本文旨在介绍一篇题为《Parametric Optimization of FDM Process for PA12-CF Parts Using Integrated Response Surface Methodology, Grey Relational Analysis, and Grey Wolf Optimization》的原创性研究论文。该论文由Ali Saeed Almuflih（来自沙特阿拉伯国王哈立德国大学工业工程系和工程技术创新中心）、Muhammad Abas与Sahar Noor（均来自巴基斯坦白沙瓦工程技术大学工业工程系）以及Imran Khan（来自巴基斯坦白沙瓦工程技术大学机械工程系）共同完成。该研究发表于期刊《Polymers》2024年第16卷，并于2024年5月27日正式出版。
一、 学术背景 本研究隶属于增材制造（Additive Manufacturing, AM）领域，具体聚焦于熔融沉积成型（Fused Deposition Modeling, FDM）工艺的参数优化。FDM技术因其多功能性、成本效益和快速原型制造能力而备受关注，广泛应用于航空航天、汽车、医疗等多个领域。然而，FDM工艺的性能和输出质量（如表面光洁度、机械强度）高度依赖于众多工艺参数的设置，例如层厚、填充密度、打印方向等。因此，如何系统性地优化这些参数以实现多个性能指标（如低表面粗糙度、高拉伸强度和弯曲强度）的最佳平衡，是工业应用中的一个关键挑战。
尽管已有研究采用诸如田口方法、响应面法（Response Surface Methodology, RSM）、人工神经网络与进化算法相结合等多种方法对FDM参数进行优化，但有效管理多目标工艺参数以实现最优性能仍然存在困难。本研究针对一种特定的工程材料——碳纤维增强聚酰胺12（PA 12-CF），探讨了八个关键FDM工艺参数对其打印零件性能的影响。该材料因其高强度、刚性和耐热性，常被用作金属替代品。研究旨在通过集成响应面法、灰色关联分析（Grey Relational Analysis, GRA）和灰狼优化（Grey Wolf Optimization, GWO）算法，建立一种系统的方法来优化PA 12-CF零件的FDM打印工艺，以期同时改善其表面粗糙度、拉伸强度和弯曲强度。
二、 详细研究流程 本研究包含一个系统且逻辑严密的七步工作流程，具体如下：
第一步：确定研究变量与实验设计。 研究选取了八个关键的FDM工艺参数作为输入变量：层厚（LT）、轮廓/周边数量（NP）、填充密度（ID）、填充角度（FA）、打印速度（PS）、挤出温度（ET）、热床温度（BT）和构建方向（BO）。每个参数设置三个水平。输出响应变量为平均表面粗糙度（Ra）、拉伸强度（TS）和弯曲强度（FS）。为了高效地研究这些参数及其交互作用对响应的影响，研究采用了基于响应面法（RSM）的三水平确定性筛选设计（Definitive Screening Design, DSD）。该设计能够以较少的实验次数评估主效应、交互效应和二次效应。根据DSD，研究计划了17组不同的参数组合实验。为了考虑打印过程中的固有变异性，每组实验随机重复三次，因此总共进行了51次物理打印和测试实验。
第二步：试样制备与性能测试。 使用商业级PA 12-CF线材，在打印前进行了干燥处理。所有测试试样均根据ASTM标准打印：拉伸试样依据ASTM D638-IV标准，弯曲试样依据ASTM D790-17标准。打印完成后，使用万能试验机进行拉伸和弯曲测试，以获取TS和FS数据。使用Mitutoyo表面粗糙度测量仪，按照ISO 21920工业标准，在每个试样的打印层垂直方向上取五个读数，测量其平均表面粗糙度（Ra）。所有测试均在室温下进行。
第三步：数据收集与方差分析（ANOVA）。 将51次实验测得的Ra、TS和FS数据整理成表。随后，基于DSD设计，在95%置信区间内对每个响应（Ra, TS, FS）分别进行了回归方差分析（ANOVA）。ANOVA的目的是识别对各个响应具有统计学显著影响（p值<0.05）的工艺参数，并计算其贡献率。分析还通过残差正态性图和Anderson-Darling检验验证了数据的正态性和模型 adequacy。结果表明，对于Ra，层厚（LT）和构建方向（BO）是最显著的影响因素；对于TS和FS，构建方向（BO）、填充密度（ID）和填充角度（FA）则最为关键。所有模型的失拟项均不显著，表明模型拟合良好。
