论文部分内容阅读
熔融沉积技术(FDM,Fused Deposition Modeling)作为快速成型技术(RP)中使用最广泛的技术。在实际生产中,力学性能可靠性作为衡量3D打印产品质量的一项重要指标,如何提高产品力学性能可靠性显得至关重要,本文以FDM 3D打印成型件为研究对象,以提高成型件力学性能可靠性为目标,从不同角度进行了研究。(1)介绍了FDM工作原理、成型过程、成型特点,并从打印材料、工艺参数和打印设备三个方面分析了影响FDM 3D打印成型件力学性能可靠性的因素,提出了FDM 3D打印成型件力学性能可靠性分析方法,为本文进行FDM 3D打印成型件力学性能可靠性分析提供了理论依据。(2)抗压强度和抗拉强度是衡量力学性能的两个重要指标,为了确定影响力学性能的主要工艺参数,利用田口法,设计出一组L16正交试验,并进行力学试验,采用方差分析对工艺参数进行研究,初步得出打印温度和填充密度是影响抗压强度的主要因素;填充密度和分层厚度是影响抗拉强度的主要因素;利用力学实验数据,结合力学性能可靠性分析方法,建立了FDM 3D打印成型件力学性能可靠性模型,完成FDM 3D打印成型件的力学性能可靠性分析,通过优化工艺参数,达到提高力学性能可靠性的目的。(3)针对喷头出口速度对成型件力学性能可靠性的影响,本文从收缩角、加热块温度、整流段长、喷头过道长度四个主要因素研究了喷头参数对出口速度的影响,使用Ansys分析软件,分析了不同喷头参数组合的温度云图和出口速度云图,并确定了喷头出口速度稳定性最佳的喷头参数组合。结合试验和力学性能可靠性模型进一步验证了使用最佳喷头参数组合打印的成型件,其力学性能可靠性得到了明显的提升。(4)在确定最佳喷头参数组合的情况下,建立了基于GA-BP的FDM 3D打印成型件力学性能可靠性预测模型。将打印温度、分层厚度、填充密度、填充速度作为输入变量,抗压强度可靠性和抗拉强度可靠性作为输出变量,通过比较BP神经网络预测模型和GA-BP神经网络预测模型的实际值和预测值,其结果表明基于GA-BP神经网络力学性能可靠性预测模型精度明显高于BP神经网络力学性能可靠性预测模型,为预测FDM 3D打印成型件力学性能可靠性提供了理论依据。