来源：长三角G60激光联盟
本文为大家展示激光增材再制造过程中所面临的问题，并从不同角度对其进行了阐述，还讨论了深度学习、数字孪生等工具的应用。为第二部分。
红外热成像实时监测反馈原理图
试样冷却速率a）和 熔池温度b），用于研究冷却速率对微观结构演化的影响：B1（v = 25mm/min），B2（v = 50mm/min），B3（v = 100mm/min），B4（v = 200mm/min）
4.3.2温度监控
激光再制造时的温度监控是用来控制变形、残余应力、熔覆道形状、显微组织和晶粒演变的一个非常重要的工具。激光制造时的热监控可以帮助探测诸如未熔合、气孔或由于不均匀的传热所造成的表面不规则。收集到的温度数据可以用来决定冷却速率、温度梯度，这些数据间接反映了沉积层的显微组织的特征。热电偶、热成像相机和高温计均可以用来作为激光再制造时的温度监控工具，而高温计、热成像相机为非接触式的温度测量工具。
热电偶分布于熔池附近，所以并不是比较适合用于过程监控；而且，较高的温度接触对接触型传感器来说还会影响到传感器的测量。采用高温计对熔池的温度信号进行测量的优点为不会由于高温计暴漏于较高的温度之下而引起的波动的影响。使用高温计进行温度监测主要取决于材料的热发射性质，而这一性质很难估计。然而，双色高温计可以用来测量材料的发射随温度的变化。进一步的，高温计在近红外区间工作时并不适合ND:YAG 作为热源的激光沉积。Bill等人认为在沉积时材料的氧化反应消除，这是因为它会扰乱红外区间的温度的测量。
再制造需要对尺寸进行精确的控制，未加控制的沉积会导致由于高温热输入而导致基材的变形。Heigel等人和Khan等人均使用K型热电偶来监控温度的变化来控制变形。而且，Heigel等人还引入了一个新的测量标准“熔覆热”（Ph/V,其中P、h、v分别为激光功率、扫描间距和扫描速度），这些参数均直接影响到材料的变形预测。
冷却速率是一个影响到材料显微组织的一个非常重要的参数。Nair等人使用两个高温计来监测DED时的冷却速率。其中一个高温计收集一定间隔时间之后的温度，从而通过两次间隔的温度差来计算冷却速率来，如图22所示。冷却速率可以显著的改变粉末颗粒的再分解或在金属基复合材料沉积时析出相的润湿性。Muvvala等人的研究则表明热循环的在线监控同显微组织是密切相关的，研究的对象为IN718。他们同时还研究了原位沉积In718/TiC时显微组织控制的可行性。
图22 冷却速率的测量示意图
Salehi和Brandt使用双色高温计来监控熔池的温度，此外还使用基于PID控制的LabView来控制在离轴LMD时的温度。他们认为单独的温度控制并不能获得理想的沉积层，同时还需要通过其他参数来控制熔池的尺寸。Farshidianfar等人使用红外为基础的热成像系统来监控熔池的温度和冷却速率。他们通过PID来调节激光扫描纛来实时控制冷却速率。
图22-1 Effect of scanning speed on (a) surface temperature, (b) cooling rate, and microstructure (c) 300 mm/min (d) 600 mm/min, (e) 900 mm/min and (f) 1200 mm/min; laser power = 1200 W, laser spot diameter = 3 mm.
图22-2 Variation in cooling rate and molten pool size with layer number (400 W laser power, 2.2 mm spot diameter, 20 g/min powder flow rate and 600 mm/min scanning speed).
