基于机器学习的化学气相平滑后 SLS 制造 PA12 零件孔几何偏差与圆度的数据驱动预测
《Journal of Manufacturing Processes》:Data-driven prediction of hole geometry deviation and circularity in SLS-fabricated PA12 parts after chemical vapor smoothing using machine learning
【字体:
大
中
小
】
时间:2026年10月21日
来源:Journal of Manufacturing Processes 7.8
编辑推荐:
摘要
选择性激光烧结(SLS)聚酰胺12(PA12)被广泛用于制造具有复杂几何形状的功能组件;然而,由于各向异性收缩、冷却不均匀以及后处理效应,在孔特征中实现尺寸精度仍然具有挑战性。本研究对化学气相平滑处理(CVS)后的SLS制造PA12组件中的孔几何形状进行了实验和数据驱
摘要
选择性激光烧结(SLS)聚酰胺12(PA12)被广泛用于制造具有复杂几何形状的功能组件;然而,由于各向异性收缩、冷却不均匀以及后处理效应,在孔特征中实现尺寸精度仍然具有挑战性。本研究对化学气相平滑处理(CVS)后的SLS制造PA12组件中的孔几何形状进行了实验和数据驱动的调查。采用五种曝光循环和三种构建方向(X、Y和Z)制造了具有不同内孔和外孔直径的PA12样品。在标准处理条件下,对所有样品施加了固定的CVS处理。测量了孔直径偏差和圆度,并用于开发监督机器学习模型,包括多项式回归、支持向量回归、随机森林、梯度提升、XGBoost和LightGBM。通过对模型进行比较评估,使用曝光循环、构建方向和标称孔尺寸作为输入变量来预测孔直径偏差和圆度。结果表明,曝光循环和构建方向影响了孔几何形状,其中Z方向样品的尺寸偏差较大。虽然CVS改善了边缘光滑度和连续性,但处理后观察到轻微的尺寸变化,这取决于特征尺寸、构建方向和先前的热暴露。基于集成模型的预测精度最高,优化后的XGBoost模型在圆度方面达到R2值为0.909(RMSE = 0.011,MAE = 0.009),在直径偏差方面达到R2值为0.911(RMSE = 0.047,MAE = 0.034)。研究结果表明,在所研究的加工条件下,数据驱动模型具有在特征级别预测孔几何形状的潜力。
引言
增材制造(AM)因其能够制造具有复杂几何形状的组件并减少对外部工具的依赖,已发展成为在工程、生物医学、航空航天、汽车和消费品等领域广泛采用的生产方法[1]、[2]、[3]。在AM中,零件以逐层方式直接从CAD模型制造,使得能够制造传统技术难以实现的内部特征、定制特征和轻量化结构[4]、[5]。在基于聚合物的AM技术中,选择性激光烧结(SLS)通常用于生产功能组件。SLS利用激光在加热粉末床中选择性地熔合聚合物粉末颗粒,从而实现无需支撑的复杂形状和内部特征制造。聚酰胺12(PA12)是SLS中广泛使用的聚合物材料,因其稳定的加工行为、适中的机械性能和耐化学性[6]、[7]、[8]。因此,SLS制造的PA12组件越来越多地用于需要尺寸一致性和功能可靠性的应用中,例如机械装配、矫形设备、外壳和定制夹具[9]、[10]。
在SLS过程中,构建过程中会发生局部熔化、部分烧结、反复热暴露循环和不均匀冷却,导致尺寸偏差、残余应力和几何变形[11]、[12]。孔特征通常用于工程组件中的对齐、紧固和载荷传递。较小的孔直径很可能经历部分烧结和粉末附着,通常导致孔尺寸偏小,而较大的孔可能因各向异性行为或不均匀热梯度而表现出变形[13]。圆度反映了孔轮廓的均匀性,对这些效应特别敏感,目前仅有少数研究与直径偏差一起进行了探讨[14]。
