Melt track height prediction based on online vision and artificial neural network
-
摘要:
激光定向能量沉积熔道高度的预测是沉积过程智能控制的关键,由于工艺参数与沉积尺寸的强非线性关系,基于工艺参数的熔道高度特别是沉积起、止等不稳定区域的实时预测问题亟待解决,为此,提出了一种新的熔道高度预测的框架,该框架将同轴视觉技术的高实时性与人工神经网络的非线性建模优势相结合. 首先,设计正交试验收集单道直线沉积数据,并利用数据构建基础模型;随后,为了有效地获取过程特征数据,设计了同轴熔池在线监测系统,通过在线监测系统得到实时熔道宽度数据;最后,将测得的熔道宽度作为特征之一输入至人工神经网络中. 结果表明,该方法具有良好的在实时预测精度,平均相对误差小于7%,响应时间小于20 ms,为定向能量沉积熔道高度的在线预测提供了一个可行方案.
Abstract:Laser directed energy deposition melt track height prediction is the key to intelligent control of the deposition process. Due to the strong nonlinear relationship between process parameters and deposition dimensions, the problem of real-time molten track height prediction based on process parameters, especially in unstable regions such as deposition start and stop, remains to be solved. To this end, a new framework for molten track height prediction is proposed, which combines the high real-time performance of coaxial vision technology with the nonlinear modeling advantages of artificial neural networks. Firstly, orthogonal experiments were designed to collect single-track deposition data, which were utilized to construct a basic model. Subsequently, to effectively obtain the process characterization data, an online monitoring system for the coaxial molten pool was designed, and real-time melt track width data were obtained through the online monitoring system. Finally, the measured melt track width was input into the artificial neural network as one of the features. The experimental results show that the method has good in-real-time prediction accuracy with an average relative error of less than 7% and a response time of less than 20 ms, which provides a feasible solution for the online prediction of molten track height prediction by directed energy deposition.
-
0. 序言
激光定向能量沉积(laser directed energy deposition,LDED)是一种高柔性的金属增材制造技术,具有生产周期短、材料利用率高、复杂结构一体成形等优点,广泛应用于航空、航天、汽车等重要领域[1-3]. 与传统减材的成形方式不同,LDED技术采用由下至上,层层叠加的方式进行,具有点成线、线成面、面成体的成形特点,因此单层形貌对最终零件成形影响非常大,单层沉积过程中熔池是最基本的成形单元,准确预测熔池的形貌是实现高质量LDED的关键.
熔池的几何形貌特征主要包括熔池长度、宽度、高度、面积、深度等[4-5],其中长度、宽度、轮廓与面积特征可由基于视觉信号的同轴监测系统测得[6-9],这些特征在空间上表现为二维特征,采用同轴监测系统的优点是不需要对采集到的图像进行坐标转换,且设备集成度高便于工业应用. 这些特征的监测和闭环控制较为成熟,国内外已有企业应用案例. 熔池高度也可称为熔道高度,是影响成形质量的重要参数之一,当沉积高度发生变化时,沉积头粉斑焦点位置会随之变化,造成成形塌陷、边缘失稳等缺陷,随着缺陷的积累零件会出现无法成形甚至报废的情况. 目前,对于高度特征的检测还处于实验室阶段,常用方法为采用单、双目视觉相机、3D光学扫描仪等设备进行旁轴检测[10-11],旁轴系统集成度差,特别是五轴联动状态下对扫描路径限制非常大[12],因此,针对熔高、熔深等不易直接提取的特征,以机器学习为代表的离线预测技术成为了热点研究方向. 姚望等人[13]建立了基于RBF核函数的SVR模型,熔高、熔宽预测相对误差分别为5.33%和4.58%;Zhang等人[14]研究表明,得益于神经网络模型在经验建模上的独有优势,对比SVM和随机森林模型,使用神经网络等复杂度较高的模型可以进一步提高预测性能;范鹏飞等人[15]分析了多元线性回归(multivariable linear regression,MLR)和神经网络(artificial neural network,ANN)两种机器学习模型对单道沉积熔宽、熔高、熔深的预测结果,3个特征值的相对预测误差均小于10%;Zhu等人[16]采集了210组单道的形貌数据作为训练集和测试集,分别使用SVR、XGBoost和BPNN 3种机器学习模型来预测熔道宽度、高度和深度,试验结果表明,3种模型预测结果精度均高于90%. 机器学习模型的预测精度强烈依赖于训练集的样本数量,样本数量与试验成本成正比,为降低试验成本,一些学者采用模拟仿真的方法对熔池特征进行预测[17-19]. 文献[20-21]将仿真模型与机器学习模型相结合,提出基于物理数据驱动的机器学习方法,采用物理模型对机器学习数据集进行扩充,进而提高预测精度,最高精度可达99%,此类方法需要建立高精度的物理模型,目前还无法代替真实的沉积形貌数据,工业应用困难.
