Dilution rate monitoring of DED based on a spectral physical feature perception network
-
摘要:
稀释率对激光能量沉积基体和熔覆层之间的冶金结合强度和成形精度至关重要.论文搭建了一套基于y-双通道光纤的DED过程稀释率实时监测系统.基于所采集等离子体光谱信号，提取基板和粉末关键代表元素谱线比表征稀释率变化.搭建光谱物理特征感知网络(Pi-LGNet)，以光谱预处理信号和所提元素谱线等光谱物理特征作为双通道输入，实现了DED过程中稀释率的分类识别.结果表明，所提关键代表元素谱线比与稀释率具有强相关关系，所提Pi-LGNet网络模型准确率可达91.8%，消融试验和对比试验验证了该网络对光谱信号识别的优越性.
Abstract:The dilution rate is crucial for the metallurgical bonding strength and forming precision between the substrate and the cladding layer in laser energy deposition. However, existing monitoring methods find it challenging to perform online quality monitoring. Therefore, a real-time dilution rate monitoring system based on a Y-dual-channel fiber in the DED process was developed. This system collects plasma spectral signals and extracts the key representative elemental line ratios of the substrate and powder to characterize the dilution rate variation. The Pi-LGNet, a spectral physical feature perception network, was established, using preprocessed spectral signals and extracted elemental line ratios as dual-channel inputs, achieving classification and identification of the dilution rate during the DED process. The results show that the extracted key representative elemental line ratios have a strong correlation with the dilution rate, and the proposed Pi-LGNet network model achieves an accuracy of 91.8%. Ablation and comparative experiments confirm the superiority of this network in spectral signal recognition.
-
0. 序言
增材制造(additive manufacturing, AM)技术与传统生产方式相比具有生产效率更高、成本更低等优点，被称为第四次工业革命的制造技术[1- 2].其中，定向能沉积( directed energy deposition，DED)能够加速生产并最大限度地减少制造过程中的材料浪费[3-7]，被广泛应用于航空航天[8]、汽车[9]和生物医学[10]等.
L-DED(laser-directed energy deposition)技术涉及到广泛时间尺度上的底层物理的复杂性，包括激光与粉末颗粒相互作用导致的复杂物理现象以及耦合效应，其影响沉积零件的成型质量，阻碍了其更广泛的应用.稀释率作为单道成形质量的一个重要指标，其量化了沉积层与基材的熔合相对量以及沉积层之间的结合程度，与制件质量有着密切关系[11].因此，研究一个可靠的、能够对现场打印过程稀释率进行在线监测的方案至关重要.
激光能量沉积过程中的在线监测方法主要包括声发射、红外热成像、光谱诊断等.其中，等离子体光谱信号对于元素成分变化十分敏感，这是因为其含有丰富的化学元素、波长、发射强度等信息，对动态打印过程和元素成分含量具有较好的敏感性.稀释率所表征的基体材料在熔覆层中所占的百分比，与元素成分关系密切.因此，利用等离子体光谱对稀释率进行监测具有独特的优势.Schmidt等人[12]发现基板和粉末的关键元素谱线比与变激光功率下的沉积道的稀释率、元素化学成分结果相关.但文中并没有分析其他工艺参数与谱线比的关系，也没有进一步基于所提光谱特征进行分类识别.
常见的光谱信号处理流程为利用主成分分析等降维算法对光谱信号进行降维，保留主要特征，再利用支持向量机、LSTM等网络对线性特征进行分类识别.张志芬等人[13]运用主成分分析方法对电弧光谱进行冗余信息去除和特征信号提取.白子键等人[14]利用主成分分析法获取不同焊缝熔深的光谱主成分特征，实现了堵管 TIG 焊接过程中熔透状态的分类识别.但以上方法会导致大量重要的元素特征丢失，使其丧失了数据量丰富的优点.
