基于熔池监测的激光金属沉积层截面轮廓尺寸神经网络预测

作     者：董方煜 

作者单位：军事科学院 

学位级别：硕士

导师姓名：梁秀兵

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0803[工学-光学工程] 0811[工学-控制科学与工程] 

主      题：激光金属沉积 熔池特征提取 神经网络 沉积层尺寸预测 工艺高通量优化 

摘      要：激光金属沉积是利用粉末堆叠实现增材成形的先进加工技术,能够快速、精准地制造三维零件或合金涂层,其制造成本较低、生产效率高,因而在诸多工业领域具有广泛的应用。影响激光金属沉积成形质量的因素众多,其中工艺参数起着决定性作用,根据不同材料的成形特性,沉积初期需要进行大量的工艺探索,此过程周期长、可重复性差,造成了沉积资源的浪费。同时,激光金属沉积过程中容易出现边缘塌陷等形貌缺陷,严重影响成形件的质量甚至导致难以快速精准成形。因此,如何快速确定加工工艺并保证成形质量是亟需解决的问题。本文围绕激光金属沉积技术,主要从熔池几何特征监测、沉积层尺寸预测与基于沉积层尺寸预测的工艺参数优化三个方面对成形过程监测及成形件形貌进行研究,以加速沉积工艺选择,为沉积质量调控提供新思路。主要研究内容包括:(1)激光金属沉积过程熔池的几何特征提取与时域变化研究。设计包含激光功率、扫描速度、送粉量在内的工艺参数单因素实验并进行单层单道激光金属沉积,在沉积过程中使用CMOS工业相机同轴监测并采集熔池图像。沉积完成后对沉积层进行磨抛等操作,在金相显微镜下观察沉积层的宽度。利用机器学习中经典的聚类分割(K-means)与Otsu双阈值分割相结合的方法分割熔池、羽流及图像背景,基于OpenCV库提取熔池宽度和面积等几何特征。通过对比不同算法的分割效果验证了本文设计分割算法的优势,依靠对比沉积层的实际宽度说明该算法的准确性。对不同工艺组合下的熔池图像特征进行时域监测与分析,得到沉积规律:不同线能量密度下的熔池面积、熔池形状因子及羽流面积的变化趋势保持一致;随着线能量密度的增加沉积达到稳态的时间会延长,当能量密度为182 J/mm时熔池波动的频率和幅度都明显增大。(2)基于深度学习的激光金属沉积层尺寸预测研究。通过改变激光功率、扫描速度、送粉量以及离焦量设计包含144组工艺梯度的高通量实验,实验过程中使用CMOS工业相机采集熔池图像,使用红外高温计采集熔池温度,实验结束后使用线激光轮廓扫描仪扫描沉积层轮廓从而测量沉积层尺寸(沉积层宽度、沉积层高度、沉积层横截面积)。基于数据驱动的处理方式将工艺参数、熔池图像、熔池温度、沉积层尺寸统一到同一时间轴,建立激光金属沉积数据集。基于深度学习算法搭建了多模态神经网络架构以实现沉积层尺寸的预测,其中,卷积神经网络部分通过调用不同尺度和模块化的卷积网络模型(AlexNet、Resnet18、VGG16)作为backbone以提取熔池图像特征;全连接神经网络完成多模态数据的融合及沉积尺寸的预测输出。结果表明以不同卷积模型为基础的多模态神经网络训练集均方误差(Mean Square Error,MSE)依次为:0.0132、0.0104、0.0121;平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)依次为26.09%、11.9%、15.07%,基本符合预测精度要求,可以充分验证本文提出模型的有效性和准确性。(3)基于沉积层尺寸预测结果的工艺高通量优化研究。利用沉积层尺寸预测模型计算粉末沉积效率、沉积层宽高比和沉积能量面密度,讨论其作为工艺优化目标的意义,并使用2σ法、经验选择法、四分位值法依次确定各优化目标的取值范围与优化方向。其中,优化目标取值标准如下:(ⅰ)粉末沉积效率大于其均值与两倍的标准差之和;(ⅱ)宽高比在3～6之间;(ⅲ)能量面密度在其上四分位与下四分位数之间。设计工艺优化流程,使用优化的工艺参数进行激光金属沉积,多点位观测沉积试样的横截面形貌。实验结果表明沉积层表面均匀,无明显裂缝,孔隙率较低,验证说明本文工艺高通量优化方法的有效可靠。通过观测沉积孔隙率提出了进一步的优化结果。