激光选区熔化的特殊成形原理使得成形件的表面质量不理想,这会制约激光选区熔化的发展。成形件表面质量的优化则离不开对表面粗糙度的研究,而表面粗糙度受到成形参数以及其他外部条件的影响。通常对表面质量的研究需要通过反复实验得到成形件,这样不仅研究周期长,还会造成材料的浪费。为此,本文选取表面粗糙度为成形件表面质量的表征,以优化表面质量为目的,设计不同参数组合,并以BP神经网络为媒介,为激光选区熔化成形件表面粗糙度优化提供新途径。针对激光选区熔化成形件表面粗糙度和工艺参数件之间高度非线性的特点,首先建立BP神经网络表面粗糙度预测模型,用来预测在激光功率、扫描速度、铺粉层厚、铺粉间距等不同工艺参数组合下的成形件表面粗糙度。结果表明样本预测的平均相对误差为10.55%,说明BP神经网络能够表达激光选区熔化成形工艺和表面粗擦度的非线性耦合关系。为了解决BP神经网络对初始权值、阈值过于敏感的问题,本文利用遗传算法寻优能力,提供合适的初始权值、阈值给BP神经网络。遗传算法优化后BP神经网络样本预测的平均相对误差降低到6.91%,表明遗传算法对BP神经网络表面粗糙度预测模型的优化有效。为了进一步验证模型有效性,利用正交法设计实验,再通过模型预测,分析预测后的表面粗糙度值,表明在正交法设计的实验下,预测数据中各参数对表面粗糙度的影响规律符合实际。将遗传算法优化完成的神经网络预测模型作为遗传算法中的适应度函数,表面粗糙度值作为适应度值,建立激光选区熔化成形件表面粗糙度的优化模型。选取寻优求得的工艺参数组合(a)P=120W、V=500mm/s、H=0.12mm、T=20μm(b)P=120W、V=1300mm/s、H=0.12mm、T=20μm(c)P=60W、V=500mm/s、H=0.09mm、T=20μm(d)P=110W、V=1200mm/s、H=0.07mm、T=30μm等进行验证,发现成形件表面光滑,纹理清晰,熔道熔化完全,表面粗糙度实测值波动不大,且均低于样本值。结果表明,寻优得到的表面粗糙度达到了预期目标,对应的参数组合也能够满足实际情况,进一步说明寻优算法和BP神经网络的结合能够用在激光选区熔化成形件表面质量的优化上。