呂 昊

(海軍裝備部，北京 100071)

0 引 言

通過在金屬零部件表面制備涂層是強(qiáng)化工件、延長(zhǎng)使用壽命的重要手段。傳統(tǒng)表面強(qiáng)化技術(shù)存在基體與熔覆層之間結(jié)合力差、工件容易受熱變形和稀釋率高等問題。與傳統(tǒng)表面強(qiáng)化技術(shù)不同，激光熔覆可在基體表面生成致密、冶金結(jié)合的熔覆層，其熱影響區(qū)小、稀釋率低，在工件表面改性強(qiáng)化領(lǐng)域具有廣闊的應(yīng)用前景。但激光熔覆涂層制備過程受多種物理場(chǎng)耦合作用，各種因素共同影響涂層的質(zhì)量與性能，需要對(duì)熔覆過程進(jìn)行實(shí)時(shí)監(jiān)測(cè)和控制。傳統(tǒng)的熔覆過程監(jiān)測(cè)和控制方法依賴經(jīng)驗(yàn)和專業(yè)知識(shí)，難以滿足復(fù)雜涂層的加工需求。隨著智能學(xué)習(xí)方法的不斷進(jìn)步，深度學(xué)習(xí)逐漸用于激光熔覆過程的檢測(cè)和控制，在很大程度上推動(dòng)激光熔覆技術(shù)的發(fā)展[1]。

深度學(xué)習(xí)是非常強(qiáng)大的機(jī)器學(xué)習(xí)技術(shù)，其實(shí)質(zhì)是通過添加多種算法，建立多樣化的模型對(duì)人類神經(jīng)系統(tǒng)進(jìn)行模擬，通過海量數(shù)據(jù)對(duì)構(gòu)建的多層隱藏層進(jìn)行訓(xùn)練，從大量的數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征，已在圖像與語言處理方面獲得廣泛使用。神經(jīng)網(wǎng)絡(luò)原理如圖1所示。該技術(shù)可用于激光熔覆領(lǐng)域，通過對(duì)大量的熔覆過程數(shù)據(jù)進(jìn)行訓(xùn)練和學(xué)習(xí)，可實(shí)現(xiàn)熔覆過程的實(shí)時(shí)監(jiān)控，保證熔覆層的加工質(zhì)量。

圖1 神經(jīng)網(wǎng)絡(luò)原理圖

1 激光熔覆的基本原理和應(yīng)用領(lǐng)域

1.1 基本原理

1947年，激光熔覆概念提出；到20世紀(jì)80年代，激光熔覆成為表面強(qiáng)化領(lǐng)域的前沿性課題；進(jìn)入20世紀(jì)90年代，激光熔覆技術(shù)在工程應(yīng)用中產(chǎn)生巨大效益，其最大特點(diǎn)是將大批量制造轉(zhuǎn)換為有針對(duì)性的個(gè)性制造。

激光熔覆技術(shù)以預(yù)涂覆或同步送粉的方式將所選熔覆粉末置于基體表面，利用高能量激光束使粉末熔化，快速凝固形成與基體冶金結(jié)合的熔覆層。利用該技術(shù)不僅可有效解決傳統(tǒng)電焊和氬弧焊等熱加工方式帶來的熱變形和熱疲勞損傷問題，而且可解決傳統(tǒng)電弧焊和噴涂等冷加工過程中的涂層與基體之間結(jié)合性能不佳的難題。激光熔覆技術(shù)在工程應(yīng)用中具有較高的性價(jià)比。以往對(duì)零部件提出特殊要求時(shí)，整個(gè)零部件均需要由貴金屬制成，而激光熔覆可在廉價(jià)基材表面制備高性能涂層，不僅滿足實(shí)際功能需要，而且減少對(duì)貴金屬的依賴，使廉價(jià)材料獲得更多的應(yīng)用可能。因其良好的成本控制優(yōu)勢(shì)，激光熔覆技術(shù)被廣泛用于海洋裝備、航空航天、機(jī)械工業(yè)和石油化工等領(lǐng)域。

激光熔覆工藝過程如圖2所示。預(yù)置粉末式是指在激光熔覆前將粉末預(yù)置在基體上，利用激光照射粉末，使其與基體冶金結(jié)合形成熔覆層。該法操作簡(jiǎn)便并節(jié)省原料，特別適用于熔覆貴金屬粉末。常用于復(fù)雜零件的制造和修復(fù)，例如斜齒輪和絲錐等，或用于熔覆送粉器無法到達(dá)的區(qū)域。在熔覆粉末的流動(dòng)性較差時(shí)，若不便使用送粉器輸送，則可采用預(yù)置粉末式激光熔覆。但預(yù)置粉末式激光熔覆存在粉末厚度不均勻和熔覆效率不高等問題。同步送粉式是指送粉與激光熔覆同步進(jìn)行。在該過程中，激光能量同時(shí)熔化粉末和基體，快速凝固形成與基體結(jié)合緊密的熔覆層。該法易于實(shí)現(xiàn)自動(dòng)化、便于控制送粉參數(shù)、熔覆效率高。但同步送粉式激光熔覆存在利用率低和成本高等問題。

