一种激光束精准制备微织构坡面的方法及系统

本发明属于激光束加工，尤其涉及一种激光束精准制备微织构坡面的方法及系统。

背景技术：

1、激光束加工技术已经成为微织构制备的重要手段之一。激光束具有加工过程无需接触目标物，具有较高的加工速度、精度和灵活性，可在不同材料表面生成高质量的微织构结构等优点。因此，激光束加工成为微织构加工领域的主流技术。传统的加工方法通过人工经验对激光器的激光束进行调节，适应环境差，严重影响微织构坡面的精度和加工效率，可能会造成影响微织构本身的减磨耐磨性能，降低微织构的寿命。同时，传统的加工方法还存在加工效率低、精度不高、表面质量差等问题。另外，目前在加工过程中，由于微织构尺度问题，容易造成加工不精确和出现形状误差，影响微织构本身性能。

2、通过上述分析，现有技术存在的问题及缺陷为：传统激光束加工方法得到的微织构坡面精度，加工效率不高，减磨耐磨性能较差，且使用寿命较短。

技术实现思路

1、为克服相关技术中存在的问题，本发明公开实施例提供了一种激光束精准制备微织构坡面的方法及系统，所述技术方案如下：

2、本发明是这样实现的，激光束精准制备微织构坡面的方法，包括：

3、s1，基于不同功率激光形成的微凹坑形貌，建立激光蚀除材料形貌bp神经网络预测模型；

4、s2，输入待加工微织构几何模型参数，提取微织构的特征，获得几何模型与理论微织构的修正系数；

5、s3，对输入的搭接率进行排列，输出待加工微织构的激光束加工焦点坐标以及每个焦点坐标对应的功率；

6、s4，计算焦点坐标总直径长度，选择偏振镜或控制步进电机的方法进行加工；

7、s5，在激光器中输入激光束加工焦点坐标dxf图像或控制步进电机，对每个激光束加工焦点对应的激光束功率进行加工。

8、在步骤s1中，建立激光蚀除材料形貌bp神经网络预测模型，包括：

9、获取激光束参数对应的微凹坑深度和直径，运用python语言将激光束参数、微凹坑深度以及直径输入数组中；导入sklearn库中的预处理模块，利用sklearn的minmaxscaler进行数据归一化处理，并将归一化后的数据保存；

10、将归一化后的数据划分为训练集和测试集，将训练集和测试集的特征和标签转换为numpy数组；使用神经网络模型mtssulb进行神经网络模型的训练，使用训练好的神经网络模型进行预测，并将预测结果进行反归一化处理；

11、神经网络模型的训练包括建立初始化函数_init_，feed_forward前向传输计算输入神经元，msgd函数进行小批量随机梯度下降法，updata_wb_by_mini_batch函数利用小样本训练集更新w权重向量和b偏置向量，back_propagation函数利用误差后向传播算法对每个样本求解w权重向量和b偏置向量的更新量，evaluate函数对训练数据进行评估，predict函数对给定的测试输入数据进行预测，cost_function函数用于计算模型输出值与真实标值之间的差异；通过inverse_transform_col函数将待反归一化结果y复制，将待反归一化结果y减去归一化或标准化时所用的最小值，以取消归一化过程中的平移效果；将待反归一化结果y除以归一化或标准化时所用的缩放因子，以取消归一化过程中的缩放效果；返回反归一化后的y值；建立bp神经网络预测模型并确定激光束参数与微凹坑深度和直径之间的关系。

12、进一步，所述bp神经网络预测模型的输入层为激光束功率、凹坑深度和凹坑直径，隐藏层为提取的激光功率、直径和深度之间的相关特征，输出层为激光束功率、凹坑深度和凹坑直径的预测结果。

13、在步骤s2中，输入待加工微织构几何模型参数，提取微织构的特征，获得几何模型与理论微织构的修正系数，包括：

14、运用nurbs曲线进行拟合，得到几何模型，表达式为：

15、

16、式中，为曲线上的点，为控制点的索引，从0开始逐渐增加，直到，为控制点的数量，为b-spline基函数，为控制点的权重，为参数，为b-spline基函数的阶数，为控制点；为权重函数；

