王志鹏　刘　勇　王　宇

(西华大学机械工程学院，四川 成都 610039)



激光小孔加工实验研究及工艺仿真*

王志鹏刘勇王宇

(西华大学机械工程学院，四川 成都 610039)

通过单因素试验分析了激光器电压、脉冲宽度、重复频率、聚焦条件、辅助气体等因素对小孔加工效果的影响规律。借助MATLAB神经网络工具箱和遗传算法工具箱，建立了基于BP神经网络和遗传神经网络(GA-BP)的激光打孔加工工艺仿真模型，利用两种模型分别对不同加工参数下的小孔孔径进行了仿真和预测。结果表明，经遗传算法优化后的BP网络模型具有更好的预测精度。

激光打孔；单因素试验；神经网络；遗传算法

随着科学技术的发展，在机械制造过程中，经常会遇到一些较深、较小的孔，工件材料机械加工性能差，无法用传统机械加工方法加工，用激光则能较好地加工这些特殊工件和特殊材料。但激光打孔过程是一个复杂非线性的热烧蚀加工过程，加工参数的选择和加工效果的预测比较困难。而实际生产中参数的选择往往是依靠操作者的经验和技术水平，难免会影响加工效果和生产效率。因此有必要对激光打孔加工工艺进行研究，找到其加工过程的工艺规律，为实际生产中加工参数的选择提供参考[1-2]。

本文主要通过单因素试验分析了激光器电压、脉冲宽度、重复频率、聚焦条件和辅助气体等因素对小孔加工效果的影响规律；利用BP神经网络对1 mm不锈钢材料在不同参数下打孔的上、下孔径进行训练和预测，并利用遗传算法对其进行优化。

1　试验设计和试验内容

1.1试验设备与测量工具

试验设备为KJG50330-500W-YAG金属切割机，主要技术参数为：激光输出波长1.064 μm；输出功率≤500 W；激光器电压200～650 V；脉冲宽度0.1～1.5 ms；重复频率1～150 Hz。

测量工具为CFL-100孔径测量仪，测量范围0.05～10 mm，重复精度±0.5 μm，最大放大率可达210倍。

1.2试验材料

结合试验设备的加工范围，本次试验所用材料为304不锈钢板、H62黄铜板和1060铝合金板，材料规格分别为200 mm×200 mm×1 mm、100 mm×100 mm×1 mm、200 mm×200 mm×1 mm。

1.3单因素试验设计[3]

单因素试验法通过固定试验中其它因素水平不变，只改变某一因素水平，来得到因素各水平变化对被测指标的影响规律。本文用单因素法找出电压、脉宽、频率、聚焦条件和辅助气体对激光打孔尺寸和质量的影响规律，试验方案为：在上诉5个因素其中4个不变的情况下，测试一个因素对打孔孔径的影响，并分别绘制出每个因素对孔径的影响规律。

2　试验结果处理与分析[3-5]

2.1激光器电压对打孔的影响

试验选择脉宽ds=0.9 ms，频率f=100 Hz，离焦量L=0 mm，辅助气体为0.6 MPa的压缩空气，调整激光器电压大小，分别对1 mm不锈钢、铜和铝进行打通孔试验，部分小孔形貌如图1所示。

通过试验测量结果绘制3种金属材料在其他条件一定时上、下孔径随电压变化的关系图，如图2、3所示。

从图2和3可以看出，3种金属材料的上、下孔径都随电压的升高而增大。

2.2脉冲宽度对打孔的影响

试验选用1 mm不锈钢、黄铜和铝合金材料，激光器电压U=480 V，频率f=100 Hz，离焦量L=0 mm，辅助气体为0.6 MPa的压缩空气，改变脉宽大小，加工小孔，部分加工孔的形貌如图4所示。

通过试验测量结果绘制3种金属材料在其他条件一定时上、下孔径随脉宽变化的关系图，如图5、6所示。

从图5和6可以看出3种金属材料激光打孔的孔径都随脉宽的增加而减小。

2.3激光重复频率对打孔的影响

试验材料为1 mm不锈钢，电压U=500 V，脉宽ds=1.0 ms，离焦量L=0 mm，辅助气体为0.6 MPa的压缩空气。调节频率参数得到孔径与频率的关系如图7所示，图8为部分激光打孔形貌图。