圖2 激光熔覆工藝過程

1.2 應(yīng)用領(lǐng)域

(1)海洋裝備領(lǐng)域

海洋是較為苛刻的腐蝕環(huán)境，海洋裝備通常使用金屬材料，往往面臨嚴(yán)重的海水腐蝕與磨損問題。激光熔覆技術(shù)可在海洋裝備表面熔覆高硬、耐磨和耐蝕的涂層，延長(zhǎng)裝備服役壽命。在核電站海水泵葉輪表面制備激光熔覆涂層，可提高葉輪的耐腐蝕性能；在活塞桿表面制備熔覆層，可協(xié)同提升活塞桿表面的耐磨與耐蝕性能，大幅延長(zhǎng)活塞桿的服役壽命。激光熔覆具有良好的原位修復(fù)能力。TORIMS等[2]利用激光熔覆成功修復(fù)船用發(fā)動(dòng)機(jī)曲軸，直接在發(fā)動(dòng)機(jī)殼體中執(zhí)行曲柄銷軸翻新操作，無須從發(fā)動(dòng)機(jī)上拆下曲軸。在成功修復(fù)軸的經(jīng)驗(yàn)基礎(chǔ)上，YU等[3]利用激光在軸表面熔覆鈦/碳化硼復(fù)合涂層，發(fā)現(xiàn)該涂層與基體結(jié)合良好，沒有出現(xiàn)明顯的氣孔和裂紋，且鈦和碳化硼的加入形成碳化鈦和二硼化鈦等細(xì)晶粒強(qiáng)化相，提高曲軸基體的強(qiáng)度和耐磨性。

(2)航空航天領(lǐng)域

與其他傳統(tǒng)金屬相比，鈦合金具有較好的綜合性能，其比重小、強(qiáng)度大、耐熱性高、耐腐蝕性好，在航空航天領(lǐng)域得到廣泛使用，但本身具有一定的加工難度，傳統(tǒng)工藝方法在加工鈦合金時(shí)出現(xiàn)許多需要克服的問題，無法保證加工質(zhì)量。激光熔覆成型技術(shù)基于離散/堆積快速成型原理，可快速制備不同材料的復(fù)雜金屬零部件，在鈦合金加工方面具有較大優(yōu)勢(shì)。美國(guó)Areo Met公司在實(shí)際飛行中成功應(yīng)用3個(gè)鈦合金激光熔覆成型零部件，不僅在性能上超出傳統(tǒng)零部件，而且因節(jié)省切削工序，使其成本降低20%～40%，生產(chǎn)周期更是直接縮短80%。除制造航空零部件外，激光熔覆具有較強(qiáng)的再制造能力。沈婧怡等[4]針對(duì)航空發(fā)動(dòng)機(jī)所用鈦合金基體開展修復(fù)研究，分別在基體表面熔覆鈦合金和鐵鉻鎳硼合金粉末，結(jié)果表明，兩種粉末制備的合金涂層硬度均高于鈦合金基體，顯微組織較好。

(3)機(jī)械工業(yè)領(lǐng)域

激光熔覆技術(shù)對(duì)于機(jī)械工業(yè)領(lǐng)域的制造或再制造具有直接影響。針對(duì)機(jī)械工業(yè)設(shè)備的常規(guī)失效問題，在易磨損和易腐蝕的零部件表面制備耐磨耐蝕涂層，依然是強(qiáng)化機(jī)械設(shè)備表面性能較為經(jīng)濟(jì)有效的方法之一。利用激光熔覆技術(shù)在鋁合金車身表面制備整體涂層，不僅實(shí)現(xiàn)車身減重與提高車身耐磨性的雙重目的，而且盡可能節(jié)省制造成本。王成等[5]在煤礦刮板機(jī)溜槽板上制備具有較高硬度的耐磨涂層，可滿足煤礦行業(yè)惡劣工作環(huán)境下的機(jī)械零部件使用要求。除制備強(qiáng)化熔覆層外，激光熔覆技術(shù)用于機(jī)械設(shè)備零部件的修復(fù)強(qiáng)化，例如齒輪、刀具、模具和葉片等，修復(fù)后的零部件外觀和整體性能均可達(dá)到甚至超過新工件。利用激光熔覆可將受損輪機(jī)葉片頂端修補(bǔ)至原先高度，如圖3所示。