当前,熔道高度特征预测的机器学习模型均为离线预测,机器学习的输入特征参数在试验前已经固化,不具备局部预测能力,且精度较低. 为此,文中对沉积道高度特征的在线检测方法进行了深入研究,通过同轴视觉熔池检测系统引入熔池在线动态特征作为输入特征,增加了算法输入与输出相关性,弥补了传统机器学习算法只能离线预测的问题,同时提高了算法预测精度,实现了熔道高度的高精度在线预测.
1. 试验方法
采用中科煜宸技术有限公司的LMD-4030激光金属沉积系统,硬件主要包括机床本体、双桶送粉器、水冷机、激光器. 激光器最大输出功率为2 000 W,波长为1 080 nm的激光通过焦距为100 mm的准直透镜,入射至焦距为250 mm的聚焦透镜,聚焦镜将光束聚焦在基板表面,与粉末发生冶金反应形成熔池. 基板位于加工头下方17 mm处,基板表面光斑直径约为1.2 mm,粉斑直径略小于光斑. 沉积道成形示意图,如图1所示,随着沉积头的移动,熔池迅速凝固并形成熔道.
基板和沉积材料均选用316L合金,化学成分见表1. 基板尺寸为200 mm × 200 mm × 15 mm,试验前对基板表面进行铣削去除毛刺. 首先进行工艺匹配试验,以确定合适的工艺范围,主要工艺参数有激光功率、扫描速度、送粉量,选择这3个变量作为模型的输入. 最终确定工艺参数为激光功率300 ~ 700 W,扫描速度为480 ~ 720 mm/min,送粉量为0.24 ~ 0.45 g/s,在此工艺参数范围内,沉积道质量良好,随后设计三因素五水平正交试验见表2.
表 1 316L合金化学成分Table 1. Composition of 316L alloyC Si Mn S P Cr Ni Mo 0.030 1.00 2.00 0.030 0.045 16.00 12.00 2.00 表 2 沉积截面特征测量值Table 2. Measured values of deposited cross-section characteristics编号 工艺参数 测量特征值 激光功率 P/W 扫描速度 v/(mm·min−1) 送粉量 M/(g·s−1) 熔道宽度 N/mm 熔道高度 H/mm 1 300 480 0.25 1.07 0.19 2 300 540 0.35 1.05 0.29 3 300 600 0.45 0.96 0.32 4 300 660 0.30 0.90 0.27 5 300 720 0.40 0.91 0.29 6 400 480 0.45 1.16 0.36 7 400 540 0.30 1.24 0.35 8 400 600 0.40 1.06 0.34 9 400 660 0.25 0.97 0.23 10 400 720 0.35 1.00 0.26 11 500 480 0.40 1.41 0.40 12 500 540 0.25 1.23 0.28 13 500 600 0.35 1.25 0.36 14 500 660 0.45 1.28 0.37 15 500 720 0.30 1.34 0.26 16 600 480 0.35 1.75 0.38 17 600 540 0.45 1.53 0.46 18 600 600 0.30 1.42 0.38 19 600 660 0.40 1.62 0.35 20 600 720 0.25 1.51 0.29 21 700 480 0.30 1.77 0.46 22 700 540 0.40 1.54 0.52 23 700 600 0.25 1.73 0.37 24 700 660 0.35 1.72 0.37 25 700 720 0.45 1.56 0.42 试验结果如图2所示,其中300 ~ 700 W共25组数据作为训练集,另外5组数据为验证集. 在熔宽与熔高的计算方面,受机床加减速影响沉积道在激光起、停位置会成形失稳,因此在取样时以沉积道10、25、40 mm处进行截面数据为基准. 对切割后的截面进行显微测量取均值,结果保留两位小数.
