蚁群优化支持向量回归的矩形光斑激光熔覆熔池几何形貌分析与预测

摘要：河南科技大学、洛阳船舶材料研究所、重庆大学等多家单位的科研人员报道了基于蚁群优化-支持向量回归的矩形光斑激光熔覆熔池几何形貌分析与预测研究进展。相关论文以“Analysis and Prediction of Melt Pool Geometry in Rec

长三角G60激光联盟导读

河南科技大学、洛阳船舶材料研究所、重庆大学等多家单位的科研人员报道了基于蚁群优化-支持向量回归的矩形光斑激光熔覆熔池几何形貌分析与预测研究进展。相关论文以“Analysis and Prediction of Melt Pool Geometry in Rectangular Spot Laser Cladding Based on Ant Colony Optimization–Support Vector Regression”为题发表在《Micromachines》上。

矩形光斑激光熔覆系统因其光斑尺寸大、效率高，已广泛应用于激光熔覆设备中，显著提高了熔覆效率。然而，在提高熔覆效率的同时，矩形光斑激光熔覆系统也可能影响熔池的稳定性，从而影响熔覆质量。为了准确预测宽束激光熔覆过程中的熔池形貌和尺寸，本研究开发了一套熔池监测系统。通过实时监测熔池形貌，采用图像处理技术提取熔池宽度和面积等特征。研究以激光功率、扫描速度和送粉速率作为输入变量，建立了基于支持向量回归的熔池宽度和面积预测模型。此外，应用蚁群优化算法对SVR模型进行优化，得到了基于ACO-SVR的熔池预测模型。结果表明，使用ACO-SVR模型预测熔池宽度的相对误差小于2.2%，预测熔池面积的相对误差小于9.13%，实现了对矩形光斑激光熔覆过程中熔池宽度和面积的准确预测。

关键词：宽束激光熔覆；熔池宽度；熔池面积；ACO-SVR

部分图文

图1.宽束激光熔覆系统。宽束激光熔覆系统主要包括KUKA KR20 R1810-2六轴机器人系统、All-In-Light 3kW光纤激光器及水冷机、宽束激光熔覆头和JS-SFQ-02-2载气双缸送粉器。

图2.熔池监测装置：(a)设备安装示意图。(b)滤光组件。

图3.图像处理流程图。

图4.ACO-SVR模型流程图。

模型预测结果对比分析

通过监测装置测量得到的熔池宽度和面积如图5所示。SVR模型与ACO-SVR模型预测结果对比如图6所示。经ACO算法优化后的SVR预测更为精确。对于未优化的SVR熔池宽度预测模型，实验值与预测值之间的相对误差范围为0.53%至3.80%，而对于SVR熔池面积预测模型，实验值与预测值之间的相对误差范围为1.46%至12.79%。对于优化后的ACO-SVR熔池宽度预测模型，实验值与预测值之间的相对误差范围为0.20%至2.20%，对于熔池面积预测模型，相对误差范围为2.21%至9.13%。SVR与ACO-SVR模型对熔池宽度和面积预测的相对误差对比如图7所示。基于对模型特性的分析，得出结论：传统的SVR模型需要手动选择超参数，如核函数类型和惩罚系数，而ACO可以更快地找到能使SVR模型达到最佳性能的最优参数设置。这些特性有助于找到更好的模型参数组合，从而提高SVR预测模型的精度。熔池的宽度和面积直接影响工件的几何精度和表面质量。提高熔池宽度和面积的预测精度有助于确保工件尺寸、形状和材料性能的一致性。ACO-SVR结合了ACO和SVR，两者都具有较高的计算复杂度且需要较长的计算时间。在未来的研究中，可以探索启发式规则以减少不必要的搜索空间。