华中大综述丨激光选区熔化增材制造的典型缺陷形成机理及其智能监测与过程控制
激光选区熔化（SLM）技术被认为是最有应用前景的增材制造技术之一，已应用于航空航天、医疗器械等领域。然而，如何确保构件质量的可靠性和制造的可重复性是SLM面临的最大挑战，已被认为是限制SLM及其他金属增材制造技术发展和工业应用的最大壁垒。其中，主要原因是SLM过程中会产生难以控制的缺陷。因此，对SLM进行过程监测和实时反馈控制是解决这一挑战的重要研究方向，也已成为学术界和工业界的研究热点之一。论文作者通过对近十年该领域的文献调研，综述了金属激光增材制造中常见的冶金缺陷及其产生机理，对金属增材制造过程产生的信号及其监测手段，如声信号、光信号及热信号等进行了详细描述；总结了信号数据的处理方法，包括传统的统计处理方法和新兴的基于机器学习的智能监测方法；随后，综述了金属增材制造过程的质量控制方法，包括非闭环控制和闭环控制，并对全文进行了总结，展望了未来SLM智能监测和控制领域值得深入的研究方向。 SLM生产周期及质量控制总结与展望综述了选择性激光熔化过程智能监测和控制技术，对SLM过程常见的缺陷及其形成过程进行了较为全面的分析；对SLM过程中产生的光、声、热和振动等信号进行了详细描述，总结了信号和缺陷的对应关系；梳理了常用于SLM过程监测的不同传感器及其采集的信号特征；总结了信号处理方法，分析了机器学习方法在SLM过程监测中的应用；综述了质量控制方法，包括非闭环控制和实时反馈控制。通过对近十年相关文献分析，总结和概括如下：1) 国内外学者通过实验及数值模拟等手段对SLM过程常见的缺陷及其产生机理进行了深入地研究，但目前对SLM构件裂纹的研究还较少，裂纹对构件的力学性能有致命影响，需深入研究。2) 声、光、热等多种传感器已经在研究中得到应用，并能定性的建立监测信号与工艺或缺陷的关系，然而，监测传感器的精度，采集信号的准确性方面还有待提高，要建立工艺-信号-缺陷的定量关系还面临很大的挑战。3) 机器学习算法已经在SLM过程监测中得到应用：基于采集的信号，提取特征，采用机器学习算法建立信号和缺陷或者工艺之间的关系，对缺陷或加工状态进行分类或预测。然而，目前监测信号处理主要在SLM加工后，SLM过程中激光扫描速度快，要实现实时监测和控制，需考虑数据的处理时间。4) 在反馈控制方面，主要是在工艺规划阶段考虑构件的尺寸和形状特殊性，设置路径和工艺参数，实现质量控制。基于监测信号的实时反馈控制的研究较少，尚待深入。目前，针对SLM过程智能监测和实时反馈控制研究主要有以下发展趋势：1) 信号-缺陷-工艺参数的定量关系。SLM为制造复杂构架提供了手段，但是如何保证构件质量的可靠性和制造的可重复性仍是一大挑战。原位监测和实时反馈控制是解决这一挑战的重要手段。过程监测的最终目的是为实时闭环控制提供可靠的数据。建立监测变量及特征与工艺、构件质量之间的定量关系是实现SLM过程实时反馈控制的前提。建立传感信号特征与缺陷、缺陷与工艺参数及传感信号-缺陷-工艺参数之间的定量关系是SLM过程监测的重要发展方向。2) 多传感器监测、多传感信号融合。基于单一的声、光、热等传感信号的过程监测具有很大的局限性，采集到的信号比较片面、准确度较低。基于多传感器监测光、声、热等多种信号能够提供更加全面的、可靠的、精确的信息以实时监测加工状态和识别缺陷，并为实时反馈控制提供依据。相应地，必将涉及到多类型、多维度传感信号的融合问题，将多传感多源信号数据融合，最大限度的挖掘信息并判断SLM过程状态和缺陷是SLM过程监智能测需要解决的问题之一，也是SLM过程监测未来的发展趋势。3) 基于机器学习的SLM过程监测与实时控制。SLM过程激光束逐层快速扫描，要求快速地采集信号并迅速做出判断。监测过程采集的信号数据量大，传统的傅里叶变换、概率密度分度分析、小波包分解等很难快速准确地的分析并做出决策。机器学习算法可以快速提取信号特征、识别缺陷类型，并迅速调整工艺参数。4) 面向全尺寸构件的全过程监测与实时质量控制技术。目前，SLM过程监测与控制研究多针对单道扫描或者小尺寸简单试件。如何对工业生产中大尺寸构件制造的全过程监测与控制仍面临诸多挑战，也是未来重要的发展方向之一。论文引用：曹龙超, 周奇, 韩远飞, 等. 激光选区熔化增材制造缺陷智能监测与过程控制综述[J]. 航空学报, 2021, 42(10): 524790.论文下载：https://hkxb.buaa.edu.cn/CN/Y2021/V42/I10/524790 来源：增材制造硕博联盟
