多输出预测和优化CO2激光切割质量在FFF打印的ASA热塑性塑料使用机器学习方法

科学领域:

• 材料科学与工程 材料科学与工程
• 制造业 制造技术 制造技术
• 添加剂制造 添加剂制造 添加剂制造

背景情况:

• 化纤维制造 (FFF) 是热塑性塑料的关键添加剂制造技术,如烯酸烯烯酸 (ASA).
• 激光切割是FFF零件的关键后处理步骤,但对ASA的优化需要了解复杂的参数相互作用.

研究的目的:

• 为了研究通过FFF生产的ASA热塑性塑料的CO2激光切割性能.
• 分析板厚,激光功率和切割速度对表面粗度,隙宽度和受热影响区域的影响.
• 开发和验证用于预测激光切割质量特征的机器学习框架.

主要方法:

• 进行了45个不同的ASA板厚,CO2激光功率和切割速度的实验.
• 采用了七种机器学习模型,包括Autoencoder变体,随机森林,极端梯度提升 (XGBoost),支持向量回归和线性回归.
• 利用差异分析 (ANOVA) 来确定过程参数在质量指标上的意义.

主要成果:

• 极端梯度提升 (XGBoost) 在所有质量指标中显示出最高的预测准确性.
• 板块厚度显著影响了表面粗度 (Ra).
• 切割速度是底部隙宽度 (底部KW) 的主要因素,而激光功率则主导了底部受热影响区域 (底部HAZ).
• 顶部沟宽度 (顶部KW) 受所有三个参数的影响.

结论:

• 使用多输出建模和混合深度学习 (特别是XGBoost) 建立了一个强大的预测框架,用于激光切割质量.
• 这些发现为优化ASA和类似热塑性塑料的CO2激光切割提供了数据驱动的基础.
• 这项研究通过实时质量预测和自适应激光后处理来支持智能制造.