基于改进神经网络算法的增材制造刀轨优化研究及应用.pdf

摘要

选择性激光烧结（SlectingLaserSintering，SLS）是一种增材制造（Additive

Manufacturing,AM）工艺，针对其在加工中存在空走路径较大，成型表面较粗糙等

问题，本文在已有方法研究基础上，结合动态规划方法，提出贝叶斯优化BP神经网

络（BO-BP神经网络）路径优化模型，通过确定最短空走路径和最小热梯度的刀轨

路径，并使用全部具有最小空走路径的路径集合作为神经网络的数据集，以此提升

神经网络的计算速度和运行效率，提高SLS成型质量。

首先，采用动态规划方法，对给定的激光网格进行优化，获得合格的路径以确

保激光烧结过程中能够充分覆盖所需烧结区域，以此提高材料的密实性和力学性能；

建立基于导热微分方程的SLS模型，精确预测激光烧结过程中的温度分布，通过数

值模拟，获得各个网格节点的最终温度值，计算材料网格内部节点的温度梯度值，

以此构建神经网络的训练数据集；其次，将激光路径转化为灰度路径图像，采用基

于贝叶斯优化和反向传播神经网络的BO-BP神经网络算法对图像进行训练，该算法

可以有效地学习和优化激光路径，进一步提高SLS的成型质量；最后，通过对多种

优化算法的预测结果比对，得出BO-BP神经网络算法预测精度达到98.5%，空走距

离减小85%，通过建立刀轨优化GUI界面，实现数据输入和刀轨优化结果的输出，

为提高SLS生产效率并降低生产成本提供行之有效的解决方案。

关键词：增材制造，刀轨优化，BO-BP神经网络，热梯度，成型质量

Researchandapplicationoftoolpathoptimizationinadditive

manufacturingbasedonimprovedneuralnetworkalgorithm

Abstract

SelectiveLaserSintering(SLS)isanadditivemanufacturing(AM)process.Inresponse

totheproblemsoflargeemptypathandroughformingsurfaceduringprocessing,thispaper

proposesaBayesianoptimizedBPneuralnetwork(BO-BPneuralnetwork)path

optimizationmodelbasedonexistingmethodsanddynamicprogrammingmethods.By

determiningtheshortestemptypathandtheminimumthermalgradientofthetoolpath,and

usingallpathsetswiththesmallestemptypathasthedatasetoftheneuralnetwork,the

calculationspeedandoperationalefficiencyoftheneuralnetworkareimproved,andthe

SLSformingqualityisimproved.

Firstly,usingdynamicprogrammingmethod,thegivenlasergridisoptimizedtoobtain

aqualifiedpathtoensurethattherequiredsinteringareacanbefullycoveredduringthe

lasersinteringprocess,therebyimprovingthecompactnessandmechanicalpropertiesofthe

material;EstablishanSLSmodelbasedonthermalconduc