一种增材制造铝合金工艺参数优化方法与流程

本发明属于增材制造，具体涉及一种增材制造铝合金工艺参数优化方法。

背景技术：

1、选区激光熔化(selective laser melting，slm)技术是一种能获得精细显微组织和较高机械性能的增材制造技术(additive manufacturing,am)的方法。铝合金与slm增材制造技术的结合，在航空航天领域内关键复杂结构件制备方面具有极大的技术优势和应用前景。例如，al-zn-mg-cu系(即7系)铝合金是飞机机翼大梁、导弹壳段、月球车轮毂等重要承力结构的优选材料。

2、然而，7系铝合金对制备工艺要求极高，若制备工艺设计不合理，会致使材料内部出现杂渣、气孔等缺陷，进而导致材料在承受交变载荷时更容易发生疲劳破坏。同时，增材制造涉及制造工艺(激光功率、扫描间距、扫描速率等)、化学成分(各类添加物成分及含量)、微观结构等多类与材料力学性能相关的重要参数，参数寻优过程中解空间巨大，如何确定最优参数十分复杂。以7参数为例，假定各参数只有10个固定值，其解空间就高达107，若通过传统的“工艺参数调整-材料制备-性能实验-微观结构分析”方法持续迭代寻求最优工艺，经济和时间等成本都很高，效率低下。因此，如何构建增材制造关键因素与材料性能关联映射，发展基于智能优化算法的增材制造工艺参数智能寻优，是增材制造材料性能提升领域比较经济、快捷、有效和亟需攻克的关键技术。

3、现有的基于智能优化算法的增材制造工艺参数优化方法，大多采用单一因素试验法和正交试验法，其在高维搜索域内的寻优能力有限，如遗传算法进化后期搜索效率较低、粒子群算法对种群初始化敏感等，进而限制了基于增材制造参数优化的材料性能提升，亟需找到更好的解决方案。

技术实现思路

1、本发明的目的是提供一种基于协同进化策略的增材制造铝合金工艺参数优化方法，以解决现有技术中的“单一智能算法的易陷入局部最优”的寻优瓶颈，获取以提升铝合金疲劳性能为目标的slm铝合金制备的最优工艺参数。

2、为实现上述目的，本发明提供了如下技术方案：

3、一种增材制造铝合金工艺参数优化方法，包括以下步骤：

4、获取铝合金的工艺参数数据，确定各工艺参数边界；

5、构建铝合金材料疲劳性能预测模型；

6、基于协同进化策略，采取至少两种算法进行工艺参数寻优，确定最优工艺参数；

7、将获得的最优工艺参数进行实验验证。

8、本发明的增材制造铝合金工艺参数优化方法，具有的有益效果如下：通过引入协同进化策略，构建多个智能寻优算法的优势互补方案，解决现有基于单一优化算法进行优化存在的高维搜索寻优能力有限的问题，实现铝合金制造工艺参数优化，打通以材料性能需求牵引的增材制造工艺开发路径，进而提升增材铝合金的材料性能。

9、在一些实施方式中，所述步骤基于协同进化策略，采取至少两种算法进行工艺参数寻优包括：

10、在工艺参数边界内，采用遗传算法、粒子群算法和差分进化算法分别生成第一初始种群、第二初始种群、第三初始种群；

11、使用铝合金材料疲劳性能预测模型作为适应度计算函数，对各种群内个体进行适应度计算，若达到收敛条件则输出工艺参数最优解；

12、采取协同进化策略，对第一初始种群、第二初始种群、第三初始种群进行更新，得到第一中间种群、第二中间种群、第三中间种群；

13、采取遗传进化对第一中间种群进行更新，得到新一代第一种群；采取粒子群进化对第二中间种群进行更新，得到新一代第二种群；采用差分进化对第三中间种群进行更新，得到新一代第三种群，跳转至步骤使用铝合金材料疲劳性能预测模型作为适应度计算函数，对各种群内个体进行适应度计算，若达到收敛条件则输出工艺参数最优解。

14、由此，在对种群进行的每一次进化中，均使用遗传算法、粒子群算法和差分进化算法协同进化的策略，得到中间种群后，再利用各智能优化算法自身的进化机制进行更新，形成新一代种群，既发挥了遗传算法、粒子群算法和差分进化算法的寻优作用，又对各种算法进行了组合运用，进一步提升工艺参数寻优效果，可以更高效、更精准地找到最优工艺参数。

15、在一些实施方式中，所述步骤获取铝合金的工艺参数数据，确定各工艺参数边界中，所述工艺参数包括但不限于粉末层厚、激光功率、扫描间距、扫描策略、扫描速率。

16、由此，通过集成粉末层厚、激光功率、扫描间距、扫描策略、扫描速率，更加全面充分地考虑铝合金疲劳性能的影响因素，从基础上提高铝合金材料疲劳性能预测模型的合理性和准确性，也便于更有针对性地进行参数优化，能更全面地找到相关参数的最优解，更好地实现提升铝合金制造工艺的目的。