2. 在线视觉神经网络构建
2.1 方法概述
在线视觉神经网络(online visual neural network,OVNN)框架,如图3所示,数据源由工艺参数与过程参数两部分组成. 工艺参数包括激光功率、扫描速度、送粉量,过程参数为熔道宽度,通过自研的同轴熔池尺寸检测系统获得. 两类数据源构成OVNN网络的输入特征,中间部分为隐藏层,输出特征为熔道高度. 首先进行工艺试验,将试验获得基础数据用于训练网络,并将训练好的网络保存,在线预测状态下,熔道宽度对应神经元根据同轴检测系统提供的数据实时调整. 经测试,OVNN网络自身迭代时间约为7.2 ms,采用C + + 语言中的定时器调用,为确保网络稳定,调用间隔设置为10 ms,略大于网络迭代时间. 由于每帧熔池图像处理耗时略有差别,最终测得系统平均循环时间为15 ~ 20 ms,当熔道宽度数据未更新时,OVNN网络按前一次数据进行迭代.
熔道形貌特征主要包括熔道高度、宽度与深度,目前熔道深度的测量主要通过金相观察的方法,该方法不能保证实时性且成本高[22],因此文中并未进行熔道深度的测量,获得试验数据后,采用Pearson法对3组工艺参数与熔道形貌特征参数之间的相关性进行分析
$$ {P_{a,b}} = \frac{{{cov} (a,b)}}{{{\sigma _a}{\sigma _b}}} $$ (1) 式中:cov(a,b)代表特征a,b的协方差;$\sigma _a $,$\sigma _b $分别代表a,b的标准差. 在机器学习中,Pa,b可用来计算特征之间的相似度,从而判断特征相关性. 由表3可以看出,工艺参数与熔池检测特征之间均存在相关性,当激光功率和送粉量的增加时,熔道高度与熔道宽度也显著增大,其中送粉量对熔道高度影响最大,激光功率对熔道宽度影响最大,相关性系数分别为0.641和0.935,均表现为正相关.扫描速度与熔道检测特征之间为负相关,这是因为扫描速度的增加会使单位粉末获得的相对能量减少,相关性为−0.328,这些分析结果与文献[23]中的规律一致. 除工艺参数外,还有一个数据值得关注的是熔道宽度与熔道高度之间的相关性数值为0.505,数值甚至超过了扫描速度对熔道高度的影响. 在深度学习中,选择与预测目标高度相关的特征,去除冗余或无关的特征,可有助于减少过拟合的风险,并提高模型的精度. 因此,将熔道宽度作为深度学习的输入特征,理论上可以增加模型输入特征与输出特征的相关性,提高模型的预测精度.
表 3 工艺参数与特征参数相关性三角线表Table 3. Triangulation table of correlation between process parameters and characteristic parameters特征 熔道高度
H/mm激光功率
P/W扫描速度
v/(mm·min−1)送粉量
M/(g·s−1)熔道宽度
N/mm熔道高度 1 激光功率 0.637 1 扫描速度 −0.328 0.000 1 送粉量 0.641 0.000 0.000 1 熔道宽度 −0.505 0.935 −0.186 0.008 1 2.2 熔道宽度数据获取与处理
针对沉积过程中熔道宽度实时获取的问题,基于CMOS设计了熔道同轴在线检测系统. 系统软件部分基于C + + 语言开发,采用Modbus TCP通信协议,硬件主要包括CMOS相机(CAM013-10GM)、衰减片(5%)、滤光片(540 ± 10 nm). 系统结构,如图4所示,光路由分光镜分为正向光路和反向光路,正向光路允许激光器发射的激光通过,反向光路可通过熔池反射的可见光,为了避免反射光强超出相机动态采集范围同时提高成像清晰度,在相机前端增加了衰减片与滤光片,通过多组试验确定衰减片与滤光片参数.
