Microstructure and wear resistance of TiB2/Ni composite coating on pure copper surface by argon arc cladding
-
摘要: 通过氩弧熔覆技术在纯铜表面制备TiB2增强 Ni 基复合涂层，以改善其耐磨性能. 将钛粉、硼粉和镍粉在球磨机中充分混合，采用氩弧熔覆技术将纯铜表面预置粉末熔化制备出陶瓷颗粒增强镍基熔覆层. 采用X射线衍射仪、扫描电子显微镜、透射电子显微镜分析涂层的物相及涂层中陶瓷颗粒相的组成、分布及结构，利用显微硬度仪和摩擦磨损试验机测试涂层的显微硬度和耐磨性能. 结果表明，熔覆层物相主要包括γ(Ni, Cu)和TiB2；陶瓷颗粒增强相弥散分布于熔覆层中，其中颗粒相TiB2以六边形存在，熔覆层内部与基体界面处均无缺陷产生；熔覆涂层具有较高的显微硬度，当(Ti+B)质量分数为10%时，涂层显微硬度高达781.3 HV，与纯铜基体对比，熔覆层显微硬度提高约11.7倍；在相同磨损条件下，随(Ti+B)质量分数的增加，熔覆涂层的摩擦系数及磨损失重先减小后增大；氩弧熔覆原位自生TiB2陶瓷颗粒增强镍基熔覆层可显著提高纯铜表面的耐磨性能.Abstract: The TiB2 reinforced Ni-based composite coating is prepared on the surface of pure copper by argon arc cladding technology to improve its wear resistance. The Ti powder, B powder and Ni powder are ball-milled and mixed. The ceramic particle reinforced nickel base coating was fabricated by melting the preset powder on the surface of pure copper by using argon arc cladding. The phase of the coating and the composition, distribution and structure of ceramic particles in the coating were analyzed by X-ray diffractometer, scanning electron microscope and transmission electron microscope. The microhardness and wear properties of the coating were tested by microhardness tester and friction and wear tester. The results showed that the phases of the cladding coating mainly include γ (Ni, Cu) and TiB2. The ceramic particle reinforced phases are uniformly dispersed in the cladding coating. However, the particle phase TiB2 exists in the form of hexagon. There is no defect in the interface between cladding layer and substrate. The cladding coating has high microhardness. When the mass fraction of (Ti+B) is 10%, the microhardness of the coating is as high as 781.3 HV. Compared with the pure copper substrate, the microhardness of the cladding coating is increased by about 11.7 times. With the increase of (Ti+B) mass fraction, the friction coefficient and wear loss of the coating decrease first and then increase under the same wear conditions, respectively. The in-situ synthesized TiB2 particles reinforced nickel base coating can significantly improve the wear resistance of the pure copper surface by argon arc cladding technology.
-
Keywords:
- pure copper /
- argon arc cladding /
- TiB2/Ni /
- microhardness /
- wear resistance
-
0. 序言
焊接生产智能化与自动化是焊接制造领域的技术发展趋势，实现自动焊接的前提是焊缝的自动识别.激光视觉传感技术是将激光投射在焊缝表面形成包含焊缝轮廓信息的焊缝条纹图像，然后进行特征提取，因其具有非接触、高精度等技术优势在焊缝识别领域得到了广泛应用[1].在自动焊接过程中，对焊缝坡口关键位置信息进行准确提取，可明显提升焊接质量[2-3].余佳杰等人[4]利用质心法提取焊缝中心线，通过最小二乘法和k均值聚类提取焊缝特征点，提高了焊缝识别的准确度；Li等人[5]构造焊缝轨迹特征三角形来提取形状特征，并基于欧几里德距离判别焊缝轨迹，提高了焊接效率与稳定性；Zhang等人[6]提出二阶导数算法对特征点进行初始定位，然后进行线性拟合实现精确定位，实现焊缝实时跟踪；Tian等人[7]通过使用自适应生成动态感兴趣区域(region of interest, ROI)并进行迭代操作，设置ROI内的边界条件后，有效提高该算法的焊缝识别精度.