本文利用基于光纤光谱仪的激光能量沉积过程光谱信号实时监测系统，同步精准获取电弧光谱信息，提出了以基板和粉末关键代表元素谱线比作为特征表征稀释率的方法.搭建基于卷积和注意力机制的Pi-LGNet物理感知深度学习网络模型，实现对不同稀释率区间的光谱信号分类.
1. 试验与数据采集
试验中选用的基板材料为304不锈钢，其规格大小为300 mm × 300 mm × 20 mm. 试验中选用的熔覆粉末材料为Stellite6钴基高温合金粉末.粉末整体呈现球形和椭圆形，尺寸大小为50-150 μm(80/270目)，制备方法采用气雾化法.
试验采用的激光定向能量沉积设备和光谱采集系统如图1所示.DED系统采用南京光坊FFSC-4000-F型激光器.送粉器采用岗春ECPF-A202型送粉器.熔覆头采用华业激光FW700熔覆头.运动控制系统采用FANUC 6轴机械臂. 光谱采集系统由Ocean Optics三通道MX2500 + 光谱仪、Ocean Optics LIBS-BUN-3光纤、Ocean Optics准直镜组成.
单层单道沉积是激光熔覆的最小单元，是复杂成形的基础.因此，首先对不同工艺参数下的单层单道试验进行探究，研究激光功率(P)，打印速度(v)，送粉量(f)三个基础试验参数对稀释率的影响.
根据前期研究结果，选用双通道y型光纤；选取采集方向为正面和旁侧，激光功率为
2200 ，2600 ，3000 ，3400 W，扫描速度为8，12，16 mm/s，送粉速度为15.3，20.4，25.5 g/min进行正交试验.2. 稀释率分析
2.1 稀释率计算
稀释率是评价激光熔覆成形质量和成型件结合强度的一个重要指标，其描述的是基板金属融入熔覆层的比例，反映了基板金属和熔覆粉末材料在熔覆层中的混合程度.稀释率的标准计算方法为熔融区面积占总熔覆面积的比值. 在计算当中，宽度w可以视为一个恒定的参数.因此，主要由熔覆层的高度H和深度h决定，即
$$ \eta = \frac{{{A_1}}}{{{A_1} + {A_2}}} = \frac{{\text{π} wh}}{{\text{π} wh + \text{π} wH}}{\text{ = }}\frac{h}{{H + h}} $$ (1) 式中:A1为沉积层的截面面积，A2为基板熔融区面积，w为熔覆宽度，H和h分别为熔覆高度和熔融深度.
2.2 稀释率表征
在同一基板上进行熔覆试验，打印长度为10 cm，熔覆打印结果如图2所示.从图中可以看出，熔覆高度和熔融深度随激光功率、扫描速度、送粉量的变化差异明显.取熔覆层中间位置长度2 cm的横截面块，拍摄其两侧横截面照片，根据式(1)计算稀释率大小并取均值.
3. 光谱处理与特征提取
在激光能量沉积过程中，熔池中元素激发的等离子光谱被依次记录储存.参照美国国家标准局数据库(NIST)可以对激发谱线进行线谱标定.由于稀释率的大小会影响熔池中基板成分和粉末成分的比例，因此可以只比较主要存在于基板的元素和主要存在于粉末的元素谱线峰值强度，观察谱线强度与稀释率的对应关系.
在文中，采用二次包络的方法进行谱线矫正，如图3所示.算法校正提高了信号的信噪比，增强了试验结果的稳定性.去除背景谱后的预处理光谱的强度即为当前波长对应元素的激发谱线强度.