熔池图像经过CMOS相机输入至上位机,默认为灰度图像(Mono8),要得到熔道宽度值需要经过一系列的数学形态学处理见图4(a). 文中以熔池轮廓最大内切圆直径作为熔道宽度[24],首先对原始熔池图像进行中值滤波、二值化,滤波可减少信号传输过程中噪点的干扰,提高提取精度,二值化用于提取熔池区域,采用手动阈值的方式进行分割. 阈值由沉积试验与不同二值化图像进行对比来确定,最终阈值设定为89,然后采用Cannny算法进行熔池轮廓提取,最后采用最大内切圆算法找出轮廓内最大内切圆并计算出圆直径,得到熔道宽度. 经计算检测平均误差为2.26%,上位机采用Windows10系统、Intel-i5处理器搭配NVIDIA - RTX 3050显卡,运行内存16 GB. 对熔池图像处理过程中发现实际熔池在整个图像中占比较小,为提高图像计算效率,采用ROI法对相机采集到的原始图像进行剪裁,原图像分辨率为
1024 × 768,剪裁后图像分辨率为200 × 192,算法接收到的图像为剪裁后的图像,最高67帧.2.3 考虑动态特征的OVNN初始模型设计
OVNN模型初始网络为ANN网络,ANN模型源自人脑的生物结构,是一种非线性统计预测方法. LDED过程的输入参数与输出参数之间具有非线性耦合关系,而ANN在解决此类问题时具有强大的非线性逼近能力. ANN由3层组成输入层、中间层和输出层. 如图5所示,输入层是第1层,可用输入向量表示为X = (x1,x2,···,xn)T,具有向中间层传输数据的功能,中间层通常称为隐藏层,用输出向量表示为H = (h1,h2,···,hn)T,ANN模型可由多个隐藏层组成,中间层将数据传输到第3层输出神经元,第三层为输出层,输出向量表示为Y = (y1,y2,···,ym)T. 每一层的计算都是通过反向传播来学习,反向传播用于理解输入层和输出层之间的复杂关系,信号迭代过程为
$$ \begin{cases}h_f=f\left(\displaystyle\sum_{i=1}^n \omega_{i j} \cdot x_i+\theta_j\right), & j=1,2, \cdots, s \\ y_f=f\left(\displaystyle\sum_{j=1}^s \omega_{j k} \cdot h_i+\theta_k\right), & k=1,2, \cdots, m\end{cases}$$ (2) 式中:ωij,θj分别为输入层到隐藏层的权值和阈值;ωjk,θk分别为隐藏层到输出层的权值和阈值;f为激活函数,最终输出神经元的误差可表示为
$$\sigma_k=y_k-o_k $$ (3) 式中:$ y_k, o_k$为对应输出期望值.
通过误差的反向迭代计算,ANN网络的各项权值和阈值会不断调整,直至达到预设目标,迭代过程,如图6所示.
为了提高模型的性能,首先对数据进行归一化
$$ {S_n} = \frac{{S - {S_{\min }}}}{{{S_{\max }} - {S_{\min }}}} $$ (4) 式中:S为输入数据;Sn为输出数据;Smax和Smin代表样本的极值,调参后确定OVNN网络结构为4层,输入层包括激光功率、扫描速度、送粉量、熔道宽度. 中部为双层隐藏层,由于数据量较小,神经元通过试错法确定,直到获得最优性能,最终测试结果为双层八节点神经元网络结构,输出层为熔道高度. 算法使用Python 3.7实现,采用Keras内部随机初始化方法对OVNN模型的权值和偏差进行初始化,为了避免逻辑函数Sigmoid和双曲正切函数Tanh的梯度消失问题,激活函数选择线性单元ReLU函数,确定结构后,对初始网络进行迭代,迭代次数设置为700次,目标误差设定为0.01,学习效率为0.005,如图7所示.
3. 不同模型对比分析
3.1 对比模型建立
3.1.1 ANN模型
ANN模型原理在上节中已经进行介绍,此处不做过多叙述,调参后,ANN模型隐藏层设置为单层六节点,其他迭代参数与OVNN网络相同,ANN网络预测结果,如图8所示.