焊接智能化要求焊缝识别算法具有较强的抗干扰能力和适应能力，以适用于不同场景下的焊接要求.传统的图像识别方法需要各种特征提取算法进行焊缝识别，其适应性和抗干扰能力较差，近年来，深度学习方法已在焊接领域得到了广泛应用[8]，陈凯等人[9]基于深度学习的方法对焊缝识别定位，先对焊缝类型进行分类，再对焊缝图像进行分割以得到焊缝位置信息，该算法轻量高效并具有较高定位精度；杨国威等人[10]引入先验框定位焊缝特征点区域，并将焊缝的位置与置信度相结合，提取焊缝特征点，抑制了噪声干扰，保证了焊接精度，具有一定的适应性；唐溪等人[11]基于改进的CenterNet网络对焊缝进行定位，加入特征融合和注意力机制，提升了检测精度.深度学习方法不同于传统图像识别，省去了繁琐的特征提取，有效提高了焊缝识别的适应性.
文中采用深度学习方法，对焊缝特征识别技术展开分析，将焊缝特征点识别问题变成关键点检测问题.通过采集不同角度的焊缝图像，选取焊缝特征的关键点作为数据集，将标注好的焊缝数据输入特征提取网络模型中，经过一系列卷积、池化操作提取焊缝特征，进行上采样与深浅层特征融合，输出焊缝特征点热力图.热力图中响应值最大的位置为关键点，获取关键点坐标，并返回其位置.由于是从热力图中提取目标信息，不需要非极大值抑制(non-maximum suppression, NMS)进行筛选，减小了网络参数及计算量，提升了特征提取速度.通过对焊缝特征点的定位结果进行分析，满足自动焊接的定位精度和实时性要求.
1. 焊缝特征提取算法
传统的图像处理算法提取焊缝特征点时，面对不同类型的焊缝坡口图像，需要调整阈值，以便找到焊缝的特征点，因此该方法的泛化能力较差.深度学习[12]方法直接使用图像作为网络的输入，将特征表达融于网络的训练过程中，避免了传统识别算法中复杂繁琐的特征提取和数据重建过程，所以使用适应性强、抗干扰能力强的卷积神经网络进行焊缝特征提取，在不同类型的焊缝坡口图像中提取焊缝特征点也有利于提高焊接效率.
CenterNet，HRNet等关键点检测方法[13-15]广泛应用于2D和3D目标检测、人体姿态检测等领域，具有较高的检测速度与精度.受关键点检测方法的启发[16]，并基于在焊接场景下能够准确定位焊缝的坡口位置，获取焊缝特征点位置信息，设计了简单高效的焊缝特征提取网络，如图1所示.
焊缝图像输入尺寸为
$W \times H \times D $ ，式中：$ W $ 为图像宽度；$ H $ 为图像高度；$ D $ 为图像深度.焊缝特征提取网络生成含有焊缝特征点位置的热力图，将热力图进行归一化，其值在0 ~ 1且和为1，操作如下
$$ {Z_{ij}} ={\rm{ Soft}}\max \left( {{{\textit{z}}_{i,j}}} \right) = \frac{{\exp ({{\textit{z}}_{i,j}})}}{{\displaystyle\sum\limits_{i = 1}^w {\displaystyle\sum\limits_{j = 1}^h {\exp ({{\textit{z}}_{i,j}})} } }} $$ (1) 式中：
${Z_{ij}} $ 表示(i, j)点的势力值；i = 1···n；j = 1···h；$\exp ({{\textit{z}}_{i,j}}) $ 为$e ({{\textit{z}}_{i,j}}) $ 生成两个与热力图尺寸一致的矩阵X和Y，具体计算为
$$ \left\{ {\begin{array}{*{20}{c}} {{X_{ij}} = \dfrac{{2j - \left( {w + 1} \right)}}{w}} \\ {{Y_{ij}} = \dfrac{{2i - \left( {h + 1} \right)}}{h}} \end{array}} \right. $$ (2) 从而得到热力图中焊缝特征点的位置坐标
$$ \left( {x,y} \right) = \left[ {{{\left\langle {Z,X} \right\rangle }_F},{{\left\langle {Z,Y} \right\rangle }_F}} \right] $$ (3) 式中：
$ {{\left\langle {Z,X} \right\rangle }_F} $ 表示矩阵Z与矩阵X进行F范数；$ {{\left\langle {Z,Y} \right\rangle }_F} $ 表示矩阵Z与矩阵Y进行F范数，关键点热力图的特征点坐标转换如图2所示.1.1 焊缝特征提取网络
焊缝特征提取网络如图3所示，下采样网络由4个卷积层和3个池化层组成.提取网络将输入焊缝图像进行下采样，每个卷积层含有多个卷积核特征提取器，用于提取输入图像的特征，卷积层提取丰富的焊缝特征信息.池化层对图像进行降维，降低网络模型的复杂度，防止过拟合，提高模型的泛化能力 [17].焊缝特征提取网络进行下采样时，通过卷积和池化操作对焊缝位置信息和边缘特征进行提取，产生了丰富的位置信息.图像经过多次卷积、池化操作，图像的边缘、位置信息会丢失很多，为了将输出的特征映射维度还原为原始图像维度，进行上采样操作.通过上采样恢复图像大小，提高输出图像的分辨率，恢复目标细节并使定位更准确.在网络的上采样过程中，采用的是最邻近上采样，这样可以最大程度保留特征图的语义信息，得到既有良好的空间信息又有较强烈的语义信息的特征图，有利于热力图中心回归预测.
