基底层能量密度+0.75*重熔 层能量密度。 3.根据权利要求1所述的基于机器学习的选区激光熔化成形316L不锈钢磨损预测方 法， 其特征在于， 所述神经网络 选用BP神经网络， 对BP神经网络进行训练的过程具体包括： (1)设置神经网络的神经元层数和个数， 确定激活函数与batch_size， 建立损失函数 MSELoss， 神经网络模型中可调节的关键参数包括学习速率learning_rate、 正则化系数 weight_decay与循环次数； 并构建对模型预测结果精度的评价标准R2， 用于表示模型对观 察结果的再现程度， R2越接近1表示预测精度越高； 所述R2的计算公式如下： 其中ai表示第i个数据对应的实际磨损率， pi表示对第i个数据的预测磨损率， a表示实 际磨损率的平均值， n表示当前 数据集中的数据的数量； (2)当完成一轮训练后， 计算R2， 当R2小于设定阈值时， 对BP神经网络进行调参后， 继续 训练， 直到R2大于等于设定阈值， 停止训练， 得到具有最优参数的BP神经网络 。权　利　要　求　书 1/1 页 2 CN 114117684 A 2基于机器学习的选区激光熔 化成形316L不锈钢磨损 预测方法 技术领域 [0001]本发明涉及增材制造技术领域， 尤其涉及 一种基于机器学习的选区激光熔化成形 316L不锈钢磨损预测方法。 背景技术 [0002]随着机械加工技术的快速发展， 增材制造技术作为一种新兴的生产方式引起了人 们的重点关注。 与传统的减材制造方式相比， 增材制造方式具有生产周期短、 不受零件结构 限制以及能够 有效节省成本等优势。 因此， 增材制造技术现已被广泛应用于航空航 天、 生物 医学与汽车制造等领域。 选区激光熔化技术是金属增材制造技术的一种， 它首先根据CAD模 型进行切片， 然后使用光纤激光器选择性扫描预铺的金属粉末， 逐层建造零件， 最 终成形需 要的构件。 由于选区激光熔化制 造技术的灵活性， 在加工具有特殊结构和功 能需求的零件 时， 常常选择具有高强度与高耐磨性的硬质复合材 料。 [0003]然而， 由于选区激光熔化工艺过程伴随着激光与材料的相互作用， 其中加热与冷 却的不断循环会产生独特的热效应， 引起熔池延伸、 材料熔化不完全、 Marangoni对流与粉 末氧化等现象。 因此， 选区激光熔化过程会产生区别于传统制 造而产生孔隙、 粘粉、 裂纹及 应力集中等缺陷， 材料微观结构也发生了改变， 从而导致其机械性能与表面性能产生响应 变化。 因此， 通过选区激光熔化工艺制备的成形件在实际工程领域中， 可能由于成形件表 面 的制造缺陷加剧其磨损破坏问题， 严重时会导致成形件表面材料剥落， 工作性能降低， 使用 寿命下降， 直接 关系到成形件的可靠性。 因此， 选区激光熔化工艺成形件比传统方式成形件 的磨损问题更加严重， 其磨损问题亟需深入研究。 一般而言， 后处理技术是提升选区激光熔 化成形件表面性能的重要手段。 但是， 由于后处理工艺的复杂性， 尤其是对于具有复杂结构 和几何形状的成形件， 后处理工艺可能并不适用。 因此， 为了使选区激光熔化工艺制备的成 形件能够达到表面性能的需求， 调整选区激光熔化工艺参数， 也是提升成形件表面性能的 有效途径。 选区激光熔化工艺过程涉及的工艺参数(如激光功 率， 扫描速度、 层厚、 扫描间距 等)以及扫描 策略都会影响加工过程， 参数的任何变化 都有可能改变材料的微观结构， 从而 引起表面 性能的改变。 [0004]尽管已有不少研究试图揭示选区激光熔化工艺参数与成型件表面性能之间的关 系， 但这一研究过程往往需要进 行大量的实验， 尤其是成形件表面的磨损性能， 需要加工大 量的实验样品， 进 行大量的重复实验， 方能获得选区激光熔化成形件的磨损性能。 因此有必 要减少实验的次数， 降低研究 的成本， 提升获得成形件性能的效率。 但是增材制造是一个多 物理场与多尺度的复杂过程， 如何建立起工艺参数 ‑微观结构 ‑表面性能的可靠物理模型依 旧面临巨大挑战， 此外， 如何快速获得选区激光熔化成形件的磨损性能也是亟需解决的一 个重要问题。 机器学习的出现为科研人员提供了新的思路， 机器学习是人工智能的子集， 能 够依托过去的过程参数， 通过数据拟合的方式进行成形件表面性能的预测。 机器学习在增 材制造上的应用不仅可以帮助从业人员优化制 造过程， 提高产品质量， 更重要的是可以节 省大量时间成本， 并且能让非专业人士也能参与到参数优化的过程中来。 因此把机器学习说　明　书 1/5 页 3 CN 114117684 A 3