第四步：多响应优化——灰色关联分析（GRA）。 由于需要同时优化三个响应（Ra需最小化，TS和FS需最大化），研究首先采用灰色关联分析（GRA）将多个响应合并为一个单一的综合指标——灰色关联度（Grey Relational Grade, GRG）。具体步骤为：1) 数据归一化：对于Ra使用“越小越好”公式，对于TS和FS使用“越大越好”公式，将原始数据转换为0到1之间的可比序列。2) 计算灰色关联系数（GRC）：根据归一化值计算每个实验下各响应与理想序列的关联系数。3) 计算灰色关联度（GRG）：为每个实验的关联系数分配权重（本研究未明确说明权重分配细节，可能视为等权），求和得到综合的GRG值。GRG值越高，代表该组参数的综合性能越好。4) 参数效应分析：计算每个工艺参数在不同水平下的平均GRG值，平均GRG最高的水平即被确定为该参数的GRA最优水平。通过此方法，得到了基于GRA的初步最优参数组合。
第五步：建立GRG回归模型。 为了给后续的元启发式优化算法提供一个可计算的、连续的优化目标函数，研究基于实验数据（输入参数和计算出的GRG值）建立了一个多元二次回归模型。该模型以八个工艺参数为自变量，以GRG为因变量。模型经过统计检验，其决定系数（R²）和调整R²均高达98%和97%，预测R²也达到96%，且失拟项不显著，表明该模型能够高度可靠地预测不同参数组合下的GRG值。该回归模型被形式化为一个带约束的数学优化问题：在给定参数范围内，最大化GRG函数。
第六步：基于灰狼优化（GWO）算法的精细优化。 研究进一步采用灰狼优化（GWO）这一元启发式算法，以上一步建立的GRG回归模型作为目标函数，在八维参数空间内进行全局寻优。GWO算法模拟了灰狼群体的社会等级和狩猎行为（追踪、包围、攻击），通过α、β、δ三头领导狼的位置来引导整个种群（狼群）向最优解移动。为了确定GWO算法本身的最佳超参数（种群大小和迭代次数），研究进行了参数调优，测试了不同组合（迭代次数100-300，狼群数量10-50）。最终，确定采用50只狼和200次迭代的组合，该设置下算法收敛稳定且找到了最高的GRG值。GWO的优化过程完全在计算机上运行，通过迭代更新“狼”的位置（即参数组合），并调用GRG回归模型计算适应度值，最终寻找到使GRG最大化的参数组合。
第七步：结果对比与验证。 将GWO算法找到的最优参数组合与第四步中GRA方法得到的最优组合进行对比。虽然两种方法得出的多数参数值一致，但GWO在打印速度（PS）和热床温度（BT）两个参数上找到了不同的最优值。更重要的是，研究将GWO优化后的参数代入GRG模型，并据此推算出（或通过模型预测出）对应的响应值（Ra, TS, FS），然后与GRA优化结果进行对比，以评估性能提升。
三、 主要研究结果 1. 工艺参数影响分析结果：ANOVA和等高线图分析清晰地揭示了各参数对性能的影响机制。对于平均表面粗糙度（Ra），层厚（LT）的影响最大（贡献率52.36%），较薄的层厚能显著降低Ra；构建方向（BO）次之（贡献率28.23%），0度方向（平放）打印的表面最光滑；较高的挤出温度（ET）和适中的打印速度（PS）也有利于降低Ra。对于拉伸强度（TS）和弯曲强度（FS），构建方向（BO）是最关键因素（贡献率分别为27.01%和30.96%），0度方向能获得最高强度；其次是高填充密度（ID）和特定的填充角度（FA），它们能提供更连续的内部分力路径；此外，较高的挤出温度（ET）和热床温度（BT，约90-95°C）能改善层间粘结，从而提高强度；而较低的层厚（LT）和较低的打印速度（PS）也有利于提升机械性能。这些结果为理解参数-性能关系提供了定量依据。
GRA初步优化结果：通过计算各参数水平下的平均GRG，确定了GRA下的“最优”参数组合为：LT=0.1 mm, NP=6, ID=100%, FA=0°, PS=70 mm/s, ET=280°C, BT=90°C, BO=0°。该组合对应的预测性能为：Ra = 5.55 µm, TS = 85.45 MPa, FS = 98.36 MPa。GRG的最大值为0.320。这一步骤将多目标问题转化为单目标问题，并为后续GWO优化提供了基准。