3.1.2 SVR模型
对于输入的工艺参数x和输出的熔道高度y,SVR模型为
$$ f(x) = w \cdot \phi (x) + b $$ (5) 式中:$ \phi (x) $为将输入样本空间非线性映射至特征空间;w为权重系数;b为偏置项,最小化w和b可以得到损失函数,即
$$ \begin{gathered} R(x) = \frac{1}{2}{\left\| w \right\|^2} + C\sum\limits_{i = 1}^l {\left| {{y_i} - w\phi ({x_i}) - b} \right|} \\ i = 1,2,\cdots ,l \\ {\text{s}}.{\text{t}}.{y_i} - w\phi ({x_i}) - b \leqslant \varepsilon + {\xi _i} \\ w\phi ({x_i}) - b - {y_i} \leqslant \varepsilon + \xi _i^ * ,{\xi _i} \geqslant 0,\xi _i^ * \geqslant 0 \\ \end{gathered} $$ (6) 式中:l为训练样本数;C为正则化系数;$ \varepsilon $为不敏感系数;$ {\xi _i} $和$ \xi _i^ * $为松弛变量;$ \dfrac{1}{2}{\left\| w \right\|^2} $为模型置信风险,用于控制模型复杂程度,求解后的SVR模型为
$$ f(x) = w \cdot \phi (x) + b = \sum\limits_{SV} {(a_i^ * - {a_i})} K({x_i},x) + b $$ (7) 式中:$ a_i^ * $和$ a_i^{} $为拉格朗日乘子;$ K({x_i},x) $为核函数,$ {x_i} $代表输入维度,选择RBF核函数为
$$ K({x_i},x) = \exp ( - \gamma {\left\| {{x_i} - x} \right\|^2}) $$ (8) 式中:γ为核半径;调参后确定参数为C = 141,γ =
0.00314 ,ε = 0.1,SVR网络预测结果,如图9所示.3.1.3 MLR模型
多元线性回归模型中响应变量f(x)与n个预测变量x1,x2,x3,···,xn之间的关系可表示为
$$ f(x) = {a_0} + {a_1} \cdot {x_1} + {a_2} \cdot {x_2} +\cdots {a_n} \cdot {x_n} + b $$ (9) 式中:a0,a1,a2,···,an为常数;b为误差项;输出变量f(x)为熔道高度;输入变量x1,x2,x3,···,xn代表工艺参数;
利用表2试验数据,通过SPSS软件建立工艺参数与单道沉积层熔道高度关系为
$$ \begin{gathered} f(x) = 0.452 3 - 0.000 4 \cdot P - 0.000 3 \cdot V + 0.736 8 \cdot M \\ \end{gathered} $$ (10) MLR网络预测结果,如图10所示.
由图7 ~ 图10的训练结果可以看出,ANN模型、SVR模型与MLR模型预测熔道高度平均相对误差值全部小于10%,其中ANN模型效果最优为6.83%,对比SVR和多元回归模型平均相对误差分别提高了1.87%和0.36%. 激光沉积构成属于冶金反应,工艺参数与熔道形貌特征之间具有复杂的非线性关系,ANN模型强大的非线性建模能力在预测熔道高度时更具有优势. 进一步地,OVNN模型在ANN模型基础上引入宽度特征作为输入特征后,熔道高度预测相对误差减少到了4.03%,证明了文中算法的有效性.
3.2 试验与讨论
为验证算法的实际预测效果,在试验工艺范围内随机选取激光功率,扫描速度,送粉量3个参数进行沉积试验,最终选定的工艺参数见表4.
表 4 试验组工艺参数Table 4. Test group process parameters编号 激光功率
P/W扫描速度
v/(mm·min−1)送粉量
M/(g·s−1)1 300 660 0.35 2 500 600 0.4 3 500 720 0.4 4 600 540 0.35 5 700 480 0.35 试验组沉积结果与特征提取方案,如图11所示,沉积形貌见图11(a),图中编号与表3中工艺参数编号对应,图11(b)为5号样件沉积道起、止形貌部分侧视放大图,可以看出,沉积开始后,熔道形貌并不是始终稳定,而是由小到大经历约5 ~ 8 mm的过度后逐渐平稳. 试验扫描方式设定为送粉器在激光开(关)光前(后)5 s启动(停止),激光与沉积头同步启动,启动瞬间基板温度为室温无热积累,机床处于加速阶段. 此时,沉积轨道初始位置粉末单位时间内获得的能量较低,粉末熔化不完全. 在沉积末端位置,打印结束激光关光,机床会减速至停止,但送粉器并未停止,减速过程中粉末相对能量变高,令沉积高度略有增加.
熔道的波动会导致验证数据的采样位置对算法预测精度影响变大,因此文中采用局部数据和全局数据两种熔高验证方式来评估算法的应用性能见图11(c).方案1的熔高计算与图2类似,将沉积道截面(A1、A2、A3)宽度数据均值与工艺数据作为输入参数,经过离线OVNN模型计算得到熔道高度预测数据,以(A1、A2、A3)截面高度数据均值作为验证数据. 方案2将OVNN算法嵌入至在线检测系统中,将CMOS得到的熔道宽度数据与工艺数据作为输入参数,经过在OVNN模型得到沉积轨道高度预测数据,验证数据则通过测距仪对整个轨道表面进行扫描得到. 将训练好的ANN、SVR、MLR模型作为OVNN模型的对照组,输入参数为工艺参数. 方案1预测结果,如图12所示,可以看出ANN、SVR、多元回归模型的平均相对误差分别为7.17%、8.75%、7.39%,OVNN模型在所有测试集中均保持了最小的相对误差,平均相对误差为5.18%.