17、在一些实施方式中，所述步骤构建铝合金材料疲劳性能预测模型包括：

18、根据实验数据和文献数据，利用机器学习的建模方法和知识嵌入机制，构建铝合金材料疲劳性能预测模型；

19、采用平均相对误差、均方误差、拟合优度作为指标评估训练后的铝合金材料疲劳性能预测模型；

20、采用增量学习方法更新铝合金材料疲劳性能预测模型，使用增量准确率、遗忘率作为指标优选铝合金材料疲劳性能预测模型。

21、由此，构建的铝合金材料疲劳性能预测模型既具备充分的实践经验数据支撑，又经过机器学习的反复训练，再采用平均相对误差、均方误差、拟合优度作为指标评估优选表现好的模型，得到一个科学合理、精度较高的模型。在此基础上，再通过增量学习实现铝合金疲劳性能预测模型精度的持续提升，对抗机器学习模型的“遗忘特性”。

22、在一些实施方式中，所述步骤采取协同进化策略，对第一初始种群、第二初始种群、第三初始种群进行更新，得到第一中间种群、第二中间种群、第三中间种群，具体包括：

23、对所述第一初始种群个体按照适应度排序，保留部分优秀个体，将剩余部分适应度低的个体替换为所述第二初始种群、第三初始种群中的优秀个体，得到第一中间种群；

24、对所述第二初始种群个体按照适应度排序，保留部分优秀个体，将剩余部分适应度低的个体替换为所述第一初始种群、第三初始种群中的优秀个体，得到第二中间种群；

25、对所述第三初始种群个体按照适应度排序，保留部分优秀个体，将剩余部分适应度低的个体替换为所述第一初始种群、第二初始种群中的优秀个体，得到第三中间种群。

26、由此，在种群进化过程中，每一个种群都吸纳了另外两个种群的优秀个体，淘汰适应度低的个体，留下的都是适应度更高的个体，通过交叉引用，真正实现了多种智能寻优算法之间的协同进化，而非传统的基于单一优化算法，或简单地先后一次使用几种算法进行寻优，可以解决遗传算法进化后期搜索效率较低、粒子群算法对种群初始化敏感等问题，尽可能在高维空间中搜索增材制造铝合金工艺参数最优解，帮助实现铝合金制造工艺和最终成型材料性能的提升。

27、在一些实施方式中，采取遗传进化对第一中间种群进行更新的方法为：采用遗传进化中单点交叉、随机变异和根据个体适应度进行轮盘赌的方式进行遗传操作。由此，发挥遗传算法的寻优作用，实现种群的迭代优化。

28、在另一些实施方式中，采取遗传进化对第一中间种群进行更新的方法，还包括：采用自适应交叉率和变异率实现种群更新，具体公式为：

29、

30、

31、其中，pc1表示最大交叉率，pc2表示最小交叉率，pm1表示最大变异率，pm2表示最小变异率，favg表示每一代群体的平均适应度，fmax表示群体中最大的适应度，f′表示要交叉的两个个体中较大的适应度值，f表示群体中要变异个体的适应度值。

32、由此，通过引入自适应交叉率和变异率，避免遗传进化后期算法收敛速度慢的问题，提高种群优化的效率。

33、在一些实施方式中，采取粒子群进化对第二中间种群进行更新的表达式为：

34、vbg+1，i＝vbg+0.5，i+c1r1(pg，besti-bg，i)+c2r2(gg，besti-bg，i)，ibg+1，i＝bg+0.5，i+vbg+1，i，i＝1，2，...，n

35、其中，c1与c2均为加速常量，在区间(0，2)内取值，r1与r2为两个相互独立的取值范围在[0，1]的随机数，bg+1，i为新一代第二种群，bg+0.5，i为第二中间种群，vbq+1，i为新一代第二种群的个体的速度，vbg+0.5，i为第二中间种群的个体的速度。

36、由此，发挥粒子群算法的寻优作用，实现种群的迭代优化。

37、在一些实施方式中，采取差分进化的方法对第三中间种群进行更新的方法为：

38、vcg+0.5，i＝cg+0.5，k1+f(cg+0.5，k2-cg+0.5，k3)，i＝1，2，...，n

39、cg+1，i＝cg+0.5，i+vcg+0.5，i，i＝1，2，...，n

40、其中，k1、k2和k3为随机选择且互不相同的序号，f为在区间[0，2]内取值的变异算子，cg+1，i为新一代第三种群，cg+0.5，i为第三中间种群。

41、由此，发挥差分进化方法的寻优作用，实现种群的迭代优化。

42、在一些实施方式中，收敛条件为找到最优个体或进化代达到设定的最大进化代。由此，通过收敛条件的实现，输出最优工艺参数。