1.2 特征融合
焊缝识别定位的检测需要准确的位置信息，进行下采样操作后会降低图像维度，为减少位置信息的损失，因此加入特征融合机制以提高焊缝定位精度.通过上采样与特征融合，提高输出图像的分辨率，恢复目标细节并使定位更准确.
通过特征融合减少卷积过程的信息损失，增强焊缝检测的鲁棒性，从而提高焊缝的定位精度.如图4所示，深浅层网络特征融合中，1 × 1卷积用于跨通道融合，上采样操作后，利用3 × 3卷积对其进一步融合，消除上采样带来的重叠效应，将相同尺寸但不同语义的特征相融合，最终采用最高分辨率特征图，采用低层与高层信息的特征融合，保留了焊缝像素之间的相对位置，有利于提高焊缝检测的精度与抗干扰性.
1.3 模型训练与数据集
文中采用京航科技公司的JHSM1400相机，采集坡口宽度10 mm，厚度5 mm的焊缝图像，通过采集不同角度和高度的焊缝图像，提高焊缝特征点的检测精度和鲁棒性，以满足焊缝特征点识别的任务需求，将采集到的焊缝数据集分为训练集1 000张，测试集100张.原始图像边缘存在多余的激光条纹，为降低网络模型训练所需的硬件资源与时间成本，将采集的图像尺寸调整为360像素 × 480像素.
为保证焊缝特征点的识别精度，对原始图像进行图像旋转和镜像操作，实现增大数据集的目的，防止因为样本数据较少而出现的欠拟合问题，并提高训练后的网络模型的泛化性能.多种坡口类型的焊缝图像进行处理后，得到3 000张训练集图像，300张测试集图像.
试验中所用的焊缝图像采集好后，对焊缝数据集中的焊缝图像进行标注，标注示意图如图5所示.通过标注在线结构光上的焊缝特征点，将焊缝特征点的位置信息储存在标签文件里，为减小人工标注的误差，多次标注焊缝图像，取多组焊缝数据的平均值作为特征点坐标.
试验使用的计算机配置为16G内存，CPU i5-12500H，GPU GeForce RTX2060，Pytorch 1.6.0.
网络的损失函数Lk选用SmoothL1损失函数
$$ {{{L}}_{{{\rm{k}}}}}(l,t) = \sum\limits_{i \in \left\{ {x,y} \right\}} {{\text{Smoo}}{\rm{t}}{{\rm{h}}_{{\rm{L1}}}}} \left( {{l_i} - {t_i}} \right) $$ (4) 式中：
$ l = \left( {{l_x},{l_y}} \right) $ 表示焊缝特征点的预测位置；$ t = \left( {{t_x},{t_y}} \right) $ 表示真实的焊缝位置信息$$ {\text{Smoo}}{\rm{t}}{{\rm{h}}_{{\rm{L1}}}}\left( x \right) = \left\{ {\begin{array}{*{20}{c}} {0.5{x^2}}, \\ {\left| x \right| - 0.5} , \end{array}} \right.\begin{array}{*{20}{c}} {{\rm{if}}\left| x \right| < 1} \\ {{\rm{otherwise}}} \end{array} $$ (5) 模型训练采用适应性矩估计Adam优化器，学习率设置为0.001，batch bize为4，迭代训练100轮.训练过程中，每30轮循环后更新学习率，学习率衰减为原来的0.1倍，在加载训练数据时，使用实时数据增强，以提高模型的泛化能力.