17、运用python语言建立函数curve_fitting，调用curve_fitting函数并输入待加工微织构的特征点，其中，待加工微织构的特征点包括首尾以及最深点；

18、将特征点分为曲线拟合和直线拟合，曲线拟合部分使用np.polyfit函数进行给定次的多项式拟合，直线拟合部分使用plt.scatter和plt.plot分别绘制出原始的坐标点和拟合后的直线，进而生成微织构坡面的图像；

19、调节多项式中的阶数，通过pytorch中torchvision、pil、collections的第三方库进行图像处理，将图像路径转化为图像数据，并将图像转化为rgb格式；将图像转化为张量，并将像素值从整数范围[0,255]缩放到浮点数范围[0.0,1.0]，通过微织构几何模型结合理论微织构确定修正系数c，表达式为：

20、

21、式中，为修正系数，为几何模型中微织构上表面长度，为理论微织构中上表面；

22、通过将微织构几何模型中的微织构焦点坐标、微织构直径和深度与修正系数相乘获得理论微织构的真实数值。

23、进一步，所述函数curve_fitting的功能包括：生成点的参数值，拟合曲线的x、y值，生成用于评估曲线的新参数值，获得评估曲线获得新的x和y坐标。

24、在步骤s3中，输出待加工微织构的激光束加工焦点坐标以及每个焦点坐标对应的功率，包括：

25、调取每个待加工上表面加工的所有激光焦点到坡面底部的深度，通过bp神经网络预测待加工上表面深度对应的光斑直径，建立每个焦点所对应的激光束模型，并以[焦点坐标，激光束功率，激光束光斑直径，激光束深度]的形式存入数组s[coordinates,power,diameter,depth]中；确定第一个激光束加工获得的基本位置，并将存储的激光焦点坐标、直径数组进行遍历；通过偏差q的计算获得最符合搭接率的激光预测模型，进而得到符合的激光功率以及激光焦点坐标；

26、通过append()函数将每个q值存储到新建的error数组中，通过python语言中的内置函数abs将error数组进行遍历，将error数组中的每个数字变为正数；使用python的numpy库中的argmin函数对error数组进行处理，获得与搭接率i差距最小的数字；通过_index_函数获得在数组error中的索引i，调取索引i对应的已存储的激光焦点、功率、深度和直径数组s[i]，将s[i]中存储的焦点坐标s[i][0]、激光束功率s[i][1]和激光直径s[i][3]添加到待加工数组中。

27、进一步，将存储的激光焦点坐标、直径数组进行遍历，表达式为：

28、

29、式中，为按照搭接率输入值进行排列造成的偏差，为前一个激光焦点对应的直径，为本激光焦点的直径，为所输入的搭接率，为本激光焦点对应的实际坐标值，为本激光焦点对应的半径。

30、在步骤s4中，计算焦点坐标总直径长度，选择偏振镜或控制步进电机的方法进行加工，包括：

31、计算焦点坐标总直径长度d1=s1[0][0]+s1[0][-1]，其中偏振镜调节最大值为d2，将返回最大值命名为maximum=max(d1,d2)，利用max函数返回最大值，用控制流语句if进行判断，返回结果为d2，采用偏振镜加工；

32、通过d1确定待加工微织构坡面的直径，将d1与偏振镜调节范围进行对比，如果d1小于偏振镜调节范围，则使用python语言中的ezdxf第三方库，创建dxf文档对象doc，通过调用doc.modelspace()函数获得dxf文件的模型空间；将数组s1[i1][0]使用for循环将i1从0到s1数组总量减1全部取值，并结合add_point(x,y)函数将激光束加工焦点加入dxf文件中，使用saveas函数进行保存dxf文件；如果d1大于偏振镜调节范围，则载物台控制加工位置，在载物台底部设置通过步进电机控制的双位移xy微动平台，连接步进电机与控制器，并使用python语言编写控制步进电机的代码；通过设定步进电机的步进角度，根据坐标轴的单位和步进电机规格进行设置；根据所需移动的距离和焦点坐标系的比例关系，计算步进电机转动的步数；通过发送指令的方式控制步进电机的运动，使步进电机按照计算得到的步数移动。