圖3 激光熔覆修復(fù)輪機(jī)葉片

(4)石油化工領(lǐng)域

在石油化工領(lǐng)域，許多開采設(shè)備在長(zhǎng)期潮濕惡劣的工作環(huán)境下，面對(duì)重載工況，容易出現(xiàn)表面磨損和腐蝕失效，縮短零部件的使用壽命。頻繁維修或更換零部件會(huì)影響項(xiàng)目進(jìn)展并增加額外成本。為解決上述問題，在零部件表面進(jìn)行高性能熔覆涂層強(qiáng)化是一種最優(yōu)選擇，可提高零部件的使用壽命、降低成本。利用激光熔覆復(fù)合陶瓷涂層和耐高溫合金涂層可大幅提高油轉(zhuǎn)桿表面的耐磨性和硬度，增加其使用壽命。在石油化工行業(yè)中，采用高性能熔覆涂層技術(shù)可有效降低維護(hù)成本和停工維修時(shí)間，提高生產(chǎn)效率和經(jīng)濟(jì)效益。

2 深度學(xué)習(xí)模型的發(fā)展

在神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，深度學(xué)習(xí)利用深層次的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)數(shù)據(jù)的高層抽象特征描述，更好地理解數(shù)據(jù)的分布和屬性。常見的深度學(xué)習(xí)模型如下：卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)、受限玻爾茲曼機(jī)(Restricted Boltzman Machine，RBM)和自動(dòng)編碼器(Autoencoder，AE)。

2.1 CNN

CNN是一種前饋神經(jīng)網(wǎng)絡(luò)，以其優(yōu)異的特征提取和圖像識(shí)別能力著稱。CNN的主要構(gòu)成部分包括輸入層、卷積層、池化層和全鏈接層等。在這些層次中，卷積層是較為核心的一層，其作用是從輸入數(shù)據(jù)集中提取特征；池化層通過從濾波器中選出最大的特征值，對(duì)數(shù)據(jù)進(jìn)行過濾；全鏈接層將池化層的輸出整合為特征向量并傳遞至分類器。卷積操作是一種特殊的線性操作，可通過共享卷積核減少模型的參數(shù)數(shù)量，并可提取相關(guān)區(qū)域的特征。典型CNN模型如表1所示。

表1 典型CNN模型

2.2 RBM

RBM是基于圖模型的自監(jiān)督學(xué)習(xí)算法，簡(jiǎn)單而高效，具備出色的特征提取和表示能力。典型RBM模型如表2所示。

表2 典型RBM模型

2.3 AE

AE是基于神經(jīng)網(wǎng)絡(luò)的無監(jiān)督學(xué)習(xí)，其主要目的是將輸入數(shù)據(jù)進(jìn)行降維并實(shí)現(xiàn)數(shù)據(jù)重構(gòu)?；驹硎抢镁幋a器將原始數(shù)據(jù)映射至編碼空間，利用解碼器將編碼后的數(shù)據(jù)重構(gòu)為原始數(shù)據(jù)。典型AE模型如表3所示。

表3 典型AE模型

3 深度學(xué)習(xí)在激光熔覆領(lǐng)域的應(yīng)用

3.1 數(shù)據(jù)采集與處理

在激光熔覆領(lǐng)域中，深度學(xué)習(xí)需要先進(jìn)行數(shù)據(jù)采集與處理。數(shù)據(jù)采集需要從大量數(shù)據(jù)中選擇有用的數(shù)據(jù)，包括激光熔覆過程中的圖像、溫度、位置、熔池形貌和熔覆層性能等。數(shù)據(jù)處理主要涉及對(duì)采集的數(shù)據(jù)進(jìn)行選擇和預(yù)處理，確保數(shù)據(jù)的高質(zhì)量和可用性。在選擇時(shí)需要注意排除錯(cuò)誤和噪聲數(shù)據(jù)，在預(yù)處理時(shí)需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化和歸一化處理。以激光熔覆智能控制系統(tǒng)為例，在其數(shù)據(jù)采集與處理過程中，激光熔覆機(jī)器人構(gòu)建一個(gè)模型，進(jìn)行焊槍的逐步移動(dòng)；攝像機(jī)實(shí)時(shí)傳輸熔池圖像至計(jì)算機(jī)端，并進(jìn)行預(yù)處理，以便輸入至物體檢測(cè)模型中進(jìn)行缺陷檢測(cè)，缺陷模型可通過深度學(xué)習(xí)中的物體檢測(cè)技術(shù)構(gòu)建；計(jì)算機(jī)將已知的缺陷類型、對(duì)應(yīng)的缺陷類型面積值與激光熔覆系統(tǒng)的各項(xiàng)工藝參數(shù)進(jìn)行計(jì)算，并發(fā)出相應(yīng)的參數(shù)調(diào)整指令；控制電路控制伺服電機(jī)、激光設(shè)備等；根據(jù)調(diào)整后的參數(shù)生產(chǎn)新的熔覆帶；攝像機(jī)繼續(xù)拍攝熔覆層表面照片，實(shí)現(xiàn)反復(fù)控制缺陷面積以達(dá)到預(yù)期效果并維持智能控制。激光熔覆智能控制系統(tǒng)如圖4所示。