Wu等人建议，在LMD时，通过红外单色高温计来实时追踪控制沉积层的裂纹生成、裂纹尺寸和位置。为了展示该技术的有效性，他们在沉积奥氏体不锈钢时引入了裂纹，然后用红外单色高温计进行扫描。裂纹的探测基于图23（a）所示的红外单色高温计所获得的最大温度值的不稳定性来实现的。他们的研究发现，较深的尾部意味着较大的温度变化。裂纹宽度、裂纹深度变化所探测到的温度信号的变化见图23（b-c）。
Ding等人的研究表明用于送丝增材沉积的离轴IR热成像监控的有效性。他们使用热电偶来校正材料的发射特性数据。通过热成像照片探测得到沉积层的宽度同物理测量得到的数据相一致。沿着熔道通过监控异常所得到的未熔合缺陷见图24。
图24 Lack of fusion defect monitored variation of maximum temperature along the track length detected (Reprinted with permission from
图24-1 Typical IR thermal image of cladding layer. (a) temperature field; (b) spatial distribution of temperature. (Experimental parameter: 5356 Al alloy wire, laser power 190 W, wire feeding speed 15 mm/s, scanning speed 25 mm/s.)
4.3.3光谱监控
在使用高能激光束进行沉积的时候，合金元素的蒸发，会造成熔池中合金元素的贫化以及粉末的波动。这样就会造成沉积层的成分变化。这一变化可以通过监控等离子体发射的分析来实现，这一等离子体发射同元素的蒸发现象密切相关。工艺过程的不稳定性对沉积层的影响也可以通过光谱来实现。这一过程的潜在价值已经被证明过。他们使用海洋光学（HR2000+）的光谱仪，配备2048像素的CCD探头来获取沉积In718时的光谱信号。然而，获得的光发射光谱的分析是通过离线来实现的。他们观察到激光功率、获得了发射的强度之间的关系。然而，粉末输送速率的变化并不会造成光谱的显著变化。在较高的功率的时候，Cr I和Fe I的发射线，观测结果显示，激光沉积层中这两种元素的发射线是可以显示蒸发的。这一论断进一步的采用EDS对沉积层进行分析所得到的结果进行了证实。Bartkowiak则通过对光谱线的观察来识别熔池中的不同元素，强度水平的任何变化均是可能扰动的信号。
Kisielewicz等人在一个不同的研究中表明，在沉积In718时，即使是Cr含量的一个小的变化（Cr<1wt%），此时的等离子羽的变化可以通过过程中的光谱来探测到。进一步的，这一光谱还可以用来识别缺陷和控制沉积层的质量，如稀释率。Liu等人的研究表明电子温度和沉积层的质量之间也是正相关的，这一研究是基于在A36中碳钢上进行热丝沉积IN625的实验中所获得的。电子温度的数值的增加，表明热输入能量在增加。然而，标准误差函数的增加则表明过程中由于电弧和飞溅的不稳定性的开始。他们的研究表明稀释率是可以进行预测的，并且基于等离子羽中的Ni I和Cr I的平均电子温度来实现控制，因为这些数据受到激光功率的影响。Dunbar和Nassar的研究表明气孔率可以通过探测监控Cr I发射的线性-连续的变化而实现，这一实现是基于PBF沉积IN718来实现的。他们同时可以实现对未熔合气孔以及大的气孔的探测，上述缺陷的生成是基于输入能量低和熔池不稳定所造成的。Lough等人的研究表明Cr发射和熔池特征，即熔池尺寸和形貌是关联的。熔池特征表明这些缺陷是由于过熔和未熔所造成的。他们同时还讨论了SLM时，工艺环境和压力对熔池形状和光发射信号的影响。他们的研究发现，当气压增加时，发射线的强度也开始增加，此时压力的变化在0.2-800 Torr。0.2-300 Torr之间的时候，发射信号弱或无光发射信号，则归于由于低压而造成的气体羽的快速膨胀，此时激光和羽化之间的相互作用非常脆弱。Nassar等人的研究则表明，用OES来监控在Ti6Al4V基材上沉积同一材料时的未熔合缺陷。他们的研究发现，Ti I和V I的原子发射在有缺陷的区域中强度要高一些，该探讨是基于线性－连续比值之间的关系来探讨缺陷的位置的。他们发现缺陷位置和Ti I在430nm和550nm处的线性－连续型的比值同缺陷位置之间的相关性。Ya等人的研究展示了OES在实时监控金属沉积层同基材之间结合情况的有效性以及稀释率。电子温度和强度的比值通过四个Ｃｒ I、Ｆｅ Ｉ吸收线来计算得出。IRC强度比值，信号用来探测金属间的结合，而电子温度则用来探测稀释率。Ren、Mazumder则使用等离子发射光谱来原位监测DED沉积AL7075。获得的光谱信号同气孔率密切相关，并使用了３D X射线CT进行了证实。一种人工智能技术，称之为随机树（RF）分类的技术用来预测气孔率，该预测是基于提取的特征来实现的，其精度达到８３％的准确性。
图24 -2 Dilution ratio of the clad deposited at (a) different voltages and (b) different laser powers.
