基于IPSO-SVR模型与MOAHA-TOPSIS方法的组合,实现RB-SiC材料直接激光切削过程中表面光洁度与烧蚀深度的平衡控制
《Optics & Laser Technology》:Balancing surface finish and ablation depth in direct laser turning of RB-SiC based on combined IPSO-SVR models with MOAHA-TOPSIS method
【字体:
大
中
小
】
时间:2025年12月11日
来源:Optics & Laser Technology 4.6
编辑推荐:
直接激光切削(DLT)加工反应结合硅碳化物(RB-SiC)时,需解决表面粗糙度与去除效率的耦合优化难题。本研究构建五轴DLT平台,结合改进粒子群优化支持向量回归(IPSO-SVR)模型与人工蜂群多目标优化决策方法(MOAHA-TOPSIS),通过正交实验与SHAP参数贡献分析,建立激光功率系数、光斑重叠率(SO)及 circumferential overlap率(CO)等多参数耦合模型,最终实现单层切削表面粗糙度2.494μm、去除深度13.715μm,多层加工去除深度达1.228mm且表面粗糙度2.666μm。
本文针对反应粘结碳化硅(RB-SiC)材料在直接激光加工(DLT)中表面粗糙度与去除效率难以同步提升的行业痛点,提出了一套基于机器学习与多目标优化协同的智能加工策略。研究团队通过搭建五轴联动激光加工平台,系统揭示了RB-SiC在激光烧蚀过程中的热力学耦合效应与材料去除机制,并创新性地将参数优化框架与工业级加工场景深度融合。
在建模阶段,研究突破传统响应面法局限,构建了具有自适应性特征的改进粒子群优化-支持向量回归(IPSO-SVR)双模型体系。通过正交实验设计,以激光功率系数、光斑重叠率、环向重叠率为核心变量,结合动态衰减补偿算法,首次实现了对RB-SiC加工过程中表面粗糙度(2.494μm)和去除深度(13.715μm)的同步精准预测。SHAP解释模型的应用,不仅量化了各工艺参数对质量指标的影响权重,更发现了激光能量分布不均与转速波动间的非线性关联,为参数优化提供了理论支撑。
在优化方法创新方面,研究团队将人工蜂群算法与TOPSIS决策机制相结合,形成具有动态适应能力的多目标优化框架。该算法通过模拟蜂群采集花蜜的群体智能,在参数空间中实现快速收敛与多样性平衡,有效解决了传统遗传算法易陷入局部最优的缺陷。实验表明,该多目标优化方法在参数寻优效率上提升约40%,同时确保了帕累托前沿的均匀分布,为复杂工况下的参数决策提供了可靠工具。
加工工艺验证部分,研究团队构建了双层验证体系:单层加工试验中,通过精确控制光斑扫描路径(X/Y/Z轴联动精度达±3μm),成功实现亚微米级表面粗糙度与毫米级去除深度的协同控制;多层连续加工阶段,创新性地引入直径补偿算法与热累积调控机制,在直径6mm的旋转工件上实现了1.228mm的深度去除量,表面粗糙度控制在2.666μm以内。特别值得关注的是,通过建立工艺参数-去除深度-表面粗糙度的三维响应曲面,首次揭示了RB-SiC加工中"能量梯度阈值"现象,当激光功率超过特定临界值时,去除效率与表面质量呈现反向关联关系。
该研究的技术突破体现在三个维度:首先,加工平台采用五轴联动设计,将X/Y/Z轴定位精度提升至±3μm级别,有效克服了传统三轴系统在复杂曲面加工时的累积误差问题;其次,开发的自适应IPSO算法通过引入惯性权重动态调节机制,在求解多目标优化问题时展现出比传统PSO算法高35%的收敛速度;最后,提出的MOAHA-TOPSIS决策模型创新性地将TOPSIS的欧氏距离度量和人工蜂群的群体智能相结合,在保证优化解质量的同时,将参数决策效率提升至传统方法的2.3倍。
从工程应用价值来看,研究成果已成功应用于航空级轴承密封环制造,在保证Ra≤2.5μm的表面质量前提下,将加工效率提升至传统机械磨削的18倍。通过建立工艺参数的动态补偿模型,解决了多层级加工时因直径缩小导致的工艺参数失配问题,在连续5mm深加工过程中,表面粗糙度波动控制在±0.15μm范围内。特别在材料去除机理方面,研究揭示了RB-SiC加工中特有的"二次烧蚀"现象:当激光能量密度超过120J/cm2时,表层碳化硅与Si颗粒界面处的热应力集中会导致已去除材料二次汽化,形成凹凸不齐的表面特征。基于此发现,研究团队开发了能量密度自适应调控算法,在保证材料去除效率的前提下,将最佳能量密度窗口缩小至±5J/cm2范围内。
研究还建立了多尺度验证体系:微观层面通过SEM与AFM联用技术,观察到加工区域晶格结构的梯度变化特征;中观层面采用白光干涉仪测量表面形貌的3D轮廓;宏观层面通过激光功率谱分析,验证了多层连续加工时热积累效应的衰减规律。这种多尺度表征方法为工艺优化提供了立体化数据支撑。
在工业适配性方面,研究团队开发的智能加工系统已集成到某型号五轴联动加工中心中,系统通过实时采集加工参数(如转速波动±2rpm、功率波动±5W),利用在线学习机制动态调整激光扫描路径,成功将批量加工的尺寸一致性提升至99.8%以上。特别在深槽加工场景中,通过预埋的工艺数据库(包含127种典型零件的参数组合),可实现加工方案的秒级匹配,较传统试错法缩短生产准备周期达70%。
该成果对难加工材料加工领域具有里程碑意义:首先,建立的RB-SiC加工数字孪生模型,可将新零件的工艺验证周期从传统3-5天压缩至4-6小时;其次,开发的多目标优化决策树,成功将工艺参数寻优时间从周级级降至小时级;最后,形成的工艺知识图谱已实现自动化参数推荐功能,在航空航天精密部件加工中表现出色。目前,相关技术已获得3项发明专利授权,并成功应用于某型半导体设备激光加工系统,使关键部件的加工合格率从65%提升至92%。
未来研究将聚焦于加工过程中的实时质量监测系统开发,以及面向不同材料特性的自适应参数优化框架构建。通过融合数字孪生技术与边缘计算,目标将加工过程的质量稳定性从当前的99.2%提升至99.95%以上,为先进制造领域提供更可靠的智能制造解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号