2. 试验结果与分析
为验证文中算法在焊缝图像特征点上的提取精度，将标注好的焊缝数据输入特征提取网络模型中，输出提取结果的关键点坐标，采用均方根误差(root mean square error, RMSE)来衡量焊缝图像特征点提取精度的评价指标. 图6为不同坡口类型焊缝图像中特征点的提取结果，图中圆圈中心点为SIFT算法提取的焊缝特征点，方框中心点为焊缝特征提取网络预测的焊缝特征点.焊接过程受到噪声干扰时，SIFT算法对提取到的焊缝特征点存在特征点误判情况，反应出了算法具有一定的抗干扰性.对于不同坡口类型的焊缝，所采用的方法均能较准确地检测到焊缝特征点，具有较强的普适性和泛化能力.
![]()
图 6 不同坡口类型焊缝特征点识别结果Figure 6. Weld feature point recognition results of different groove types. (a) SIFT algorithm; (b) key point detection algorithm为了准确对比特征提取结果精度，将3种坡口类型的焊缝图像，分别做100组试验.将识别的焊缝特征点与人工标注的真实位置的误差进行计算，焊缝特征点的提取精度对比结果见表1.焊缝特征点定位误差曲线图如图7 ~ 图9所示，从试验结果可以看出，3种坡口类型的焊缝图像特征点的识别结果均方根误差为0.187 mm.
表 1 焊缝特征点提取精度对比Table 1. Comparison of weld feature points extraction accuracy算法 均方根误差σRMSE/mm V形 搭接 对接 均值 SIFT 0.258 0.247 0.254 0.253 Ours 0.201 0.173 0.188 0.187 ![]()
图 7 V形焊缝特征点定位误差曲线Figure 7. V-weld feature point positioning error graph. (a) left feature point; (b) right feature point![]()
图 8 搭接焊缝特征点定位误差曲线Figure 8. Lap weld feature point positioning error graph. (a) left feature point; (b) right feature point![]()
图 9 对接焊缝特征点定位误差曲线Figure 9. Butt weld feature point positioning error graph. (a) left feature point; (b) right feature point焊缝特征点位置信息的准确提取决定了焊缝定位的精度,为保证定位精度，对焊缝特征点的平均定位误差以及误差分布情况进行评估，如图10所示，大部分焊缝特征点定位误差小于0.2 mm，焊缝特征点检测结果具有很高的精度，满足焊接的要求.
为保证焊接过程中的实时性要求，将各算法在焊缝数据集上的用时进行比较，算法用时见表2.从用时结果来看，文中算法用时32.145 6 ms，略少于SIFT算法用时，满足焊接的实时性要求.综上所述，本文算法用时少，同时提取的焊缝特征点的误差小，可以准确实现焊缝特征点的定位.
表 2 算法用时比较Table 2. Algorithm time comparison算法 时间t/ms V形 搭接 对接 均值 SIFT 40.518 2 39.470 5 40.993 0 40.327 2 Ours 31.626 1 32.907 1 31.903 6 32.145 6 3. 结论
(1)基于关键点检测方法进行焊缝识别，输出焊缝特征点热力图，从热力图中获得焊缝特征位置信息，可实现多坡口类型的焊缝定位.
(2)所提方法具有很高的精度，大部分焊缝特征点定位误差小于0.2mm，满足焊接的要求.
(3)算法用时32.145 6 ms，略少于SIFT算法用时，满足焊接的实时性要求.