图24-3 (a) OES signal collected during SLM processing with different build chamber pressures, (b) intensity of chromium emission around λ = 520.6 nm, and (c-e) representative micrographs of 304L stainless steel single layer cross-sections processed with various pressures.
４.３.４声音监控
声信号可以用来探测内部的缺陷，如裂纹、气孔、粉末的流动速度和匙孔现象。基于声的监测经常用于PBF工艺。用于DED时，则由于声音的限制而受到影响，此时存在粉末撞击基材时声音会受到干扰。
声音信号是一种弹性应力波，在沉积过程中产生，可以通过适当的探测器来探测到，并且可以转换成电压信号。而且，声音信号可以要么是结构产生的，要么是在空气中产生的。内部的诸如裂纹、气孔可以通过产生的声音信号的分析来探测。而且，通过AE波的特征分析，匙孔的形成可以被探测。气孔所产生的声音发射同裂纹相比较具有高能、幅度和生存时间的特点。
Wang等人的研究表明在处理１D的声音信号的时候，要比处理２D图像数据要快得多。基于声信号探测的最大的缺点在于解释这些信号的复杂性。而且，当沉积层增加的时候，可探测的声音信号的强度会减少。
在DED过程中的裂纹、气孔的形成可以利用声信号来有效的进行区别。Caja和Liou等人的研究认为信号的能量在识别缺陷上是一个非常重要的参数，比频率的效果更为明显。耳机和光纤布拉格衍射光纤用来捕获空气中的声音信号，这一实验是在SLM中应用监测来实现的。Whiting等人则展示了使用声音信号实时监测粉末流苏的变化。研究表明以声音为基础的探测在监测粉末流速时比光学为基础的探测器要优异的多。
图24-4 In-process monitoring with ML techniques using melt pool images captured by IR cameras
图24-5 Flowchart of applying ML techniques for defect detection of SLM processing using in-situ layer-wise top build surface imaging combined with ex-situ CT scanning
图24-6 Applications of ML techniques in various domains of AM research works.
４.３.５用于过程监控的人工智能
机器学习可以用来预测、性能优化、缺陷探测、分类和退化和预告。机器学习是人工智能技术的一个分支技术。它可以促使一个系统或机器自动的向系统学习，从而作出决定来预测和优化过程的结果，但不需要进行特别的编程。该技术是一种数据驱动的办法，其决定或预测是基于输入的数据的模式来决定的。
数据的收集在机器学习的过程中是非常重要的一个方面。
图24-7 Procedure of geometric error compensation of Ti-6Al-4 V in the L-PBF process
未完待续。
文章来源：Addressing the challenges in remanufacturing by laser-based material deposition techniques，Optics & Laser Technology，Volume 144, December 2021, 107404，https://doi.org/10.1016/j.optlastec.2021.107404
参考文献：https://doi.org/10.1016/j.matlet.2020.128330
https://doi.org/10.1016/j.infrared.2016.12.017
https://doi.org/10.1016/j.optlastec.2014.03.007
https://doi.org/10.1016/j.addma.2020.101538
| 
京公网安备11010802043351