基于麻雀搜索算法优化支持向量回归与遗传算法的无涂层激光冲击强化工艺参数优化研究

本研究针对航空发动机关键部件抗微动磨损性能提升需求，采用SSA-SVR（麻雀搜索算法优化支持向量回归）与GA（遗传算法）构建LSPwC（无涂层激光冲击强化）工艺参数-磨损率预测模型，优化后磨损率降低20.11%，显著提升材料耐磨性，为激光制造技术服役性能导向优化提供新范式。

　　

航空发动机叶片与涡轮盘的榫槽连接结构在高速运转时会产生微米级相对运动，引发微动磨损(Fretting wear)，严重时导致疲劳断裂。传统激光冲击强化(LSP)因能量过大易造成薄壁件变形，而无涂层激光冲击强化(LSPwC)采用毫焦级能量，兼具加工精度与表面强化优势。然而，现有研究多聚焦表面完整性参数，缺乏工艺参数与服役性能的关联研究，且传统响应面法(RSM)难以处理非线性关系。

西南交通大学研究人员通过SSA-SVR与GA的智能算法组合，首次实现LSPwC工艺参数(激光能量Le、光斑直径Sd、重叠率Or、冲击次数In)对磨损率的精准预测与优化。实验采用GH4169高温合金样本，通过Box-Behnken设计27组参数组合，对比RSM与SSA-SVR模型性能。关键技术创新在于：1) 采用SSA优化SVR超参数提升预测精度；2) 结合GA全局搜索能力实现多参数协同优化；3) 建立首个以磨损率为服役性能指标的LSPwC优化模型。

数据采集与模型构建
通过摩擦磨损试验机获取不同参数组合下的磨损率数据，SSA-SVR模型的R²达0.95以上，显著优于RSM模型(0.8668)。方差分析显示激光能量与光斑直径交互作用对磨损率影响最大(p<0.0001)。

参数优化验证
GA优化得到最佳参数组合(Le=35mJ, Sd=1.2mm, Or=50%, In=3次)，磨损率较初始参数降低20.11%。扫描电镜显示优化组磨损表面犁沟变浅，磨屑减少，证实耐磨性提升。

讨论与结论
该研究突破传统以表面完整性为指标的优化局限，首次建立工艺参数-服役性能的直接关联。SSA-SVR-GA方法为激光制造参数优化提供新思路，其预测误差<5%的精度满足工程应用需求。优化后的LSPwC工艺可使航空发动机关键部件寿命提升，对实现高端装备自主化具有重要工程价值。论文发表于《Optics》期刊，通讯作者为Zhenbing Cai（蔡振兵）团队。