构建方向是影响SLS中尺寸精度的关键参数,由于逐层制造的各向异性本质,沿不同轴方向构建的特征在热流、层叠和粘结行为方面存在差异。在X-Y平面中构建的特征主要受扫描策略和平面内热扩散的影响,而沿Z方向对齐的特征则受层厚、阶梯效应和层间粘结的影响[13]、[15]。多项研究报告了SLS制造零件中存在方向相关的尺寸偏差。然而,大多数此类工作侧重于外部尺寸和机械性能[16]、[17]、[18]。除了构建方向之外,粉末在制造过程中经历的曝光循环次数也会影响尺寸稳定性。曝光循环指的是SLS制造过程中施加的激光曝光循环次数,由SLS系统的加工策略定义。尽管曝光循环与机器和工艺相关,但它们构成了一种影响粉末床热历史和所制造零件尺寸精度及几何特征的SLS加工参数。在SLS中,组件暴露于反复的激光扫描和长时间的升高温环境中,随着层逐层加工。这些反复的粉末曝光循环可能影响聚合物链迁移性、结晶行为和不均匀收缩,从而影响内部孔等特征[19]、[20]。大多数尺寸精度研究考虑单一制造条件,而非多次曝光循环对零件几何形状的渐进效应。
后处理通常用于改善SLS制造零件的表面质量和功能性能。在可用的后处理方法中,化学气相平滑(CVS)被用于通过暴露于受控溶剂蒸气来减少表面不规则性,从而产生表面级聚合物回流,实现更光滑的表面和更好的边缘连续性[21]、[22]、[23]。然而,CVS也可能通过聚合物膨胀和材料重新分布来影响尺寸精度[7]、[24]、[25]、[26]。对于孔特征,这些变化可能导致直径和圆度发生变化。尽管如此,大多数与CVS相关的研究侧重于表面粗糙度降低和机械性能变化[27]、[28],在受控平滑条件下对内部特征(孔)的研究有限。
在最近的工作中,机器学习(ML)技术越来越多地应用于AM中,以建模工艺参数与零件质量特征之间的关系。统计方法通常依赖有限的参数变化和线性假设,可能无法完全捕捉AM过程中存在的交互作用。相比之下,监督学习算法可以建模非线性关系和多个输入变量之间的交互作用,使其适合分析AM数据集[29]、[30]、[31]、[32]。基于ML的方法已被用于预测各种AM工艺中的机械性能、表面粗糙度和尺寸偏差,减少了对试错实验的依赖[33]、[34]、[35]。
在预测尺寸精度方面,人工神经网络(ANN)和其他回归模型已被用于从工艺参数估算零件尺寸和表面质量。关于熔融沉积建模(FDM)的研究表明,神经网络在预测生物医学植入物的尺寸精度和表面粗糙度时可以达到很高的决定系数,表明数据驱动模型可以捕捉加工条件与几何特征之间的复杂关系[36]、[37]。[38]研究了粘结剂喷射制造的金属零件中形状失真对孔精度的影响,并证明制造和后处理过程中引入的几何变化显著影响孔直径精度和圆度,突出了内部特征对工艺诱导变形的重要性。
简单的回归模型如线性回归已被用作基线,基于核的方法和集成模型也被用于捕捉非线性模式[39]、[40]、[41]。支持向量回归、随机森林、梯度提升和极端提升模型已被用于预测质量响应,如表面粗糙度、机械强度和尺寸偏差[42]、[43]。这些研究表明,数据驱动模型可以为工艺优化和质量控制提供有用的见解,尽管它们在SLS内部特征几何形状中的应用仍较少探索。
监督回归算法如线性回归、多项式回归、岭回归和Lasso回归、支持向量回归、随机森林、梯度提升、极端梯度提升(XGBoost)和LightGBM在可解释性、鲁棒性和捕捉非线性行为方面具有不同的优势[33]、[44]、[45]、[46]。线性和正则化回归模型提供了参数影响的见解,而基于集成和核的模型可以处理复杂的交互作用。使用实验数据对这些模型进行比较评估可以支持对尺寸精度估计预测工具的选择。尽管以前的研究已经探讨了尺寸精度并将机器学习应用于增材制造,但很少关注化学气相平滑后SLS制造的PA12组件的特征级孔几何形状预测。这凸显了进行将详细几何表征与机器学习模型比较评估相结合的实验研究的必要性。
