深度学习在激光熔覆领域的发展与应用

吕 昊

(海军装备部，北京 100071)

0 引 言

通过在金属零部件表面制备涂层是强化工件、延长使用寿命的重要手段。传统表面强化技术存在基体与熔覆层之间结合力差、工件容易受热变形和稀释率高等问题。与传统表面强化技术不同，激光熔覆可在基体表面生成致密、冶金结合的熔覆层，其热影响区小、稀释率低，在工件表面改性强化领域具有广阔的应用前景。但激光熔覆涂层制备过程受多种物理场耦合作用，各种因素共同影响涂层的质量与性能，需要对熔覆过程进行实时监测和控制。传统的熔覆过程监测和控制方法依赖经验和专业知识，难以满足复杂涂层的加工需求。随着智能学习方法的不断进步，深度学习逐渐用于激光熔覆过程的检测和控制，在很大程度上推动激光熔覆技术的发展[1]。

深度学习是非常强大的机器学习技术，其实质是通过添加多种算法，建立多样化的模型对人类神经系统进行模拟，通过海量数据对构建的多层隐藏层进行训练，从大量的数据中自动学习特征，已在图像与语言处理方面获得广泛使用。神经网络原理如图1所示。该技术可用于激光熔覆领域，通过对大量的熔覆过程数据进行训练和学习，可实现熔覆过程的实时监控，保证熔覆层的加工质量。

图1 神经网络原理图

1 激光熔覆的基本原理和应用领域

1.1 基本原理

1947年，激光熔覆概念提出；到20世纪80年代，激光熔覆成为表面强化领域的前沿性课题；进入20世纪90年代，激光熔覆技术在工程应用中产生巨大效益，其最大特点是将大批量制造转换为有针对性的个性制造。

激光熔覆技术以预涂覆或同步送粉的方式将所选熔覆粉末置于基体表面，利用高能量激光束使粉末熔化，快速凝固形成与基体冶金结合的熔覆层。利用该技术不仅可有效解决传统电焊和氩弧焊等热加工方式带来的热变形和热疲劳损伤问题，而且可解决传统电弧焊和喷涂等冷加工过程中的涂层与基体之间结合性能不佳的难题。激光熔覆技术在工程应用中具有较高的性价比。以往对零部件提出特殊要求时，整个零部件均需要由贵金属制成，而激光熔覆可在廉价基材表面制备高性能涂层，不仅满足实际功能需要，而且减少对贵金属的依赖，使廉价材料获得更多的应用可能。因其良好的成本控制优势，激光熔覆技术被广泛用于海洋装备、航空航天、机械工业和石油化工等领域。

激光熔覆工艺过程如图2所示。预置粉末式是指在激光熔覆前将粉末预置在基体上，利用激光照射粉末，使其与基体冶金结合形成熔覆层。该法操作简便并节省原料，特别适用于熔覆贵金属粉末。常用于复杂零件的制造和修复，例如斜齿轮和丝锥等，或用于熔覆送粉器无法到达的区域。在熔覆粉末的流动性较差时，若不便使用送粉器输送，则可采用预置粉末式激光熔覆。但预置粉末式激光熔覆存在粉末厚度不均匀和熔覆效率不高等问题。同步送粉式是指送粉与激光熔覆同步进行。在该过程中，激光能量同时熔化粉末和基体，快速凝固形成与基体结合紧密的熔覆层。该法易于实现自动化、便于控制送粉参数、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问题。

图2 激光熔覆工艺过程

1.2 应用领域

(1)海洋装备领域

海洋是较为苛刻的腐蚀环境，海洋装备通常使用金属材料，往往面临严重的海水腐蚀与磨损问题。激光熔覆技术可在海洋装备表面熔覆高硬、耐磨和耐蚀的涂层，延长装备服役寿命。在核电站海水泵叶轮表面制备激光熔覆涂层，可提高叶轮的耐腐蚀性能；在活塞杆表面制备熔覆层，可协同提升活塞杆表面的耐磨与耐蚀性能，大幅延长活塞杆的服役寿命。激光熔覆具有良好的原位修复能力。TORIMS等[2]利用激光熔覆成功修复船用发动机曲轴，直接在发动机壳体中执行曲柄销轴翻新操作，无须从发动机上拆下曲轴。在成功修复轴的经验基础上，YU等[3]利用激光在轴表面熔覆钛/碳化硼复合涂层，发现该涂层与基体结合良好，没有出现明显的气孔和裂纹，且钛和碳化硼的加入形成碳化钛和二硼化钛等细晶粒强化相，提高曲轴基体的强度和耐磨性。