-
![]()
图 1 不同(Ti+B)质量分数的氩弧熔覆涂层的X射线衍射图谱
Figure 1. X-ray diffraction pattern of different mass fraction of (Ti+B) coating by argon arc cladding
![]()
图 2 熔覆涂层横截面形貌
Figure 2. Cross-section morphology of cladding coating. (a) cross-section morphology of 10%(Ti+B) coating; (b) tissue morphology of identified area 1 in Fig. 2a
![]()
图 3 不同(Ti+B)质量分数熔覆涂层的SEM截面形貌
Figure 3. SEM cross-sectional morphology of cladding coatings with different mass fraction of (Ti+B). (a) 5%(Ti+B) coating; (b) 10%(Ti+B) coating; (c) 15%(Ti+B) coating; (d) tissue morphology of identified area 1 in Fig. 3c
![]()
图 4 熔覆涂层的TEM图像
Figure 4. TEM image of cladding coating. (a) bright field TEM image of TiB2; (b) diffraction spot of particle phase
![]()
图 5 熔覆涂层在不同含量(Ti+B)涂层截面的硬度分布
Figure 5. Hardness distribution of cladding coating in different content (Ti+B) coating section
![]()
图 6 纯铜基体与熔覆涂层的摩擦系数的关系
Figure 6. Friction coefficient relationship between pure copper substrate and cladding coating
![]()
图 7 基体和不同(Ti+B)配比的试样磨损量
Figure 7. Wear of the matrix and the samples with different (Ti+B) ratios
![]()
图 8 不同(Ti+B)质量分数熔覆涂层与纯铜基体的磨损形貌
Figure 8. Surface morphologies of the matrix and samples with different (Ti+B) ratios. (a) pure copper matrix; (b) 5%(Ti+B) coating; (c) 10%(Ti+B) coating;(d) 15%(Ti+B) coating
表 1 氩弧熔覆涂层材料配比
Table 1 Argon arc cladding coating material ratio
组别 (Ti+B)质量分数w1(%) Ni质量分数w2(%) Ti粉质量m1/g B粉质量m2/g Ni粉质量m3/g 1 5.0 95.0 0.688 8 0.311 2 19.00 2 10.0 90.0 1.377 5 0.622 5 18.00 3 15.0 85.0 2.001 5 0.988 5 17.00 
下载: 导出CSV
表 2 氩弧熔覆工艺参数
Table 2 Argon arc cladding process parameters
熔覆电流
I/A熔覆电压
U/V熔覆速度
v/(mm·min−1)氩气流量
Q/(L·min−1)氩气纯度
wp(%)150 15.5 120 12 99.99
下载: 导出CSV
-
[1] 袁庆龙, 梁宁宁. 纯铜表面改性工艺研究进展[J]. 材料导报, 2012, 26(S2): 138 − 140. Yuan Qinglong, Liang Ningning. Research progress of pure copper surface modification technology[J]. Materials Review, 2012, 26(S2): 138 − 140.
[2] 房永祥, 齐丽君, 王珂, 等. 纯铜表面脉冲激光熔覆Ni60涂层的结构与性能研究[J]. 激光技术, 2017, 41(1): 40 − 46. Fang Yongxiang, Qi Lijun, Wang Ke, et al. Investigation of structure and properties of Ni60 coatings on pure copper by pulsed laser cladding[J]. Laser Technology, 2017, 41(1): 40 − 46.
[3] 闫风洁, 李辛庚, 姜波, 等. 纯铜在碱性土壤中的腐蚀行为[J]. 腐蚀科学与防护技术, 2019, 31(2): 155 − 158. doi: 10.11903/1002.6495.2018.173 Yan Fengjie, Li Xigeng, Jiang Bo, et al. Corrosion behavior of pure copper in alkaline soil[J]. Corrosion Science and Protection Technology, 2019, 31(2): 155 − 158. doi: 10.11903/1002.6495.2018.173
[4] 朱胜, 张雨豪, 郭迎春, 等. 铜合金零部件损伤修复技术的研究进展[J]. 模具制造, 2019, 19(9): 61 − 66. Zhu Sheng, Zhang Yuhao, Guo Yingchun, et al. Research progress of damage repair technology for copper alloy parts[J]. Mould Manufacturing, 2019, 19(9): 61 − 66.
[5] 赵健, 刘光, 马冰, 等. 铜材表面激光合金化和激光熔覆制备Ni/Cu-Cr3C2/Co梯度涂层[J]. 表面技术, 2018, 47(8): 162 − 169. Zhao Jian, Liu Guang, Ma Bing, et al. Preparation of Ni/Cu-Cr3C2/Co gradient coating in the combination of laser alloying and laser cladding technologies on copper products[J]. Surface Technology, 2018, 47(8): 162 − 169.