33、在步骤s5中，在激光器中输入激光束加工焦点坐标dxf图像或控制步进电机以及每个激光束加工焦点对应的激光束功率进行加工包括：

34、如果采用偏振镜加工，则将待加工激光束焦点dxf图纸输入激光器中，通过dxf图纸的信息确定激光束的初始方向和位置；通过调整偏振镜的角度和位置，使得激光束经过适当的反射、折射和偏振，最终聚焦到待加工激光焦点的位置上；将功率数组s1[i1][1]中的i1从0到s1数组总量减1全部取值，并将获得的激光功率输入激光器中进行加工；

35、如果采用步进电机加工，则通过步进电机将s1[0]中坐标进行位移，并通过将数组s1[1][i1]中的i1从0到s1数组总量减1全部取值，从而调整激光束的位置、功率，以实现微织构几何形貌的加工操作。

36、本发明的另一目的在于提供一种激光束精准制备微织构坡面的系统，该系统用于对所述的激光束精准制备微织构坡面的方法进行调控，该系统包括：

37、预测模型构建模块，用于基于不同功率激光形成的微凹坑形貌，建立激光蚀除材料形貌bp神经网络预测模型；

38、修正系数计算模块，用于输入待加工微织构几何模型参数，提取微织构的特征，获得几何模型与理论微织构的修正系数；

39、搭接率排列模块，用于对输入的搭接率进行排列，输出待加工微织构的激光束加工焦点坐标以及每个焦点坐标对应的功率；

40、偏振镜或步进电机选择模块，用于计算焦点坐标总直径长度，选择偏振镜或控制步进电机的方法进行加工；

41、激光加工模块，用于在激光器中输入激光束加工焦点坐标dxf图像或控制步进电机，对每个激光束加工焦点对应的激光束功率进行加工。

42、结合上述的所有技术方案，本发明所具备的有益效果为：

43、本发明的激光束精准制备微织构坡面的方法，基于激光不同功率对于微凹坑形貌，建立激光蚀除材料形貌bp神经网络模型预测模型；输入待加工微织构几何模型参数，提取微织构的特征，获得几何模型与理论微织构的修正系数；通过输入的搭接率进行排列，输出待加工微织构的激光束加工焦点坐标以及每个焦点坐标对应的功率；通过计算焦点坐标总直径长度，判断采用偏振镜或控制步进电机的方法；在激光器中输入激光束加工焦点坐标dxf图像或控制步进电机以及每个激光束加工焦点对应的激光束功率进行加工。

44、本发明可以通过输入待加工微织构几何模型参数并对微织构的几何模型进行分析，获得微织构的特征，通过建立神经网络算法预测模型，采用输入的搭接率结合微织构加工要求，确定的激光焦点坐标和功率值组合，可以实现加工过程中自动控制调整激光参数，实现更精确的焦点控制，消除人工调整参数带来的误差，提高激光束加工微织构的效率以及加工微织构表面质量的准确性。相较于传统的激光束加工微织构方法，本发明可以提高加工精度，极大的提高自身的加工效率，并通过输入不同激光器的参数实现跨平台的应用。

45、本发明能够根据需求调整激光器参数，减少人为因素和主观判断的影响，从而有效提高微织构形状的准确性和一致性。通过本发明精确的调参方法，可以避免手动调节过程中常见的误差，确保微织构的形状符合要求。本发明提高调节效率和工作稳定性。本发明通过对不同激光束参数的处理，可以对不同激光器所需要的激光焦点坐标以及功率进行调整，节省人工尝试的时间，提高工作效率。该方法可以快速、精确地根据环境变化和目标要求调整激光器的参数，省去了手动调节的繁琐步骤和时间消耗。这样可以提高调节效率，缩短制备周期，并确保在不同环境条件下始终保持微织构的良好工作稳定性。提升微织构的性能和寿命，确保微织构的形状较为准确。通过本发明精确的制备效果，可以优化微织构的减磨耐磨性能，延长微织构的使用寿命。本发明制备较大深径比坡面的微织构效果好，擅长加工密度大且精度极高的阵列图案，尤其是在跨尺度制备微织构方面有着显著的优势。本发明的技术转化后可以提高微织构加工的精度，并且在生产加工中可以提高产品质量和加工的精度，提高生产效率、降低能耗和生产成本。