方案2采用Sick光电传感器进行熔道高度提取,传感器检测范围26 ~ 34 mm,检测频率为1.33 kHz,检测精度2 um,结果保留两位小数. 测试时高度传感器置于沉积表面上方,扫描速度1 mm/s,在线预测结果,如图13所示.
图13(a)为沉积道熔高预测相对误差,ANN、SVR、MLR模型的平均相对误差分别为14.61%、12.93%、19.20%. 可以看出相对于三点验证方式,采用全局数据对比后,对比模型的预测精度都发生了不同程度的降低,相对误差介于10% ~ 20%. 以第5组数据作为代表进行分析见图13(b),对比算法在全局检测过程中输入数据不变,结果恒定. 其预测结果的精度很大程度取决于验证数据点的采集位置,当沉积高度发生变化时,传统算法并不具有实时性,导致误差变大. OVNN算法预测误差为6.76%,对比局部预测误差增加了约1.5个百分点,主要由两点因素引起,一是在线同轴CMOS系统采集的熔道宽度与真实宽度存在误差;二是高度传感器测得的熔道高度与实际沉积高度存在误差. 如图13(b)所示,误差最大点位于沉积起点2 ~ 3 mm处,沉积刚开始时,基板散热良好,粉末熔化不完全,导致凸起部分表面出现了粉末黏附,沉积高度增加.图11(b)中的熔池图像是逐渐增大直至达到稳定状态的,也说明此处熔池并未发生突变,而是粉末堆积导致的扫描值偏大.
另外,文中算法在内的4种模型均表现出一个共性特征,即试验数据集的预测精度低于训练数据集预测精度,这是典型的过拟合特征,说明训练数据较少,这可作为之后的优化方向之一. 最后,多层多道沉积涉及到层高、搭接率等工艺参数,会影响沉积道高度数据的采集,文中仅进行了单层单道预测试验,证明了算法的可行性. 未来工作会重点将围绕构建单层单道沉积高度与多道多层沉积高度之间的数学模型展开,以实现多层多道的在线预测.
4. 结论
(1) 在ANN模型基础上,通过相关性分析法引入熔道宽度特征作为输入特征提高了模型输入与输出的相关性,可有效提高模型预测精度.
(2) OVNN模型在训练、局部试验、全局试验阶段的沉积高度预测相对误差分别为4.03%、5.18%、6.76%,对比ANN、SVR、MLR 3种机器学习模型具有更高的预测精度. 特别是在全局试验部分,OVNN模型表现出良好的实时性,响应时间小于20 ms,可满足工业使用需求.
(3) 尽管所提出的方法已经在单道沉积下得到了验证,但在未来的研究中应结合搭接率、层间抬升量等工艺参数对面、体等沉积形貌进行更全面的分析.
(4) 在预测精度提高方面可重点考虑两点,一是提高模型泛化能力,减少模型过拟合;二是提高同轴CMOS系统的特征提取精度.
