基于自适应GDSA-BPNN的选区激光熔化质量预测

摘要：

针对增材制造选区激光熔化(selective laser melting,SLM)零件的质量缺陷问题,提出一种基于自适应策略的多输入多输出反向传播神经网络(back propagation neural network,BPNN)模型预测SLM产品质量,解决传统方法不能自适应地调整超参数来适应不同搜索阶段的问题.首先确定SLM成型的重要工艺参数和质量指标,选择Huber函数作为BP模型的损失函数,构建含有结构风险最小化策略目标函数的BP模型;其次,建立基于自适应梯度下降搜索算法(gradient descent search algorithm,GDSA)与BPNN相结合的预测模型(GDSA-BPNN),选择 3种不同学习率的策略放入自适应策略库,采用一种自适应机制优化BP模型的超参数;最后,将文章所提出的GDSA-BPNN模型与其他 4 种模型的预测结果进行对比,结果表明基于GDSA-BPNN模型的SLM零件质量预测方法具有良好的预测效果和较高的预测精度.

关键词：SLM零件、质量预测、BPNN模型、Huber函数、自适应GDSA算法

分类号：TH164

资助基金：国家自然科学基金;中央引导地方科技发展计划

在线出版日期：2023-08-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：19-26