![]()
图 3 原始光谱、背景谱和预处理光谱Figure 3. Original spectrum, background spectrum and pretreatment spectrum通过计算基板与粉末代表元素的谱线强度比，探究不同稀释率下元素含量变化对光谱信号的影响.光谱发射强度是动态变化的，计算每组试验代表元素谱线强度的均值，用于观察普遍规律,即
$$ {{{R_{{\mathrm{mean}}}} = \sum\limits_{i = 1}^n {{R_i}} } \mathord{\left/ {\vphantom {{{R_{{\mathrm{mean}}}} = \sum\limits_{i = 1}^n {{R_i}} } n}} \right. } n}{{ = \sum\limits_{i = 1}^n {\frac{{{I_{i,S}}}}{{{I_{i,P}}}}} } \mathord{\left/ {\vphantom {{ = \sum\limits_{i = 1}^n {\frac{{{I_{i,S}}}}{{{I_{i,P}}}}} } n}} \right. } n} $$ (2) 式中：$ {R_{{\mathrm{mean}}}} $为谱线比均值；n为光谱数据的数量，$ {I_{i,S}} $和$ {I_{i,P}} $分别为基板主要元素Fe和粉末主要元素Co的谱线比.
4. Pi-LGNet激光熔覆质量监测网络
结合早期研究启发，提出了一个基于注意力和关键元素的物理感知网络(Pysical informed- Local & Global Net, Pi-LGNet)，实现不同稀释率区间状态的分类识别.本节将全面介绍Pi-LGNet模型.
4.1 输入特征提取
GL-Net的输入由两个通道组成，分别是光谱信号转换的灰度图像和关键元素谱线强度和谱线比.
将预处理后的光谱信号作为第一通道输入，如图4所示.将光谱信号按照下式进行计算获得归一化之后的灰度值.将
4772 个灰度值通过线性插值扩充为224 × 224个值，获得224 × 224的灰度图像.![]()
图 4 通道1和通道2特征图的生成过程Figure 4. The generation process of channel 1 and channel 2 feature maps$$ {I_{n,i}} = round\left\{ {({I_i} - {I_{\min ,i}}) \times \frac{{255}}{{{I_{\max ,i}} - {I_{\min ,i}}}}} \right\} $$ (3) 式中：$ {I}_{i} $为原始光谱数据的强度，$ {I}_{\mathrm{m}\mathrm{i}\mathrm{n},i} $和$ {I}_{\mathrm{m}\mathrm{a}\mathrm{x},i} $为各光谱信号的最大和最小强度，$ {I}_{n,i} $表示归一化数据.
将Fe，Co特征元素谱线强度及谱线强度比作为第二通道特征.其中Fe为基板关键特征元素，Co为粉末关键特征元素.根据试验数据与NIST数据库进行对比，共选择了15条光谱线，其中Fe有12条(391.847, 394.076, 402.967, 409.128, 410.982, 411.783, 422.481, 434.263, 434.982, 449.488, 459.84, 464.979)，Co有3条(399.453, 454.403, 462.385).所获谱线相互组合可以获得36个Fe/Co谱线比特征.为了使通道2的数据格式通道1数据图像保持一致，用不同的灰度表示Fe, Co, Fe/Co共51个特征.灰度值的计算如式(3)所示，图4详细描述了通道1和通道2特征图的生成过程.
4.2 Pi-LGNet网络框架
图5展示了Pi-LGNet模型的整体架构，其中第一行展示了LF block, EAM和IFB模块的详细结构，下面为Pi-LGNet的整体结构示意图.该体系结构采用局部特征模块(local feature block, LFB)和全局特征模块(global feature block, GFB)两个四级分层框架作为主要分支.两个模块每层之间通过信息融合模块(Information fusion block, IFB)进行融合.
4.2.1 局部特征模块(LFB)
局部特征提取对于光谱灰度图像处理至关重要.因此，文中利用了一个四级分层的局部特征模块(LFB)用于增强网络局部特征的提取能力.在进入初始阶段之前，首先通过步长为4 × 4的卷积层进行特征降采样. 接下来的阶段中，采用步长为2 × 2的卷积层进一步处理特征图，以细化特征提取过程.局部特征模块(local convolution block, LCB)用于强化空间局部细节的提取能力.