从图7可以看出，随着频率的增加，激光打出小孔的上、下孔径都有增大的趋势，但增大幅度较小。

2.4聚焦条件对打孔的影响

试验材料为1 mm不锈钢，在其他加工条件一定的情况下，改变离焦量的位置得到部分小孔形貌如图9所示。

从图9可以看出，不同离焦量对小孔加工效果影响很大，在零离焦量或正离焦量很小时，加工小孔效果好。

2.5辅助气体对打孔的影响

本实验设备所用辅助气体是压缩空气，电压U=500 V，脉宽ds=0.7 ms，频率f=100 Hz，离焦量L=0 mm，试验材料为1 mm不锈钢，在不吹辅助气体和吹辅助气体时小孔形貌如图10所示。

从图10可以看出，辅助气体能使打出小孔表面及孔壁比较干净，孔形也较美观。

3　激光小孔加工工艺仿真分析

3.1BP网络对激光打孔工艺的仿真预测[6]

3.1.1BP神经网络训练样本的选择

根据实际情况，本文选取表1数据作为学习样本。网络训练完成后，用表2样本数据对网络进行泛化能力的测试。为保证样本数据差距，本文采用premnmx函数对输入数据进行归一化处理。

表1训练样本数据

序号试验参数电压V/V重复频率V/Hz脉冲宽度V/ms试验结果上孔径ϕ/mm下孔径ϕ/mm1440700.50.2890.2572440900.70.2650.23234401100.90.2520.21644401301.10.2190.1755480700.70.3230.2916480900.50.3470.31474801101.10.2590.20984801300.90.3020.2619520700.90.3580.31110520901.10.3310.269115201100.50.4130.377125201300.70.3790.34113560701.10.3620.29214560900.90.4110.352155601100.70.4570.405165601300.50.4940.455

表2测试用数据表

序号试验参数电压V/V重复频率V/Hz脉冲宽度V/ms试验结果上孔径ϕ/mm下孔径ϕ/mm14501200.60.2970.25924701000.90.2760.2383490900.70.3280.29445101101.10.2990.25755301001.00.3590.3126550800.80.4130.354

3.1.2BP神经网络的设计

本文在满足训练要求的情况下，采用三层的BP网络，结构参数如下：输入节点数3个，隐含层节点数5个，输出节点数2个。其中隐含层节点数是参照如下公式进行大概计算：

式中：m为输入层节点数；n为输出层神经元数；l为隐层节点数；α为1～10的常数。

本文通过尝试法，当隐层节点数为5时，网络性能最好。综上，本文采用3-5-2的三层BP网络模型，其结构如图11所示。

3.1.3BP网络的训练

本文以MATLAB软件为平台，借助神经工具箱对学习算法进行编程，以实现网络的训练。采用newrff()函数创建BP网络，输入层到隐含层的传递函数为tansig，隐含层到输出层为purelin，网络训练函数为trainlm。设目标误差为10-4，学习速率为0.05，设定显示率为1，最大训练步数设置为200。表3给出了BP网络预测结果。

从表3可得上、下孔径的预测值和试验值相对误差最大-9.04%，最小1.63%，相对误差变化曲线起伏较大，说明该网络不够稳定，易造成较大误差。因此下面通过遗传算法对BP网络进行优化，并将优化后的网络与之对比分析。

表3BP网络预测结果

序号上孔径试验值预测值误差/(%)下孔径d/mm试验值预测值误差/(%)10.2970.2821-5.020.2590.2517-2.8220.2760.2847-3.150.2380.24834.2330.3280.34294.540.2940.30694.3940.2990.31926.750.2570.26121.6350.3590.3451-3.870.3120.2838-9.0460.4130.43094.330.3540.37676.41

3.2GA-BP网络对激光打孔工艺的仿真预测[7-9]

BP算法学习收敛速度慢，网络结构不容易确定。将遗传算法与BP神经网络进行融合能有效解决这些问题。遗传算法用于BP神经网络有两个方面：一是优化网络的权值阈值，二是优化网络的拓扑结构。本文采用遗传算法优化BP神经网络的权值或阈值。本文设计的遗传神经网络流程如图12所示。