圖4 激光熔覆智能控制系統(tǒng)

3.2 工藝參數(shù)預(yù)測(cè)和優(yōu)化

激光熔覆在實(shí)際生產(chǎn)中存在一些現(xiàn)實(shí)問題，例如熔覆層性能差和熔覆層表面產(chǎn)生裂紋、氣孔與夾渣等缺陷，而這些問題通常與激光熔覆工藝參數(shù)配置不當(dāng)有關(guān)。基于數(shù)據(jù)繁多復(fù)雜的各項(xiàng)工藝參數(shù)組配，深度學(xué)習(xí)在熔覆工藝優(yōu)化方面具有較大優(yōu)勢(shì)。

AGGARWAL等[6]通過預(yù)測(cè)熔覆層形貌與熔池面積，發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型在描述工藝參數(shù)與熔覆層幾何形貌之間的非線性關(guān)系上具有明顯優(yōu)勢(shì)。范鵬飛等[7]通過對(duì)比反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)和多元線性回歸方法對(duì)熔覆層的預(yù)測(cè)結(jié)果，發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果更勝一籌。GUO等[8]為優(yōu)化鈷基合金涂層的工藝參數(shù)，利用BP神經(jīng)網(wǎng)絡(luò)確定涂層性能與工藝參數(shù)之間的映射關(guān)系。徐家樂等[9]利用徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)建立不同參數(shù)條件下鈷基合金涂層的稀釋率預(yù)測(cè)模型。與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)具有更好的預(yù)測(cè)能力。王東生等[10]將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，以工藝參數(shù)為輸入，建立熔覆層結(jié)合強(qiáng)度和顯微硬度的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，在通過遺傳算法進(jìn)行模型優(yōu)化后，試樣表現(xiàn)更加優(yōu)異的結(jié)合強(qiáng)度和顯微硬度。

3.3 激光熔覆過程質(zhì)量控制

激光熔覆技術(shù)在各行各業(yè)的廣泛應(yīng)用已對(duì)傳統(tǒng)加工方式產(chǎn)生一些影響，但由于在激光熔覆過程中難以控制熔池的精度和穩(wěn)定性，因此在很大程度上制約激光熔覆技術(shù)在高精尖領(lǐng)域的發(fā)展。為此，研究人員與從業(yè)人士開展激光熔覆過程質(zhì)量監(jiān)控研究。IRAVANI-TABRIZIPOUR等[11]開展利用神經(jīng)網(wǎng)絡(luò)預(yù)估激光熔覆幾何尺寸的工作，以熔池?cái)M合成的橢圓形作為主要特征輸入遞歸神經(jīng)網(wǎng)絡(luò)以計(jì)算熔覆高度。SHEVCHIK等[12]以激光熔覆過程中的聲信號(hào)為輸入特征，采用CNN監(jiān)測(cè)激光熔覆過程，最終得到的模型以良好、中等、差等3種等級(jí)的孔隙率對(duì)熔覆過程進(jìn)行質(zhì)量評(píng)估。KAO等[13]利用4種深度學(xué)習(xí)方法實(shí)現(xiàn)激光熔覆質(zhì)量的在線監(jiān)測(cè)，發(fā)現(xiàn)涂層稀釋率與圖像之間存在相關(guān)性。ZHANG等[14]使用高速攝像機(jī)采集熔覆過程圖像，將熔池、羽流和飛濺特征輸入支持向量機(jī)和CNN，實(shí)現(xiàn)激光熔覆加工質(zhì)量的智能等級(jí)控制。

4 結(jié) 語

深度學(xué)習(xí)在激光熔覆領(lǐng)域的研究應(yīng)用已取得一定進(jìn)展。通過深度學(xué)習(xí)可對(duì)激光熔覆過程開展工藝優(yōu)化、熔池監(jiān)控、成型預(yù)測(cè)和質(zhì)量控制等方面的研究。但深度學(xué)習(xí)在激光熔覆領(lǐng)域的應(yīng)用仍面臨一些挑戰(zhàn)。激光熔覆過程的數(shù)據(jù)獲取成本較高，使深度學(xué)習(xí)模型訓(xùn)練的難度加大。深度學(xué)習(xí)模型的解釋性較差，難以解釋模型的預(yù)測(cè)結(jié)果。這些問題使深度學(xué)習(xí)模型在激光熔覆領(lǐng)域的應(yīng)用存在一定的風(fēng)險(xiǎn)，需要進(jìn)一步加強(qiáng)模型的可解釋性和可靠性。