(2)航空航天领域

与其他传统金属相比，钛合金具有较好的综合性能，其比重小、强度大、耐热性高、耐腐蚀性好，在航空航天领域得到广泛使用，但本身具有一定的加工难度，传统工艺方法在加工钛合金时出现许多需要克服的问题，无法保证加工质量。激光熔覆成型技术基于离散/堆积快速成型原理，可快速制备不同材料的复杂金属零部件，在钛合金加工方面具有较大优势。美国Areo Met公司在实际飞行中成功应用3个钛合金激光熔覆成型零部件，不仅在性能上超出传统零部件，而且因节省切削工序，使其成本降低20%～40%，生产周期更是直接缩短80%。除制造航空零部件外，激光熔覆具有较强的再制造能力。沈婧怡等[4]针对航空发动机所用钛合金基体开展修复研究，分别在基体表面熔覆钛合金和铁铬镍硼合金粉末，结果表明，两种粉末制备的合金涂层硬度均高于钛合金基体，显微组织较好。

(3)机械工业领域

激光熔覆技术对于机械工业领域的制造或再制造具有直接影响。针对机械工业设备的常规失效问题，在易磨损和易腐蚀的零部件表面制备耐磨耐蚀涂层，依然是强化机械设备表面性能较为经济有效的方法之一。利用激光熔覆技术在铝合金车身表面制备整体涂层，不仅实现车身减重与提高车身耐磨性的双重目的，而且尽可能节省制造成本。王成等[5]在煤矿刮板机溜槽板上制备具有较高硬度的耐磨涂层，可满足煤矿行业恶劣工作环境下的机械零部件使用要求。除制备强化熔覆层外，激光熔覆技术用于机械设备零部件的修复强化，例如齿轮、刀具、模具和叶片等，修复后的零部件外观和整体性能均可达到甚至超过新工件。利用激光熔覆可将受损轮机叶片顶端修补至原先高度，如图3所示。

图3 激光熔覆修复轮机叶片

(4)石油化工领域

在石油化工领域，许多开采设备在长期潮湿恶劣的工作环境下，面对重载工况，容易出现表面磨损和腐蚀失效，缩短零部件的使用寿命。频繁维修或更换零部件会影响项目进展并增加额外成本。为解决上述问题，在零部件表面进行高性能熔覆涂层强化是一种最优选择，可提高零部件的使用寿命、降低成本。利用激光熔覆复合陶瓷涂层和耐高温合金涂层可大幅提高油转杆表面的耐磨性和硬度，增加其使用寿命。在石油化工行业中，采用高性能熔覆涂层技术可有效降低维护成本和停工维修时间，提高生产效率和经济效益。

2 深度学习模型的发展

在神经网络模型的基础上，深度学习利用深层次的神经网络模型实现数据的高层抽象特征描述，更好地理解数据的分布和属性。常见的深度学习模型如下：卷积神经网络(Convolutional Neural Network，CNN)、受限玻尔兹曼机(Restricted Boltzman Machine，RBM)和自动编码器(Autoencoder，AE)。

2.1 CNN

CNN是一种前馈神经网络，以其优异的特征提取和图像识别能力著称。CNN的主要构成部分包括输入层、卷积层、池化层和全链接层等。在这些层次中，卷积层是较为核心的一层，其作用是从输入数据集中提取特征；池化层通过从滤波器中选出最大的特征值，对数据进行过滤；全链接层将池化层的输出整合为特征向量并传递至分类器。卷积操作是一种特殊的线性操作，可通过共享卷积核减少模型的参数数量，并可提取相关区域的特征。典型CNN模型如表1所示。

表1 典型CNN模型

2.2 RBM

RBM是基于图模型的自监督学习算法，简单而高效，具备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是基于神经网络的无监督学习，其主要目的是将输入数据进行降维并实现数据重构。基本原理是利用编码器将原始数据映射至编码空间，利用解码器将编码后的数据重构为原始数据。典型AE模型如表3所示。