-
表 1 316L合金化学成分
Table 1 Composition of 316L alloy
C Si Mn S P Cr Ni Mo 0.030 1.00 2.00 0.030 0.045 16.00 12.00 2.00 表 2 沉积截面特征测量值
Table 2 Measured values of deposited cross-section characteristics
编号 工艺参数 测量特征值 激光功率 P/W 扫描速度 v/(mm·min−1) 送粉量 M/(g·s−1) 熔道宽度 N/mm 熔道高度 H/mm 1 300 480 0.25 1.07 0.19 2 300 540 0.35 1.05 0.29 3 300 600 0.45 0.96 0.32 4 300 660 0.30 0.90 0.27 5 300 720 0.40 0.91 0.29 6 400 480 0.45 1.16 0.36 7 400 540 0.30 1.24 0.35 8 400 600 0.40 1.06 0.34 9 400 660 0.25 0.97 0.23 10 400 720 0.35 1.00 0.26 11 500 480 0.40 1.41 0.40 12 500 540 0.25 1.23 0.28 13 500 600 0.35 1.25 0.36 14 500 660 0.45 1.28 0.37 15 500 720 0.30 1.34 0.26 16 600 480 0.35 1.75 0.38 17 600 540 0.45 1.53 0.46 18 600 600 0.30 1.42 0.38 19 600 660 0.40 1.62 0.35 20 600 720 0.25 1.51 0.29 21 700 480 0.30 1.77 0.46 22 700 540 0.40 1.54 0.52 23 700 600 0.25 1.73 0.37 24 700 660 0.35 1.72 0.37 25 700 720 0.45 1.56 0.42 表 3 工艺参数与特征参数相关性三角线表
Table 3 Triangulation table of correlation between process parameters and characteristic parameters
特征 熔道高度
H/mm激光功率
P/W扫描速度
v/(mm·min−1)送粉量
M/(g·s−1)熔道宽度
N/mm熔道高度 1 激光功率 0.637 1 扫描速度 −0.328 0.000 1 送粉量 0.641 0.000 0.000 1 熔道宽度 −0.505 0.935 −0.186 0.008 1 表 4 试验组工艺参数
Table 4 Test group process parameters
编号 激光功率
P/W扫描速度
v/(mm·min−1)送粉量
M/(g·s−1)1 300 660 0.35 2 500 600 0.4 3 500 720 0.4 4 600 540 0.35 5 700 480 0.35 -
[1] Qin L Y, Wang K, Li X D, et al. Review of the formation mechanisms and control methods of geometrical defects in laser deposition manufacturing[J]. Chinese Journal of Mechanic al Engineering: Additive Manufacturing Frontiers[J], 2022, 1(4): 100052. doi: 10.1016/j.cjmeam.2022.100052
[2] Cai Y H, Xiong J, Chen H, et al. A review of in-situ monitoring and process control system in metal-based laser additive manufacturing[J]. Journal of Manufacturing Systems, 2023, 70: 309 − 326. doi: 10.1016/j.jmsy.2023.07.018
[3] Hu X F, Pan J J, An Z, et al. Research on the process and molten pool flow mechanism of laser cladding Inconel 625[J]. China Welding, 2024, 33(4): 32 − 41.
[4] Moradi A , Tajalli S , Mosallanejad M H, et al. Intelligent laser-based metal additive manufacturing: A review on machine learning for process optimization and property prediction[J]. Int J Adv Manuf Technol, 2025, 136: 527 − 560.
[5] Tang Z J, Liu W W, Wang Y W, et al. A review on in situ monitoring technology for directed energy deposition of metals[J]. The International Journal of Advanced Manufacturing Technology, 2020, 108(11): 3437 − 3463.
[6] Su Y Y, Wang Z F, Xu X, et al. Effect of closed-loop controlled melt pool width on microstructure and tensile property for Fe-Ni-Cr alloy in directed energy deposition[J]. Journal of Manufacturing Processes, 2022, 82: 708 − 721. doi: 10.1016/j.jmapro.2022.08.049
[7] 苗立国, 邢飞, 史建军, 等. 基于边缘梯度搜索的激光定向能量沉积熔池尺寸提取方法[J]. 材料导报, 2024, 38(2): 22070278. doi: 10.11896/cldb.22070278 Miao Liguo, Xing Fei, Shi Jianjun, et al. Melt pool size extraction method in laser directed energy deposition based on edge gradient search[J]. Materials Reports, 2024, 38(2): 22070278. doi: 10.11896/cldb.22070278
[8] 徐慧军, 董彬, 刘维玉, 等. 多源传感信息融合在窄间隙激光焊接过程监控中的应用[J]. 焊接, 2024(11): 1 − 10. Xu Huijun, Dong Bin, Liu Weiyu, et al. Application of multi-sensor information fusion in monitoring narrow-gap laser welding process[J]. Welding & Joining, 2024(11): 1 − 10.
