一种激光熔覆过程工艺参数优化与稳定性控制方法与流程

1.本发明涉及激光增材制造领域，特别涉及一种激光熔覆过程工艺参数优化与稳定性控制方法。


背景技术：

2.同轴送粉激光熔覆技术是一种经济效益较高的再制造加工技术，能够在破损零件表面熔覆异种材料，使其达到甚至超过原有的性能。激光增材成形结构中的多道搭接和叠层成形是以单熔覆道逐道搭接、累层实现的，单道的成形结构很大程度上决定着搭接和累层的形貌特征和质量。而在激光熔覆过程中光、粉、气各相之间相互耦合以及件体的热累积效应，导致加工过程难以控制。不仅如此，若激光熔覆工艺参数不匹配，还会导致成形件内部多孔、断裂、表面不平整等现象发生。
3.随着对激光熔覆技术研究的深入，优化工艺参数已经成为提升工业产品质量的有效手段。用传统方式获得一种新材料的最佳熔覆工艺参数成本高、效率低，因此正交法、田口法、响应曲面法等实验设计方法被广泛地采用来建立熔覆工艺参数和输出响应之间的关系模型，进而对参数进行优化设计。但激光熔覆过程中光、粉、气各相之间相互耦合，导致输入层和输出层间具有复杂的映射关系，若建立的回归模型的精度不高，就难以应用于进一步的参数优化。同时，激光熔覆修复过程熔覆参数间相互耦合，并且往往修复质量和修复效率不能兼得，因此参数优化过程是一个复杂的多目标优化问题。因此，研究对单熔覆道性能的优化以及在整个加工过程中将其保持在较高标准，对提高生产效率是很有必要的。


