深度學習在激光熔覆領域的發展與應用

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化工件、延長使用壽命的重要手段。傳統表面強化技術存在基體與熔覆層之間結合力差、工件容易受熱變形和稀釋率高等問題。與傳統表面強化技術不同，激光熔覆可在基體表面生成致密、冶金結合的熔覆層，其熱影響區小、稀釋率低，在工件表面改性強化領域具有廣闊的應用前景。但激光熔覆涂層制備過程受多種物理場耦合作用，各種因素共同影響涂層的質量與性能，需要對熔覆過程進行實時監測和控制。傳統的熔覆過程監測和控制方法依賴經驗和專業知識，難以滿足復雜涂層的加工需求。隨著智能學習方法的不斷進步，深度學習逐漸用于激光熔覆過程的檢測和控制，在很大程度上推動激光熔覆技術的發展[1]。

深度學習是非常強大的機器學習技術，其實質是通過添加多種算法，建立多樣化的模型對人類神經系統進行模擬，通過海量數據對構建的多層隱藏層進行訓練，從大量的數據中自動學習特征，已在圖像與語言處理方面獲得廣泛使用。神經網絡原理如圖1所示。該技術可用于激光熔覆領域，通過對大量的熔覆過程數據進行訓練和學習，可實現熔覆過程的實時監控，保證熔覆層的加工質量。

圖1 神經網絡原理圖

1 激光熔覆的基本原理和應用領域

1.1 基本原理

1947年，激光熔覆概念提出；到20世紀80年代，激光熔覆成為表面強化領域的前沿性課題；進入20世紀90年代，激光熔覆技術在工程應用中產生巨大效益，其最大特點是將大批量制造轉換為有針對性的個性制造。

激光熔覆技術以預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合的熔覆層。利用該技術不僅可有效解決傳統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，而且可解決傳統電弧焊和噴涂等冷加工過程中的涂層與基體之間結合性能不佳的難題。激光熔覆技術在工程應用中具有較高的性價比。以往對零部件提出特殊要求時，整個零部件均需要由貴金屬制成，而激光熔覆可在廉價基材表面制備高性能涂層，不僅滿足實際功能需要，而且減少對貴金屬的依賴，使廉價材料獲得更多的應用可能。因其良好的成本控制優勢，激光熔覆技術被廣泛用于海洋裝備、航空航天、機械工業和石油化工等領域。

激光熔覆工藝過程如圖2所示。預置粉末式是指在激光熔覆前將粉末預置在基體上，利用激光照射粉末，使其與基體冶金結合形成熔覆層。該法操作簡便并節省原料，特別適用于熔覆貴金屬粉末。常用于復雜零件的制造和修復，例如斜齒輪和絲錐等，或用于熔覆送粉器無法到達的區域。在熔覆粉末的流動性較差時，若不便使用送粉器輸送，則可采用預置粉末式激光熔覆。但預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行。在該過程中，激光能量同時熔化粉末和基體，快速凝固形成與基體結合緊密的熔覆層。該法易于實現自動化、便于控制送粉參數、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 應用領域

(1)海洋裝備領域

海洋是較為苛刻的腐蝕環境，海洋裝備通常使用金屬材料，往往面臨嚴重的海水腐蝕與磨損問題。激光熔覆技術可在海洋裝備表面熔覆高硬、耐磨和耐蝕的涂層，延長裝備服役壽命。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，可協同提升活塞桿表面的耐磨與耐蝕性能，大幅延長活塞桿的服役壽命。激光熔覆具有良好的原位修復能力。TORIMS等[2]利用激光熔覆成功修復船用發動機曲軸，直接在發動機殼體中執行曲柄銷軸翻新操作，無須從發動機上拆下曲軸。在成功修復軸的經驗基礎上，YU等[3]利用激光在軸表面熔覆鈦/碳化硼復合涂層，發現該涂層與基體結合良好，沒有出現明顯的氣孔和裂紋，且鈦和碳化硼的加入形成碳化鈦和二硼化鈦等細晶粒強化相，提高曲軸基體的強度和耐磨性。