4.2.2 全局特征模块(GFB)
Fe, Co激发谱线并不是紧密相连，而是分布在整个全局波段上，仅用局部特征提取难以获得特殊关键元素谱线强度之间的相关关系.因此，文中利用了一个四级分层的全局特征模块(GFB)用于增强网络全局特征的提取能力.
线性嵌入模块(linear embed)将特征层的通道投影到更低维度的空间中.特征层经过4个阶段提取出形状不同的4个特征层.在第一阶段之后，每个特征层首先通过补丁合并模块(patch merging)进行下采样.在此之后，在后续阶段中使用2个Swin transform模块进行特征提取.
4.2.3 信息融合模块(IFB)
信息融合模块用于将LFB和GFB两个模块所提特征进行融合，使得网络能够综合利用多种尺度和层次的信息，提高了特征表示的丰富性和多样性.首先将来自不同分支的特征图(LFB、GFB和前一层特征图)进行拼接，再利用1 × 1卷积操作对拼接后的特征图进行通道数压缩.外部注意力模块(external attention mechanism,EAM)用于增强特征图的表示能力，捕捉更多全局光谱信息.
4.3 数据集构建
为了评估所提出的Pi-LGNet状态监测模型对不同稀释率下光谱数据识别的有效性及准确性，将所有试验按照稀释率大小分为三类(0 ~ 0.25、0.25 ~ 0.35、0.35 ~ 0.5).以此为标签，对不同稀释率的光谱信号进行分类识别.
将数据集按照6∶2∶2的比例分割为训练集、测试集和验证集.这样划分能够保证模型的泛化能力，减少过拟合风险.
4.4 网络结果与分析
试验在Windows操作系统上进行，使用英特尔酷睿i5 13600KF中央处理器及NVIDIA GeForce RTX 4080 SUPER显卡.Pi-LGNet网络框架基于Python 3.7和Pytorch平台搭建.
文中通过一系列消融试验验证不同网络模块对网络性能的影响，结果对比如表1所示.
表 1 消融试验结果(%)Table 1. Spectral data classification label网络 训练集 验证集 测试集 Pi-LFB 99.4 85.7 85.1 Pi-GFB 91.7 90.7 90.4 LGNet 95.4 90.3 89.6 No EAM 98.1 89.0 87.1 Pi-LGNet 94.3 92.3 91.8 从结果可以看出，单个网络的分辨能力相较于Pi-LGNet有一定差距，这说明局部 + 全局的特征提取方法对于光谱信号数据是有效的.其中GFB相比于LFB的效果好很多，这是因为GFB拥有自注意力模块，可以将更多的注意力集中在与分类相关的区域，且对全局特征有更好的感知能力.
在无光谱物理特征输入的情况下，网络训练集准确率高于Pi-LGNet，而测试集和验证集的准确率却更低，这说明网络发生了过拟合现象.这是因为原始光谱信号虽然包含了丰富的信息，但由于其高维度和复杂性，如果没有充分的物理特征指导，模型很易在训练过程中学到数据中的噪声，导致过拟合.
在无EAM注意力机制的情况下，网络结果出现了非常严重的过拟合现象.这是因为没有EAM的情况下，LFB和GFB的特征不能得到充分的融合，导致网络只能分别利用局部或全局特征，而无法同时利用两者的优势，进而影响网络的综合表现.
5. 结论
(1) 开发了一套基于y-双通道光纤的激光能量沉积光谱信号实时监测系统.
(2) 提出了利用基板和粉末关键代表元素谱线比表征稀释率变化的方法.
(3) 搭建的Pi-LGNet模型及对应的网络输入构建方法稀释率监测有效，测试集准确率达到91.8%.
-
![]()
图 3 原始光谱、背景谱和预处理光谱
Figure 3. Original spectrum, background spectrum and pretreatment spectrum
![]()
图 4 通道1和通道2特征图的生成过程
Figure 4. The generation process of channel 1 and channel 2 feature maps
表 1 消融试验结果(%)
Table 1 Spectral data classification label
网络 训练集 验证集 测试集 Pi-LFB 99.4 85.7 85.1 Pi-GFB 91.7 90.7 90.4 LGNet 95.4 90.3 89.6 No EAM 98.1 89.0 87.1 Pi-LGNet 94.3 92.3 91.8 
下载: 导出CSV
-
[1] Gibson I, Rosen D W, Stucker B, et al., Additive manufacturing technologies[M]. USA: Springer, 2021.