技术实现要素：

4.本发明的目的在于提供一种激光熔覆过程工艺参数优化与稳定性控制方法，以解决现有技术存在的不足。
5.为了解决上述技术问题，本发明的技术方案是：提供一种激光熔覆过程工艺参数优化与稳定性控制方法，包括如下步骤：
6.s1、通过激光熔覆过程的多层单因素实验，测量相应的熔覆层几何特征参数与性能参数，获得与熔覆层几何特征参数和性能参数相关的工艺参数的优选范围；
7.s2、依据工艺参数的优选范围设计多水平正交实验，所得的数据作为训练组，建立熔覆层几何特征参数和性能参数的数学模型，并通过所述步骤s1中的熔覆层几何特征参数和性能参数相关的工艺参数的优选范围对模型进行准确性评估；
8.s3、依据激光熔覆的应用场景确定期望的几何特征和性能指标，将其作为目标函数；
9.s4、通过所述步骤s2中的熔覆层几何特征参数和性能参数的数学模型，结合目标函数与约束函数用多目标优化算法对其进行求解，得到满足加工要求的最优工艺参数组合；
10.s5、根据所述步骤s4中得到的最优工艺参数组合进行当前层的熔覆，将记录该熔
覆层结束时的熔池的离焦量数值，将其加入到下一层的初始约束中，重复步骤s4，直到熔覆完所有的层。
11.进一步的，所述步骤s1中与熔覆层几何特征参数和性能参数相关的工艺参数包括激光功率p、扫描速度v、送粉速率f和离焦量d。
12.进一步的，所述步骤s1中熔覆层几何特征参数与性能参数具体包括熔覆高度h、熔覆层横截面积sr、重熔区横截面积sj、稀释率η、熔覆层内部的显微硬度和孔隙率；其中稀释率的计算公式为：
[0013][0014]
进一步的，所述步骤s2中，建立熔覆层几何特征参数和性能参数的数学模型：
[0015]
输入参数到输出参数的网络模型为一个三层的bp神经网络，通过多次调整参数选择隐层节点个数，保证模型较好的拟合效果；考虑输入参数的量纲影响，为了提高模型的预测精度和收敛速度，在进行网络训练与测试之前对所有样本数据进行归一化处理；：
[0016][0017]
用已处理好的数据对bp网络进行训练，然后将样本再次作为输入以检验模型的准确度，对bp的网络的输出结果进行反归一化处理
[0018][0019]
训练后的模型一般具有较高的精度和良好的泛化能力，可以有效预测和分析激光熔覆工艺参数与熔覆层特征之间的关系。
[0020]
进一步的，所述步骤s2中，对模型进行准确性评估：
[0021]
应用如下公式所示的复测定系数r计算单道熔覆层几何特征与性能参数模型的拟合精度：
[0022][0023]
其中，n为单道熔覆正交实验所用试件样本数，yi为单道熔覆正交实验的测量值，为单道熔覆几何特征与性能参数模型的拟合值，为所有单道熔覆正交实验所得测量值的平均值；r2越接近1证明拟合精度越好，超过0.95认为模型以满足预测精度。
[0024]
进一步的，所述步骤s3中，随激光熔覆的应用场景确定的、作为目标函数的几何特征和性能指标，包括在参数所选范围内尽可能大的熔覆层显微硬度、最高的熔覆效率。
[0025]
本发明提供的激光熔覆过程工艺参数优化与稳定性控制方法准确地解决了工艺参数难以寻优、工艺过程稳定性难以保证的技术问题，该方法实现方法简单、准确性高，可以提升生产效率并提高产品质量。
附图说明
[0026]
下面结合附图对发明作进一步说明：
[0027]
图1为本发明方法的流程示意图；
[0028]
图2为熔覆单道截面尺寸参数示意图；
[0029]
图3为显微硬度的具体测量方法示意图；
[0030]
图4为孔隙率的测量方法；
[0031]
图5为建立的神经网络结构；
[0032]
图6为预测模型对样本集的拟合效果图；
[0033]
图7为搭接率的计算方法；
[0034]
图8为优化的pareto前沿解集。
具体实施方式
[0035]
以下结合附图和具体实施例对本发明提出的激光熔覆过程工艺参数优化与稳定性控制方法作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明实施例的目的。
[0036]
本发明的核心思想在于，本发明提供的激光熔覆过程工艺参数优化与稳定性控制方法准确地解决了工艺参数难以寻优、工艺过程稳定性难以保证的技术问题，该方法实现方法简单、准确性高，可以提升生产效率并提高产品质量。
[0037]
一种激光熔覆过程工艺参数优化与稳定性控制方法，如图1所示，包括步骤如下：
[0038]
步骤1、首先通过激光熔覆过程的多层单因素实验，测量相应的的熔覆层几何特征参数与性能参数，获得与熔覆层几何特征参数和性能参数相关的工艺参数的优选范围，并将该数据用于后续对单道几何特征模型准确性的验证；
[0039]
与熔覆层几何特征参数和性能参数相关的工艺参数包括激光功率p、扫描速度v、送粉速率f和离焦量d。
[0040]
本实施例，选用20号钢作为基体材料，该钢强度低，但韧性、塑性和焊接性较好。熔覆材料选用球形inconel625粉末。inconel625 具有非常出色的抗腐蚀能力和高强度特性，同时有着良好的加工性和焊接性，无焊后开裂敏感性，熔覆成形的合金具有很好的屈服强度和疲劳性能。
[0041]
根据加工设备特性选择与熔覆层几何特征参数和性能参数相关的工艺参数的优选范围，其中激光功率p的初始范围为800～2000w，扫描速度v的初始范围为8～14mm/s，送粉速率f的初始范围为 10.08～15.12g/min，离焦量的初始范围为-0.2～0.2mm。
[0042]
步骤2、依据工艺参数的优选范围设计多水平正交实验，所得的数据作为训练组，建立熔覆层几何特征参数和性能参数的数学模型，具体方法为：
[0043]
首先依据工艺参数的优选范围将它们划分为为五个水平，每个水平代表的参数值如表所示：