(2)航空航天領域

與其他傳統金屬相比，鈦合金具有較好的綜合性能，其比重小、強度大、耐熱性高、耐腐蝕性好，在航空航天領域得到廣泛使用，但本身具有一定的加工難度，傳統工藝方法在加工鈦合金時出現許多需要克服的問題，無法保證加工質量。激光熔覆成型技術基于離散/堆積快速成型原理，可快速制備不同材料的復雜金屬零部件，在鈦合金加工方面具有較大優勢。美國Areo Met公司在實際飛行中成功應用3個鈦合金激光熔覆成型零部件，不僅在性能上超出傳統零部件，而且因節省切削工序，使其成本降低20%～40%，生產周期更是直接縮短80%。除制造航空零部件外，激光熔覆具有較強的再制造能力。沈婧怡等[4]針對航空發動機所用鈦合金基體開展修復研究，分別在基體表面熔覆鈦合金和鐵鉻鎳硼合金粉末，結果表明，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)機械工業領域

激光熔覆技術對于機械工業領域的制造或再制造具有直接影響。針對機械工業設備的常規失效問題，在易磨損和易腐蝕的零部件表面制備耐磨耐蝕涂層，依然是強化機械設備表面性能較為經濟有效的方法之一。利用激光熔覆技術在鋁合金車身表面制備整體涂層，不僅實現車身減重與提高車身耐磨性的雙重目的，而且盡可能節省制造成本。王成等[5]在煤礦刮板機溜槽板上制備具有較高硬度的耐磨涂層，可滿足煤礦行業惡劣工作環境下的機械零部件使用要求。除制備強化熔覆層外，激光熔覆技術用于機械設備零部件的修復強化，例如齒輪、刀具、模具和葉片等，修復后的零部件外觀和整體性能均可達到甚至超過新工件。利用激光熔覆可將受損輪機葉片頂端修補至原先高度，如圖3所示。

圖3 激光熔覆修復輪機葉片

(4)石油化工領域

在石油化工領域，許多開采設備在長期潮濕惡劣的工作環境下，面對重載工況，容易出現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影響項目進展并增加額外成本。為解決上述問題，在零部件表面進行高性能熔覆涂層強化是一種最優選擇，可提高零部件的使用壽命、降低成本。利用激光熔覆復合陶瓷涂層和耐高溫合金涂層可大幅提高油轉桿表面的耐磨性和硬度，增加其使用壽命。在石油化工行業中，采用高性能熔覆涂層技術可有效降低維護成本和停工維修時間，提高生產效率和經濟效益。

2 深度學習模型的發展

在神經網絡模型的基礎上，深度學習利用深層次的神經網絡模型實現數據的高層抽象特征描述，更好地理解數據的分布和屬性。常見的深度學習模型如下：卷積神經網絡(Convolutional Neural Network，CNN)、受限玻爾茲曼機(Restricted Boltzman Machine，RBM)和自動編碼器(Autoencoder，AE)。

2.1 CNN

CNN是一種前饋神經網絡，以其優異的特征提取和圖像識別能力著稱。CNN的主要構成部分包括輸入層、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，其作用是從輸入數據集中提取特征；池化層通過從濾波器中選出最大的特征值，對數據進行過濾；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數量，并可提取相關區域的特征。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督學習算法，簡單而高效，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是基于神經網絡的無監督學習，其主要目的是將輸入數據進行降維并實現數據重構?；驹硎抢镁幋a器將原始數據映射至編碼空間，利用解碼器將編碼后的數據重構為原始數據。典型AE模型如表3所示。

