基于机器学习的激光熔覆形貌预测与监测研究

发布时间：2020-11-11 08:43

　　 制造业是国家生产力的体现,是国民经济的砥柱中流。再制造产业是解决资源浪费、推进绿色制造的新兴动力,其中激光熔覆再制造已经有了长足的发展。目前对重大装备的关键易损件实施激光再制造已经成为绿色制造研究领域中的热点之一,激光熔覆对具有复杂曲面特征的大型零部件的损伤修复和表面强化发挥着不可或缺的作用。对零部件表面进行高精度激光熔覆再制造是亟需解决的难题,所以对激光熔覆产生的熔覆层形貌预测研究就格外重要。激光熔覆形貌研究中工艺参数与形貌特征之间是复杂的非线性关系,对工艺参数进行实时优化则能更加精确地控制输入参数,进而得到期望的熔覆层;熔覆过程的闭环控制系统则能提高熔覆质量和效率,捕获熔池的清晰图像有助于对实现激光熔覆过程进行实时反馈控制。本文利用机器学习的优良算法实现对不同姿态下生成的熔覆层进行形貌预测研究,并提出了熔覆过程中熔覆层高度实时监测模型。主要研究内容如下:(1)标准姿态下的单道熔覆层形貌预测。基于遗传算法优化的BP神经网络,使用铁基18Ni300粉末进行单道激光熔覆实验获取形貌特征数据,将工艺参数作为神经网络输入,熔层覆形貌高度、宽度作为输出,建立截面形貌预测模型,并对仿真模型精准度进行验证。(2)柔性姿态下激光熔覆形貌预测研究。针对复杂曲面上无法实现激光头与基板保持垂直状态问题,将柔性姿态进行归类并分别建立理论模型,提出柔性姿态下熔覆层峰值点偏移量(35)的概念;通过具体实验验证理论模型的准确性,并首次通过多元线性回归分析方法预测柔性姿态下熔覆形貌。(3)熔覆过程中熔覆层形貌高度的实时监测模型。提出熔覆过程将熔池几何形貌作为反馈信号的闭环控制系统,设计三目摄像机结构解决了捕获熔池图像的路径依赖问题;利用模糊C均值聚类的图像阈值,将模糊性的度量降到最低;使用透视变换将熔池图像边界由图像平面转到工作平面,提取投影图像的特征作为输入变量,利用递归神经网络对熔覆层形貌高度进行预测。该论文有图76幅,表15个,参考文献80篇。
【学位单位】：中国矿业大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：TP181;TG665
【部分图文】：

化原材料，原材料以粉末形式或以金属丝形式进料，现在常用流动性较好的球型粉末作为原材料。激光在金属表面上形成了熔池，保护气体与激光束同轴地流向熔池，保护气旨在保护工艺区域免受氧化。激光束与粉末喷嘴彼此牢固对准，粉末颗粒被熔化并且到达熔池，当粉末撞击到熔池上时，两种材料（基体材料和粉末）将以冶金方式永久粘合在一起。随着激光移动，该区域再次凝固，因为热量只是施加在表面上的聚焦区域中。因此，基板与激光加工头之间的相对运动导致熔覆道的沉积，多个横向重叠的熔覆道形成涂层或者一层。激光熔覆过程如图2-1所示。图2-1激光熔覆过程示意图Figure2-1Schematicdiagramoflasercladdingprocess激光熔覆是一种先进的新型表面制造和改性技术，在众多行业的零部件生产、修复和表面强化中有着广泛的应用。激光熔覆相较于其他表面处理技术而言具有如下优点[64]：（1）光束能量密度高，对基体材料作用时间短，因此基体材料的热影响区较小，从而有效避免了工件的过大变形；（2）涂层与基体之间形成牢

2激光熔覆技术及熔覆层形貌预测方法11嘴如图2-3从周向均匀分布的方向提供三个或更多个针对熔池的粉末射流，研究状态是从圆周均匀分布的方向进行的。连续的同轴粉末喷嘴如图2-4显示环形间隙，粉末从此处离开喷嘴，聚焦在熔池上。后者的粉末喷嘴设计有利于在工作平面上减小粉末喷射直径，从而提高粉末沉积效率。但是，与不连续的同轴粉末喷嘴相比，最大可能的粉末进料速率较低，并且粉末喷嘴的3D能力受到限制，因为当喷嘴倾斜时，粉末会由于重力而积聚在喷嘴内部的一侧。图2-2侧向送粉喷嘴Figure2-2Sidefeedingnozzle图2-3不连续同轴喷嘴Figure2-3Discontinuouscoaxialnozzle图2-4连续同轴粉末喷嘴Figure2-4Continuouscoaxialpowdernozzle2.2.2激光熔覆熔覆层截面形貌研究工艺参数的目的是为了得到符合要求的熔覆层，评价熔覆层的质量需要结合需求及客观条件。在一定范围内，熔覆层质量并无优劣之分，重要的是能否满足形状和性能需求。激光熔覆是一个复杂的冶金过程，选择输入工艺参数是获得所需熔覆层的关键。工艺参数非线性地影响熔覆层的几何形状，并且对于单道熔覆层以及在多道搭接等不同条件下，形貌特性是变化的。如今主要研究的工艺参数或输入变量为：送粉量、激光功率、扫描速度、透镜的焦距、激光头尖端到工件的距离。通过改变这五个常见的输入独立变量用来探究它们对熔覆层高度，宽度，润湿角，熔深，稀释面积和熔覆层形状的影响。图2-5熔覆层横截面形貌示意图Figure2-5Schematicdiagramofthecross-sectionofthecladdinglayer