[0044]
表1正交实验所选参数水平
[0045]
[0046]
切割单熔覆道正交实验的试件获得熔覆层截面试样，通过光学超景深三维显微镜测量熔覆层几何特征，包括熔覆高度h、熔覆层横截面积sr、重熔区横截面积s
j；
通过熔覆层几何特征计算稀释率η，如下公式所示：
[0047]
η＝sj/(sr sj)＝100％
[0048]
通过显微硬度仪测量熔覆层截面的硬度，具体方法是在在基体平面上，在熔宽的四等分点取三个等间距的点进行测定，最后取其平均值；将单道截面的显微图二值化后，可以清晰辨别处熔道的边界，手动提取边界后如图7所示。通过图片分析软件计算边界内孔隙(黑色部分)占边界内总面积的比例，将计算值作为孔隙率。
[0049]
以激光功率、扫描速度、送粉速度作为变量，以熔覆层的截面面积、稀释率、热影响区深度、显微硬度平均值和内部孔隙率为响应值，建立从输入参数到输出参数的网络模型为一个三层的bp神经网络，输入层节点个数为3，通过多次调整参数，发现选择隐层节点个数为 8时模型的拟合效果较好。
[0050]
设置bp神经网络的学习率为0.5，训练的误差精度为6.5
×
10-6
，最大迭代数为5000。考虑输入参数的量纲影响，为了提高模型的预测精度和收敛速度，在进行网络训练与测试之前对所有样本数据进行归一化处理，如公式5所示：
[0051][0052]
用已处理好的数据对bp网络进行训练，然后将样本再次作为输入以检验模型的准确度，对bp的网络的输出结果进行反归一化处理
[0053][0054]
训练后的模型一般具有较高的精度和良好的泛化能力，可以有效预测和分析激光熔覆工艺参数与熔覆层特征之间的关系。bp神经网络预测如图6所示，在5000次迭代后，模型误差降低至0.0025。从训练的结果来看，haz深度、稀释率、显微硬度、孔隙率的模拟值和预测值吻合较好。
[0055]
应用如下公式所示的复测定系数r计算单道熔覆层几何特征与性能参数模型的拟合精度：
[0056][0057]
其中，n为单道熔覆正交实验所用试件样本数，yi为单道熔覆正交实验的测量值，为单道熔覆几何特征与性能参数模型的拟合值，为所有单道熔覆正交实验所得测量值的平均值。r2越接近1证明拟合精度越好，一般超过0.95认为模型以满足预测精度。
[0058]
步骤3、依据激光熔覆的应用场景确定期望的几何特征和性能指标，将其作为目标函数，并和约束函数一并用于后续的参数优化；
[0059]
本实施例中，要保证修复后的工件表面具有较高的硬度，因此优化目标设计为单道熔覆层的显微硬度hi尽可能最高，即
[0060]
y1＝max[hi(pi,vi,fi,di)]
[0061]
熔覆效率定义为扫描速度vi与熔覆层截面面积si的乘积，为了保证尽可能高的修
复效率，则定义目标函数
[0062]
y2＝max[vi×
si(pi,vi,fi,di)]
[0063]
在修复过程中，热影响区经受复杂热循环的同时,不可避免地伴随着组织转变及应力演化,往往导致材料性能的变化,最终影响零件的服役性能，因此热影响区深度hi应尽可能小，对应的目标函数为
[0064]
y3＝min[hi(pi,vi,fi,di)]
[0065]
稀释率过低会导致熔覆层与基体的结合性能不好，甚至无法冶金结合；熔覆层稀释率过高会导致基体过度稀释涂层，性能弱化，加大了开裂、变形的倾向，涂层性能降低。因此需要对稀释率进行约束以保证单道形貌。本文针对inconel625粉末修复场景将稀释率fi限制在32％-52％之间。为了使其修复体内部气孔满足修复要求，将孔隙率 pi限制在0.1％之内。综上，确定的约束条件如下所示
[0066][0067]
步骤4、通过建立的熔覆层几何特征参数和性能参数的模型，采用带精英策略的非支配排序遗传算法(nsga-ii)对激光熔覆多参数进行优化，首先对父代群体进行遗传操作，得到种群子群体，然后将两种群合并进行非劣排序和拥挤距离排序，形成新的种群，反复进行直到结束。拥挤距离指目标空间上某点与同一支配序上相邻两点之间的距离，拥挤距离的引入可保证pareto最优解的多样性。
[0068]
考虑到激光器、机器人和送粉机本身的精度，在优化过程中以固定间隔选取了10000个点，其中符合约束条件的点共2731个，将他们组成优化的可行域。设置初始种群的数量为200，最大迭代次数100， nsga
‑ⅱ
算法优化后的pareto解集中包括69个点，如图8所示。
[0069]
在nsga
‑ⅱ
得到的最优参数集合中优选出显微硬度最高的参数组合，为激光功率1270w，扫描速度11.5mm/s，送粉速度14g/min，离焦量-0.05mm，对应的显微硬度为218.337hv。
[0070]
步骤5、依据步骤4中得到的优化参数组合，依据每两道之间40％的搭接率，进行道间距的计算，方法如下所示：
[0071]
d＝w
×
ra[0072]
其中d代表两条熔覆道之间的间距，w代表熔覆层宽度，ra代表搭接率。有计算得到的道间距完成第一层的熔覆。结束后通过线激光轮廓仪测量熔覆层的厚度z并将其记录。
[0073]
将激光加工头向上抬升z高度，同时由激光位移传感器测量得到此时的离焦量d，并将其加入新一轮优化的约束函数中，即：
[0074][0075]
在完成每一层后都要更新约束函数，并重复步骤四，得到最新的优化工艺参数组，并指导完成下一层的加工，直到完成整个成形件的加工。
[0076]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。对于
本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。