[6] Dehm G, Bamberger M. Laser cladding of Co-based hardfacing on Cu substrate[J]. Journal of Materials Science, 2002, 37(24): 5345. doi: 10.1023/A:1021041527980
[7] 李玉海, 王震, 赵晖, 等. 铜合金激光表面强化研究进展[J]. 沈阳理工大学学报, 2019, 38(6): 22 − 27. Li Yuhai, Wang Zhen, Zhao Hui, et al. Research progress of laser surface strengthening of copper alloys[J]. Journal of Shenyang University of Science and Technology, 2019, 38(6): 22 − 27.
[8] 傅卫, 方洪渊, 徐凯, 等. 激光重熔镍镀层复合工艺制备铜合金表面涂层[J]. 焊接学报, 2018, 39(4): 99 − 103. doi: 10.12073/j.hjxb.2018390104 Fu Wei, Fang Hongyuan, Xu Kai, et al. Experimental research on laser cladding Ni60A coating on pure copper substrate[J]. Transactions of the China Welding Institution, 2018, 39(4): 99 − 103. doi: 10.12073/j.hjxb.2018390104
[9] 李岩, 张永忠, 黄灿, 等. 纯铜表面激光熔覆TiB2/Cu涂层的组织及导电性能[J]. 激光技术, 2012, 36(5): 585 − 588. Li Yan, Zhang Yongzhong, Huang Can, et al. Microstructure and conductivity of laser cladding TiB2/Cu coating on pure copper surface[J]. Laser Technology, 2012, 36(5): 585 − 588.
[10] 张忠礼, 赵娇玉, 王艳燕, 等. 纯铜热喷涂扩散渗铝层的显微组织[J]. 沈阳工业大学学报, 2008, 44(4): 437 − 443. doi: 10.3969/j.issn.1000-1646.2008.04.017 Zhang Zhongli, Zhao Jiaoyu, Wang Yanyan, et al. Microstructure of diffused aluminized layer of pure copper thermal spraying[J]. Journal of Shenyang University of Technology, 2008, 44(4): 437 − 443. doi: 10.3969/j.issn.1000-1646.2008.04.017
[11] 郭晓琴, 郭永春, 顾林喻. 激光熔覆Cu-TiB2复合材料涂层及其耐磨性[J]. 热加工工艺, 2004(11): 22 − 23,26. doi: 10.3969/j.issn.1001-3814.2004.11.008 Guo Xiaoqin, Guo Yongchun, Gu Linyu. Laser cladding Cu-TiB2 composite coating and wear resistance[J]. Thermal processing technology, 2004(11): 22 − 23,26. doi: 10.3969/j.issn.1001-3814.2004.11.008
[12] 姜圆博. 纯铜表面激光熔覆TiB2/Ni45复合材料的研究[D]. 秦皇岛: 燕山大学, 2014. Jiang Yuanbo. Study on laser cladding TiB2/Ni45 composite on pure copper[D]. Qinhuangdao: Yanshan University, 2014.
[13] 刘芳, 刘常升, 陶兴启, 等. 结晶器铜板上激光熔覆镍基合金[J]. 东北大学学报 (自然科学版), 2006, 27(10): 1106 − 1109. Liu Fang, Liu Changsheng, Tao Xingqi, et al. Laser cladding of nickel-based alloy on copper plate of crystallizer[J]. Journal of Northeastern University (Natural Science Edition), 2006, 27(10): 1106 − 1109.
[14] Meng Junsheng, Shi Xiaoping, Zhang Shaojun, et al. Friction and wear properties of TiN-TiB2-Ni based composite coatings by argon arc cladding technology[J]. Surface Coatings Technology, 2019, 374: 437 − 447. doi: 10.1016/j.surfcoat.2019.06.015
[15] Meng Junsheng, Jin Guo, Shi Xiaoping. Structure and tribological properties of argon arc cladding Ni-based nanocrystalline coatings[J]. Applied Surface Science, 2018, 431: 135 − 142. doi: 10.1016/j.apsusc.2017.05.238
[16] Wang H Q, Sun J S, Li C N, et al. Microstructure and mechanical properties of molybdenum - iron - boron - chromium cladding using argon arc welding[J]. Materials Science and Technology, 2016, 32(16): 1694 − 1701. doi: 10.1080/02670836.2016.1140926
[17] 王振廷, 付长璟, 梁刚, 等. 氩弧熔覆原位合成TiC-TiB2复合抗氧化涂层[J]. 焊接学报, 2016, 37(2): 103 − 107. Wang Zhenting, Fu Changjing, Liang Gang, et al. In-situ synthesis of TiC-TiB2 composite anti-oxidation coating by argon arc cladding[J]. Transactions of the China Welding Institution, 2016, 37(2): 103 − 107.