GWO精细优化结果：GWO算法在GRG回归模型定义的搜索空间内进行了更深入的探索。经过超参数调优后，算法在50只狼、200次迭代的设置下收敛，找到了一个能产生更高GRG值（0.340）的参数组合。与GRA结果相比，最优参数组合在多数参数上一致，但打印速度（PS）优化为60 mm/s，热床温度（BT）优化为100°C。这表明确实存在GRA基于水平平均法未能发现的、更精细的优化解。
最终性能对比：根据GWO优化得到的最优参数组合，模型预测（或推断）的零件性能得到了进一步提升：平均表面粗糙度（Ra）降低至4.63 µm，拉伸强度（TS）提高至88.5 MPa，弯曲强度（FS）提高至103.12 MPa。与GRA优化结果相比，Ra降低了16.6%，TS提升了3.6%，FS提升了4.8%。这充分证明了集成GWO进行后续精细优化的有效性和优势。
四、 研究结论与价值 本研究成功开发并验证了一种集成响应面法（RSM）、灰色关联分析（GRA）和灰狼优化（GWO）算法的系统方法，用于优化PA12-CF材料的FDM打印工艺参数。该方法首先通过DSD实验设计高效获取数据，利用ANOVA识别关键参数；接着通过GRA将多目标问题转化为单目标优化问题；最后利用GWO算法在连续的参数空间中进行全局寻优，找到了比传统GRA方法更优的工艺参数设置。
其科学价值在于：1) 为PA12-CF材料的FDM加工提供了详实的工艺参数-性能关系数据库和影响机理分析；2) 展示了一种将经典实验设计/统计分析（RSM/GRA）与先进元启发式算法（GWO）相结合的混合优化框架的有效性，该框架能处理复杂的多目标优化问题，并可能发现传统方法忽略的优化点。
其应用价值显著：研究得出的具体优化参数组合（LT=0.1 mm, NP=6, ID=100%, FA=0°, PS=60 mm/s, ET=280°C, BT=100°C, BO=0°）可直接用于指导工业界生产高性能的PA12-CF零件，在保证零件强度的同时显著改善表面质量，有助于减少后处理需求、降低成本和提升产品竞争力。
五、 研究亮点 1. 研究材料与问题的针对性：专注于具有重要工程应用价值的碳纤维增强聚酰胺12（PA12-CF）材料，系统研究其FDM打印的多目标优化问题，具有明确的工业应用背景。 2. 方法集成的新颖性：创新性地将确定性筛选设计（DSD）、灰色关联分析（GRA）和灰狼优化（GWO）算法三者无缝集成，形成了一套从实验设计、数据建模到全局优化的完整方法论流程。其中，将GRA得到的GRG回归模型作为GWO的目标函数，是连接两种方法的关键。 3. 优化效果的优越性：通过GWO对GRA初步结果的再优化，实现了性能的进一步显著提升（Ra降低16.6%，TS和FS提升约4%），实证了元启发式算法在工艺参数精细优化中的潜力和必要性。 4. 对GWO算法应用的探索：作者指出，尽管已有多种元启发式算法用于FDM优化，但GWO在此领域的应用探索仍有限。本研究不仅应用了GWO，还对其超参数（狼群数量、迭代次数）进行了系统的测试和分析，为后续研究者提供了参考。 5. 全面的分析与验证：研究不仅给出了最优参数，还通过ANOVA和等高线图深入分析了各参数对单个响应的具体影响及贡献度，使研究结论更具解释性和深度。
六、 其他有价值内容 论文在讨论部分还简要探讨了GWO算法的实际应用意义与局限性。在实际应用方面，研究表明通过优化打印参数，制造商可以提高产品性能、减少材料浪费、降低成本。在局限性方面，作者指出GWO与其他元启发式算法类似，对初始条件敏感，可能陷入局部最优，且其性能受算法参数（如种群大小、迭代次数）选择的影响，这提示在实际应用中需要进行仔细的参数调优。这种对所用工具本身的反思增加了研究的严谨性。
此外，研究也指出了自身的局限性，例如仅专注于PA12-CF一种材料，未来研究可扩展到其他材料；优化目标仅限于机械性能和表面粗糙度，未来可考虑纳入打印时间、能耗等多重目标。这些为后续研究指明了方向。