在增材制造领域,基于激光的定向能量沉积技术沉积效率高,能够实现大型工件的增材制造,是一种可以适应未来制造业的技术。评价定向能量沉积工艺质量的主要因素有外形精度和内在质量,通过智能建模的方法实现定向能量沉积工艺质量的可控性逐渐成为国内外众多学者研究的热点之一。本文围绕沉积过程智能算法建模,对沉积熔道尺寸的预测算法和沉积工艺参数的优化模型进行研究。主要研究内容和结论如下:首先,介绍了定向能量沉积实验平台,其中包括机器人、激光器等。以激光功率等沉积工艺参数为输入、熔道宽度和高度为测量对象设计实验,得到用于训练模型的样本数据。分析实验数据得知激光功率对熔道宽度和高度的影响最大,相关性系数分别为0.81和0.72。然后,提出了建立支持向量回归(SVR)模型对熔道尺寸进行预测,并对常规的SVR模型超参数搜索算法进行了优化,改进了算法的搜索方式,结果显示算法具有更快的搜索速度。将SVR模型与神经网络做对比,测试结果显示SVR模型预测熔道宽度和高度具有更高的精度,平均相对误差分别为4.58%和5.33。在准确预测熔道宽度和高度的基础上,研究了熔道宽高比的预测方法。提出了一种基于循环神经网络的熔道宽高比预测算法,算法能够准确预测70%的测试集数据,是一种可行的研究方向,并指出进一步提升预测熔道宽高比的准确率,需要考虑更多的因素作为输入,如温度变化情况等。最后,使用Python语言编写了用于优化沉积工艺参数的模型组合系统,以根据目标熔道尺寸得到相应的沉积工艺参数。针对系统中沉积工艺参数调整的关键步骤,提出了一种基于广度优先遍历(BFS)算法的沉积工艺参数搜索方法。搜索到同样和理想的结果,传统的网格搜索算法需要584ms,BFS算法则只需要32ms。根据模型组合系统的工艺规划进行单道沉积实验,结果表明,实际熔道的宽度和高度与目标熔道尺寸的平均相对误差分别为4.12%和6.15%,证明了使用模型组合系统优化工艺的有效性。这在复杂结构件制造中为保证不同位置结构尺寸精度,制造过程中在线快速实现工艺参数的自动调适,实现智能制造,打下了良好基础。