[18] Wang Zhenting, Zhou Xiaohui, Zhao Guogang. Microstructure and formation mechanism of in-situ TiC-TiB2/Fe composite coating[J]. Transactions of Nonferrous Metals Society of China, 2008, 18(4): 831 − 835. doi: 10.1016/S1003-6326(08)60144-2
[19] An Yajun, Li Zhu, Li Weiqiang, et al. Study of fly ash-based flux effects on microstructure and wear of TIG-cladded Ni-based composite coating[J]. Results in Physics, 2019, 12: 970 − 974. doi: 10.1016/j.rinp.2018.12.004
[20] Zhao D G, Liu X F, Pan Y C, et al. Microstructure and mechanical behavior of AlSiCuMgNi piston alloys reinforced with TiB2 particles[J]. Journal of Materials Science, 2006, 41: 4227 − 4232. doi: 10.1007/s10853-006-6247-y
[21] 孟君晟, 史晓萍, 王振廷, 等. TC4合金表面氩弧熔覆TiC/Ti基复合涂层组织及耐磨性[J]. 稀有金属材料与工程, 2012, 41(7): 1259 − 1262. doi: 10.3969/j.issn.1002-185X.2012.07.029 Meng Junsheng, Shi Xiaoping, Wang Zhenting, et al. Microstructure and wear resistance of TiC/Ti based composite coating on TC4 Alloy by argon arc cladding[J]. Rare Metal Materials and Engineering, 2012, 41(7): 1259 − 1262. doi: 10.3969/j.issn.1002-185X.2012.07.029
[22] 孟君晟. 氩弧熔覆TiB2+TiN/Ni涂层的微观结构与摩擦学行为[D]. 哈尔滨: 哈尔滨理工大学, 2016. Meng Junsheng. Microstructure and tribological behavior of TiB2+TiN/Ni coating by argon arc cladding[D]. Harbin: Harbin University of Science and Technology, 2016.
[23] David G M, John V W. Thermally sprayed Ni(Cr)-TiB2 coatings using powder produced by self-propagating high temperature synthesis: Microstructure and abrasive wear behaviour[J]. Materials Science and Engineering A, 2002, 336: 88 − 98. doi: 10.1016/S0921-5093(01)01918-9
[24] 马宁, 赵迪, 张柯柯, 等. TIG熔覆原位自生TiC-TiB2/Fe复合涂层[J]. 焊接学报, 2018, 39(10): 124 − 128. Ma Ning, Zhao Di, Zhang Keke, et al. In situ TiC-TiB2/Fe composite coating by TIG cladding[J]. Transactions of the China Welding Institution, 2018, 39(10): 124 − 128.
-
期刊类型引用(5)
1. 金东升，曹文田，张英杰. 双目极线约束下的储罐环焊缝定位算法. 机械科学与技术. 2025(01): 1-8 . 
百度学术
2. 于强，肖澜，郑大伟，彭昭鸿，宋凯宏. 基于计算机视觉的锂电池连接片焊接检测系统. 焊接学报. 2024(10): 38-49 . 本站查看
3. 李春凯，潘宇，石玗，王文楷，赵中博. 基于视觉传感的热丝激光金属沉积熔滴—熔池多特征信息同步监测. 焊接学报. 2024(11): 115-120 . 本站查看
4. 乐健，李发园，束志恒，曾明如，张华. 基于视觉传感的焊接电流及电压检测控制方法. 焊接学报. 2024(11): 85-89 . 本站查看
5. 贾瑞燕，李海超，魏方锴，徐勇，周宇飞. 基于三维点云的磁极焊缝识别及机器人轨迹生成技术. 焊接学报. 2024(11): 50-54 . 本站查看
其他类型引用(2)
计量
- 文章访问数: 301
- HTML全文浏览量: 9
- PDF下载量: 33
- 被引次数: 7