[9] Le T N, Lee M H, Lin Z H, et al. Vision-based in-situ monitoring system for melt-pool detection in laser powder bed fusion process[J]. Journal of Manufacturing Processes, 2021, 68: 1735 − 1745. doi: 10.1016/j.jmapro.2021.07.007
[10] Heralic A, Christiansson A K, Ottosson M, et al. Increased stability in laser metal wire deposition through feedback from optical measurements[J]. Optics and Lasers in Engineering, 2010, 48(4): 478 − 485. doi: 10.1016/j.optlaseng.2009.08.012
[11] Liu R, Wang Z, Sparks T, et al. Stereo vision-based repair of metallic components[J]. Rapid Prototyping Journal, 2017, 23(1): 65 − 73. doi: 10.1108/RPJ-09-2015-0118
[12] 张志芬, 陈善本, 张裕明, 等. 焊接智能化监测技术研究现状与展望[J]. 焊接学报, 2024, 45(11): 10 − 20. Zhang Zhifen, Chen Shanben, Zhang Yuming, et al. Research progress and prospect of welding intelligent monitoring technology[J]. Transactions of The China Welding Institution, 2024, 45(11): 10 − 20.
[13] 姚望, 黄延禄, 杨永强. 基于支持向量回归的定向能量沉积熔道尺寸预测[J]. 中国激光, 2020, 47(8): 99 − 105. Yao Wang, Huang Yanlu, Yang Yongqiang. Size prediction directed energy deposited cladding tracks based on support vector regression[J]. Chinese Journal of Lasers, 2020, 47(8): 99 − 105.
[14] Moradi A , Tajalli S , Mosallanejad M H, et al. Intelligent laser-based metal additive manufacturing: A review on machine learning for process optimization and property prediction[J]. Int J Adv Manuf Technol, 2019, 107: 11 − 21.
[15] 范鹏飞, 张冠. 基于线性回归和神经网络的金属陶瓷激光熔覆层形貌预测[J]. 表面技术, 2019, 48(12): 353 − 368. Fan Pengfei, Zhang Guan. Prediction on geometrical characteristics of cermet laser cladding based on linear regression and neural network[J]. Surface Technology, 2019, 48(12): 353 − 368.
[16] Zhu Xiaobo, Jiang Fengchun, Guo Chunhua, et al. Prediction of melt pool shape in additive manufacturing based on machine learning methods[J]. Optics & Laser Technology, 2023, 159: 108964.
[17] Knapp G L, Mukherjee T, Zuback J S, et al. Building blocks for a digital twin of additive manufacturing[J]. Acta Materialia, 2017, 135: 390 − 399. doi: 10.1016/j.actamat.2017.06.039
[18] Gao Jiali, Wu Chenzu, Hao Yunbo, et al. Numerical simulation and experimental investigation on three-dimensional modelling of single-track geometry and temperature evolution by laser cladding[J]. Optics & Laser Technology, 2020, 129: 106287.
[19] Huang Y, Khamesee M B, Toyserkani E. A new physics-based model for laser directed energy deposition (powder-fed additive manufacturing): From single-track to multi-track and multi-layer[J]. Optics & Laser Technology, 2019, 109: 584 − 599.
[20] Wang Y H, Hu K X, Li W D, et al. Prediction of melt pool width and layer height for laser directed energy deposition enabled by physics-driven temporal convolutional network[J]. Journal of Manufacturing Systems, 2023, 69: 1 − 17. doi: 10.1016/j.jmsy.2023.06.002
[21] Zhao M Z, Wei H L, Mao Y M, et al. Predictions of additive manufacturing process parameters and molten pool dimensions with a physics-Informed deep learning model[J]. Engineering, 2023, 23: 181 − 195. doi: 10.1016/j.eng.2022.09.015
[22] 杨鑫, 韩红彪, 闫晨宵, 等. 送丝角度与方式对激光熔丝单道沉积层成形的影响[J]. 焊接学报, 2024, 45(4): 43 − 48. Yang Xin, Han Hongbiao, Yan Chenxiao, et al. Effect of wire feeding angle and wire feeding mode on the formation of single-track laser wire deposition layer[J]. Transactions of The China Welding Institution, 2024, 45(4): 43-48.
[23] 朱刚贤, 张安峰, 李涤尘. 激光熔覆工艺参数对熔覆层表面平整度的影响[J]. 中国激光, 2010, 37(1): 296 − 301. doi: 10.3788/CJL20103701.0296 Zhu Gangxian, Zhang Anfeng, Li Dichen. Effect of process parameters on surface smoothness in laser cladding[J]. Chinese Journal of Lasers, 2010, 37(1): 296 − 301. doi: 10.3788/CJL20103701.0296
[24] Akbari M, Kovacevic R. Closed loop control of melt pool width in robotized laser powder–directed energy deposition process[J]. The International Journal of Advanced Manufacturing Technology, 2019, 104(7): 2887 − 2898.