表3 典型AE模型

3 深度學習在激光熔覆領域的應用

3.1 數據采集與處理

在激光熔覆領域中，深度學習需要先進行數據采集與處理。數據采集需要從大量數據中選擇有用的數據，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。數據處理主要涉及對采集的數據進行選擇和預處理，確保數據的高質量和可用性。在選擇時需要注意排除錯誤和噪聲數據，在預處理時需要對數據進行標準化和歸一化處理。以激光熔覆智能控制系統為例，在其數據采集與處理過程中，激光熔覆機器人構建一個模型，進行焊槍的逐步移動；攝像機實時傳輸熔池圖像至計算機端，并進行預處理，以便輸入至物體檢測模型中進行缺陷檢測，缺陷模型可通過深度學習中的物體檢測技術構建；計算機將已知的缺陷類型、對應的缺陷類型面積值與激光熔覆系統的各項工藝參數進行計算，并發出相應的參數調整指令；控制電路控制伺服電機、激光設備等；根據調整后的參數生產新的熔覆帶；攝像機繼續拍攝熔覆層表面照片，實現反復控制缺陷面積以達到預期效果并維持智能控制。激光熔覆智能控制系統如圖4所示。

圖4 激光熔覆智能控制系統

3.2 工藝參數預測和優化

激光熔覆在實際生產中存在一些現實問題，例如熔覆層性能差和熔覆層表面產生裂紋、氣孔與夾渣等缺陷，而這些問題通常與激光熔覆工藝參數配置不當有關?；跀祿倍鄰碗s的各項工藝參數組配，深度學習在熔覆工藝優化方面具有較大優勢。

AGGARWAL等[6]通過預測熔覆層形貌與熔池面積，發現神經網絡模型在描述工藝參數與熔覆層幾何形貌之間的非線性關系上具有明顯優勢。范鵬飛等[7]通過對比反向傳播(Back Propagation，BP)神經網絡和多元線性回歸方法對熔覆層的預測結果，發現BP神經網絡的預測效果更勝一籌。GUO等[8]為優化鈷基合金涂層的工藝參數，利用BP神經網絡確定涂層性能與工藝參數之間的映射關系。徐家樂等[9]利用徑向基函數(Radial Basis Function，RBF)神經網絡建立不同參數條件下鈷基合金涂層的稀釋率預測模型。與BP神經網絡相比，RBF神經網絡具有更好的預測能力。王東生等[10]將遺傳算法與BP神經網絡相結合，以工藝參數為輸入，建立熔覆層結合強度和顯微硬度的BP神經網絡預測模型，在通過遺傳算法進行模型優化后，試樣表現更加優異的結合強度和顯微硬度。

3.3 激光熔覆過程質量控制

激光熔覆技術在各行各業的廣泛應用已對傳統加工方式產生一些影響，但由于在激光熔覆過程中難以控制熔池的精度和穩定性，因此在很大程度上制約激光熔覆技術在高精尖領域的發展。為此，研究人員與從業人士開展激光熔覆過程質量監控研究。IRAVANI-TABRIZIPOUR等[11]開展利用神經網絡預估激光熔覆幾何尺寸的工作，以熔池擬合成的橢圓形作為主要特征輸入遞歸神經網絡以計算熔覆高度。SHEVCHIK等[12]以激光熔覆過程中的聲信號為輸入特征，采用CNN監測激光熔覆過程，最終得到的模型以良好、中等、差等3種等級的孔隙率對熔覆過程進行質量評估。KAO等[13]利用4種深度學習方法實現激光熔覆質量的在線監測，發現涂層稀釋率與圖像之間存在相關性。ZHANG等[14]使用高速攝像機采集熔覆過程圖像，將熔池、羽流和飛濺特征輸入支持向量機和CNN，實現激光熔覆加工質量的智能等級控制。

4 結 語

深度學習在激光熔覆領域的研究應用已取得一定進展。通過深度學習可對激光熔覆過程開展工藝優化、熔池監控、成型預測和質量控制等方面的研究。但深度學習在激光熔覆領域的應用仍面臨一些挑戰。激光熔覆過程的數據獲取成本較高，使深度學習模型訓練的難度加大。深度學習模型的解釋性較差，難以解釋模型的預測結果。這些問題使深度學習模型在激光熔覆領域的應用存在一定的風險，需要進一步加強模型的可解釋性和可靠性。