训练过程需控制的参数为：初始种群规模数为50，交叉概率0.6，变异概率0.09，迭代次数100。表4给出了GA-BP网络的预测结果。

从表4可以看出，上、下孔径预测值与试验值的相对误差都很小，其中最大4.52%，最小0.34%，基本都限制在±3%以内，说明该网络的泛化预测能力较强。

3.3两种网络模型的对比分析

激光小孔加工孔径在BP网络和GA-BP网络中的预测误差统计如表5所示。

表4GA-BP网络预测结果

序号上孔径试验值预测值误差/(%)下孔径d/mm试验值预测值误差/(%)10.2970.29800.340.2590.26251.3320.2760.27921.150.2380.24703.6430.3280.3260-0.610.2940.2927-0.4440.2990.30522.030.2570.2539-1.2250.3590.3524-1.870.3120.2985-4.5260.4130.42562.960.3540.36663.44

表5BP网络和GA-BP网络预测精度效果

项目BP上孔径下孔径GA-BP上孔径下孔径最大相对误差/(%)6.759.042.964.52最小相对误差/(%)3.151.630.340.44平均相对误差/(%)4.614.751.492.43方差1.255.840.812.25

从表5可以看出，GA-BP网络的孔径预测精度明显高于BP网络。另外，在两者训练的过程中，发现GA-BP网络在收敛速度和拟合精度方面均优于BP网络。

4　结语

(1)采用单因素试验方法对1 mm的304不锈钢、H62黄铜和1060铝合金进行激光打通孔试验结果表明：①加工孔的上、下孔径都随激光器电压的升高而增大。②随着脉宽的增加，3种金属材料的孔径逐渐减小。③重复频率对激光打孔的孔径影响较小。④离焦量对孔形和孔径影响很大，正离焦量较小或零离焦量时，加工效果较好。⑤辅助气体能提高小孔加工质量和形貌。

⑵通过建立激光打孔工艺的BP神经网络模型和GA-BP神经网络模型，对不同参数下激光小孔加工的上下孔径进行预测。BP网络模型的预测误差范围在-9.04%～6.75%之间，GA-BP模型的预测误差范围在-4.52%～3.64%之间。结果表明，经遗传算法优化后的BP网络模型具有更好的预测精度。因此本文建立的GA-BP神经网络模型能够反映激光打孔加工的工艺规律，对加工中参数的选择具有一定的参考意义。

[1]韩淑敏.特种加工的几种方法介绍[J].煤矿机械，2009,30(6):116-119.

[2] 张国顺.现代激光制造技术[M].北京:化学工业出版社,2005.

[3]邱轶兵.试验设计与数据处理[M].合肥:中国科学技术大学出版社,2008.

[4]Yvonne Rega,Karl-Heinz Leitz.Influence of processing gas on the ablation quality at ns-laser beam ablation[J].Physics Procedia,2011(12):182-187.

[5] Ng G K,Li L.The effect of laser peak power and pulse width on the hole geometry repeatability in laser percussiondrilling[J].Optics&Laser Technology,2001(33):393-402.

[6] 韩力群.人工神经网络理论、设计及应用[M].北京:化学工业出版社,2007.

[7] 李延民，杨海鸥，林鑫，等.激光打孔人工神经网络工艺优化研究[J].激光杂志，2002,23(3):27-29.

[8]Shi Zhan-Wu.Optimal dispatch of cascaded hydropower stations using Matlab genetic algorithm toolbox[J].Electric Power Automation Equipment,2005(25):32-33.

[9]李敏强.遗传算法的基本理论与应用[M].北京:科学出版社,2002.

(编辑孙德茂)

如果您想发表对本文的看法，请将文章编号填入读者意见调查表中的相应位置。

Experiment study on laser cutting and process simulation

WANG Zhipeng, LIU Yong, WANG Yu

(School of Mechanical Engineering, Xihua University, Chengdu 610039,CHN)

Though the single factor experimental method,discuss the effect of process parameters on drilling quality during laser drilling,including laser voltage,pulse width,pulse frequency,focus condition and assistant gas.With the help of MATLAB neural network and genetic algorithm toolbox,build laser drilling process model based BP neural network and GA-BP.Then the two modelsare respectively used to train and predict the hole diameter under different machining parameters.The results show that GA-BP model has the better prediction precision.

laser drilling;single factor test; neural network;genetic algorithm

TG665

A

10.19287/j.cnki.1005-2402.2016.06.022

王志鹏，男，1991年生，硕士研究生，研究方向为激光加工及特种精密加工。

2015-11-24)

160638

* 国家自然科学基金(51305357)