本研究在受控的制造和后处理条件下,对SLS制造的PA12组件中的孔几何形状进行了实验调查。在5种曝光循环和3种构建方向(X、Y和Z)下制造了具有不同内孔和外孔直径的样品。为所有样品采用标准化学气相平滑条件,以确保后处理的一致性。由于所有样品都经过了相同的化学气相平滑处理,所测量的直径偏差和圆度代表了最终的后处理几何形状。因此,实验调查和开发的机器学习模型预测的是化学气相平滑后SLS制造的PA12组件的几何特征,而非如建成的SLS几何形状。测量了孔直径偏差和圆度,然后基于测量数据,开发了监督机器学习模型来预测作为构建方向、曝光循环次数和标称几何函数形式的孔直径偏差和圆度。评估并比较了这些模型的性能,以评估其预测能力和在SLS制造的PA12零件特征级几何分析中的适用性。通过将实验调查与数据驱动建模相结合,本研究有助于理解曝光循环次数和构建方向如何影响化学气相平滑SLS制造的PA12样品的孔几何形状。
节选片段
样品设计与孔配置
测试样品的旨在系统地评估孔尺寸对SLS制造的PA12组件中尺寸偏差和圆度的影响。该几何形状由平面结构组成,包括按网格模式排列的圆形孔特征。孔分布在四行中,每行代表不同的标称内径和外径排列。与此相反,外径在该行内进行变化,如图1所示。这种配置允许
机器学习框架
为了建立制造参数、标称孔几何形状和测量尺寸响应之间的定量关系,开发了一个监督机器学习框架。该框架的目标是从源自SLS制造过程和样品设计的输入特征中预测孔直径偏差和圆度。完整的机器学习工作流程包括数据准备、使用多种回归算法进行模型开发以及系统的
特征工程和特征选择
本研究使用的实验数据集包含480个测量值,来自在五个独立SLS构建中制造的15个物理样品,每个构建有三个样品,分别对应X、Y和Z构建方向。每个样品包含16个圆柱特征,在五个曝光循环条件下总共形成240个圆柱体和480个内外径测量值。这些数据用于模型开发、训练和超参数调优。为防止数据
结论
本研究考察了构建方向、标称孔直径和曝光循环次数对在化学气相平滑下选择性激光烧结PA12组件中直径偏差和圆度的影响。实验分析表明,两种响应均受工艺条件和几何特征交互效应的支配,方向相关的各向异性和累积热暴露共同导致了孔几何形状的变化。机器学习
术语表
AI——人工智能
AM——增材制造
CVS——化学气相平滑
LGBM——轻量级梯度提升机
MAE——平均绝对误差
ML——机器学习
PA12——聚酰胺12
(R2)——决定系数
RF——随机森林
RMSE——均方根误差
SLS——选择性激光烧结
SVR——支持向量回归
X——沿X轴的构建方向
XGBoost——极端梯度提升
Y——沿Y轴的构建方向
Z——沿Z轴的构建方向
作者贡献声明
Lokeshwaran Srinivasan:撰写——初稿,可视化,监督,项目管理,方法论,调查,形式化分析,数据管理,概念化。
Ezhilmaran Veeranan:撰写——审阅与编辑,验证,监督,方法论,调查,形式化分析。
Lalitha Radhakrishnan:撰写——审阅与编辑,可视化,验证,方法论,调查,形式化分析,数据管理,概念化。
利益冲突声明
作者声明不存在需要披露的利益冲突。
Lokeshwaran Srinivasan | Ezhilmaran Veeranan | Lalitha Radhakrishnan
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