[2] Armstrong M, Mehrabi H, Naveed N. An overview of modern metal additive manufacturing technology[J]. Journal of Manufacturing Processes, 2022, 84: 1001 − 1029. doi: 10.1016/j.jmapro.2022.10.060
[3] Taminger K M, Domack C S. Challenges in metal additive manufacturing for large-scale aerospace applications[J]. Women in Aerospace Materials: Advancements and Perspectives of Emerging Technologies, 2020, 105-124.
[4] Kawalkar R, Dubey H K, Lokhande S P. A review for advancements in standardization for additive manufacturing[J]. Materials Today: Proceeding, 2021, 50: 1983 − 1990.
[5] Kladovasilakis N, Charalampous P, Kostavelis I, et al. Impact of metal additive manufacturing parameters on the powder bed fusion and direct energy deposition processes: a comprehensive review[J]. Progress in Additive Manufacturing, 2021, 6: 349 − 365. doi: 10.1007/s40964-021-00180-8
[6] Wang D, Liu L Q, Deng G W, et al. , Recent progress on additive manufacturing of multi-material structures with laser powder bed fusion[J]. Virtual and Physical Prototyping, 2022, 17: 329 − 365. doi: 10.1080/17452759.2022.2028343
[7] Kotadia H, Gibbons G, Das A, et al, A review of laser powder bed fusion additive manufacturing of aluminium alloys: Microstructure and properties[J]. Additive Manufacturing, 2021, 46, 102155.
[8] Blakey-Milner B, Gradl P, Snedden G, et al. Metal additive manufacturing in aerospace: A review[J]. Materials & Design, 2021, 209: 110008.
[9] Mehdiyev Z, Felho C. Metal additive manufacturing in automotive industry: A review of applications, advantages, and limitations[J]. Materials Science Forum, 2023, 1103: 49 − 62. doi: 10.4028/p-bg0niN
[10] Tom T, Sreenilayam S P, Brabazon D, et al. Additive manufacturing in the biomedical field-recent research developments[J]. Results in Engineering, 2022, 16: 100661.
[11] Sawant M S, Jain N K and Nikam S H. Theoretical modeling and finite element simulation of dilution in micro-plasma transferred arc additive manufacturing of metallic materials[J]. International Journal of Mechanical Sciences, 2019, 164: 105166.
[12] Schmidt M, Partes K, Rajput R, et al. Monitoring the degree of dilution during directed energy deposition of aluminum bronze and H13 tool steel using optical emission spectroscopy[J]. Journal of Laser Applications, 2023, 35: 042058.
[13] 余焕伟, 叶震, 张志芬, 等. Al-Mg合金钨极气体保护焊接电弧的光谱特征提取方法[J]. 上海交通大学学报, 2013, 47: 1655 − 1660. Yu Hanwei, Ye Zhen, Zhang Zhifen, et al. Spectral feature extraction method for tungsten gas shielded welding arc of Al-Mg alloy[J]. Journal of Shanghai Jiao Tong University, 2013, 47: 1655 − 1660.
[14] 白子键, 李治文, 张志芬, 等. 基于电弧光谱的核电堵管TIG焊接质量在线监测[J]. 焊接学报, 2019, 45(5): 8 − 19. Bai Zijain, Li Zhiwen, Zhang Zhifen, et al. On-line monitoring of TIG welding quality of nuclear power tube plug based on arc spectrum[J]. Acta Weldologica Sinica, 2019, 45(5): 8 − 19.
计量
- 文章访问数: 48
- HTML全文浏览量: 5
- PDF下载量: 14