硕士学位论文14如图2-6显示的BP神经网络的常用结构，图中每一个独立的神经元均由一个单独的点表示。网络的结构均由输入层、隐含层和输出层组成，前一层与后一层的节点之间是通过权值连接的，并且每个节点都有各自独立的阈值。定义各神经元之间的传递准则为：输入向量×权值-阈值，最后将计算结果通过传递函数换算得到相应输出。隐含层可以不止一层，但是常用的结构是三层结构如图2-6。图2-6神经网络的结构图Figure2-6Schematicdiagramofneuralnetworkstructure在图2-6中，输入变量为12,,nXXKX，神经网络预测输出值为12,,nYYKY，ijw和jkw均代表的是神经元之间的连接权值，BP神经网络的结构表示的是每个输出变量，即响应指标，与输入变量之间的非线性关系。BP神经网络结构中隐含层的节点数在“过拟合”现象当中起着重要作用。直到现在也没能有好的办法将隐含层节点数确定，不过可以优先考虑使用少的隐含层节点数，然后依据网络训练情况及时调整节点数；根据前人总结的经验公式设置隐含层，如下式：lm+n+a（2-8）2l=logn（2-9）另外，Kolmogorov定理也可帮助我们设置出合适的隐含层节点数：l=2n+1（2-10）式中（2-8）、（2-9）、（2-10）中代表的是隐含层节点数，n代表的是输入层节点数，m代表的是输出层节点数，a代表常数。BP神经网络算法通常包含如下两个过程，信号的正向传播且还有误差的反向传播。在信号的正向传播过程中，输入信号从输入层引入，由隐藏层处理，然后传输到输出层。经过非线性处理后，将产生实际的输出信号。如果实际输出信号与预期信号出现不匹配情况，则转入误差的反向传播阶段。也就是说，输出误差会以特定的方式按特定的传输顺序重新传递到输入层，并将误差分配到输入层，
【参考文献】

相关期刊论文 前10条

1 孟祥伟;;Ni基-WC合金粉末激光熔覆层形貌的预测[J];中国重型装备;2014年01期

2 张景阳;潘光友;;多元线性回归与BP神经网络预测模型对比与运用研究[J];昆明理工大学学报(自然科学版);2013年06期

3 刘云雷;赵剑峰;潘浒;王凯;肖猛;;基于激光熔覆的镍基高温合金激光修复的数值模拟[J];应用激光;2013年02期

4 张炳发;洪蕾;;激光熔覆层形貌尺寸预测研究[J];中国重型装备;2012年01期

5 黄小伟;习俊通;J.L.Lebrun;Elcheikh Hussam;Courant Bruno;;工艺参数对激光熔覆成形316L不锈钢形状的影响规律[J];激光与光电子学进展;2011年07期

6 刘立峰;杨洗陈;;基于逆向工程的激光再制造机器人路径规划[J];中国激光;2011年07期

7 倪立斌;刘继常;伍耀庭;鄢锉;;基于神经网络和粒子群算法的激光熔覆工艺优化[J];中国激光;2011年02期

8 许波;田威;;面向绿色再制造的单道激光熔覆几何特征研究[J];应用激光;2010年04期

9 王志坚;董世运;徐滨士;夏伟;闫世兴;;单道激光熔覆层几何特征的三维表征方法[J];中国激光;2010年02期

10 姜淑娟;刘伟军;南亮亮;;基于神经网络的激光熔覆高度预测[J];机械工程学报;2009年03期

相关博士学位论文 前2条

1 李聪波;绿色制造运行模式及其实施方法研究[D];重庆大学;2009年

2 廖斌;基于特征点的图像配准技术研究[D];国防科学技术大学;2008年

相关硕士学位论文 前9条

1 孙华杰;基于彩色CCD的激光熔覆熔池温度闭环控制研究[D];苏州大学;2018年

2 何宇;倾斜基面上激光熔覆成形工艺基础与力学性能研究[D];哈尔滨工业大学;2018年

3 向灿群;卷积神经网络在图像分类识别中的应用研究[D];湖南理工学院;2018年

4 李艺琳;激光陀螺仪智能故障诊断技术研究[D];中国航天科技集团公司第一研究院;2018年

5 李聪聪;基于流线场的复杂曲面激光熔覆路径优化方法研究[D];中国矿业大学;2018年

6 贾世卿;基于多元线性回归的软件老化问题分析[D];天津理工大学;2018年

7 李海波;倾斜基体上的激光熔覆层形貌研究[D];大连理工大学;2017年

8 孟宣宣;基于高速摄像技术的光纤激光焊接过程研究[D];华中科技大学;2011年

9 于君;激光快速成形沉积层几何参数监测与控制研究[D];西北工业大学;2007年

本文编号：2878988