表3 典型AE模型

3 深度学习在激光熔覆领域的应用

3.1 数据采集与处理

在激光熔覆领域中，深度学习需要先进行数据采集与处理。数据采集需要从大量数据中选择有用的数据，包括激光熔覆过程中的图像、温度、位置、熔池形貌和熔覆层性能等。数据处理主要涉及对采集的数据进行选择和预处理，确保数据的高质量和可用性。在选择时需要注意排除错误和噪声数据，在预处理时需要对数据进行标准化和归一化处理。以激光熔覆智能控制系统为例，在其数据采集与处理过程中，激光熔覆机器人构建一个模型，进行焊枪的逐步移动；摄像机实时传输熔池图像至计算机端，并进行预处理，以便输入至物体检测模型中进行缺陷检测，缺陷模型可通过深度学习中的物体检测技术构建；计算机将已知的缺陷类型、对应的缺陷类型面积值与激光熔覆系统的各项工艺参数进行计算，并发出相应的参数调整指令；控制电路控制伺服电机、激光设备等；根据调整后的参数生产新的熔覆带；摄像机继续拍摄熔覆层表面照片，实现反复控制缺陷面积以达到预期效果并维持智能控制。激光熔覆智能控制系统如图4所示。

图4 激光熔覆智能控制系统

3.2 工艺参数预测和优化

激光熔覆在实际生产中存在一些现实问题，例如熔覆层性能差和熔覆层表面产生裂纹、气孔与夹渣等缺陷，而这些问题通常与激光熔覆工艺参数配置不当有关。基于数据繁多复杂的各项工艺参数组配，深度学习在熔覆工艺优化方面具有较大优势。

AGGARWAL等[6]通过预测熔覆层形貌与熔池面积，发现神经网络模型在描述工艺参数与熔覆层几何形貌之间的非线性关系上具有明显优势。范鹏飞等[7]通过对比反向传播(Back Propagation，BP)神经网络和多元线性回归方法对熔覆层的预测结果，发现BP神经网络的预测效果更胜一筹。GUO等[8]为优化钴基合金涂层的工艺参数，利用BP神经网络确定涂层性能与工艺参数之间的映射关系。徐家乐等[9]利用径向基函数(Radial Basis Function，RBF)神经网络建立不同参数条件下钴基合金涂层的稀释率预测模型。与BP神经网络相比，RBF神经网络具有更好的预测能力。王东生等[10]将遗传算法与BP神经网络相结合，以工艺参数为输入，建立熔覆层结合强度和显微硬度的BP神经网络预测模型，在通过遗传算法进行模型优化后，试样表现更加优异的结合强度和显微硬度。

3.3 激光熔覆过程质量控制

激光熔覆技术在各行各业的广泛应用已对传统加工方式产生一些影响，但由于在激光熔覆过程中难以控制熔池的精度和稳定性，因此在很大程度上制约激光熔覆技术在高精尖领域的发展。为此，研究人员与从业人士开展激光熔覆过程质量监控研究。IRAVANI-TABRIZIPOUR等[11]开展利用神经网络预估激光熔覆几何尺寸的工作，以熔池拟合成的椭圆形作为主要特征输入递归神经网络以计算熔覆高度。SHEVCHIK等[12]以激光熔覆过程中的声信号为输入特征，采用CNN监测激光熔覆过程，最终得到的模型以良好、中等、差等3种等级的孔隙率对熔覆过程进行质量评估。KAO等[13]利用4种深度学习方法实现激光熔覆质量的在线监测，发现涂层稀释率与图像之间存在相关性。ZHANG等[14]使用高速摄像机采集熔覆过程图像，将熔池、羽流和飞溅特征输入支持向量机和CNN，实现激光熔覆加工质量的智能等级控制。

4 结 语

深度学习在激光熔覆领域的研究应用已取得一定进展。通过深度学习可对激光熔覆过程开展工艺优化、熔池监控、成型预测和质量控制等方面的研究。但深度学习在激光熔覆领域的应用仍面临一些挑战。激光熔覆过程的数据获取成本较高，使深度学习模型训练的难度加大。深度学习模型的解释性较差，难以解释模型的预测结果。这些问题使深度学习模型在激光熔覆领域的应用存在一定的风险，需要进一步加强模型的可解释性和可靠性。