坚持专心 丨保持专注 丨 铸就专业

点击长三角G60激光联盟关注/置顶公众号

新闻资讯|技术文章| 会议论坛 |产业招商

长三角G60激光联盟导读

佛山大学、军事科学院防化研究院、陆军装甲兵学院装备再制造技术国防科技重点实验室、成都国营锦江机器厂的科研人员报道了激光熔覆过程中缺陷检测与预测的机器学习研究进展。相关论文以“Recent advances in machine learning for defects detection and prediction in laser cladding process”为题发表在《Next Materials》上。

文章重点：

系统总结了典型缺陷及其形成机制

综述了激光熔覆过程典型监测技术

归纳了用于缺陷分类与识别的典型机器学习算法

作为人工智能的核心组成部分，机器学习近年来在激光熔覆领域获得了广泛关注。通过算法分析数据、识别规律与模式、进行预测与决策，机器学习已深刻影响着激光熔覆工艺的各个环节。熔覆过程中产生的缺陷会严重影响熔覆层的质量与性能，如何保证熔覆质量的可靠性与可重复性始终是激光熔覆技术的核心问题。基于数据驱动的机器学习算法能够实现激光熔覆过程的缺陷监测与识别，并为熔覆过程参数优化与缺陷调控提供反馈机制，这已成为当前研究前沿。本文系统梳理了激光熔覆缺陷类型及其形成机理，阐释了激光熔覆过程的信号特征与监测原理方法，归纳了机器学习在熔覆过程信号特征提取、缺陷分类与预测方面的研究进展，总结了当前主流的缺陷检测机器学习模型与算法。研究表明，机器学习算法能有效识别熔覆层缺陷，并建立特征信号-熔覆缺陷-工艺参数间的关联关系。目前监督学习算法占据主导地位，但数据标注需求较低的无监督与半监督学习算法在熔覆过程监测中正获得越来越多的关注。相关研究成果为机器学习在激光熔覆领域的研究重点与发展方向提供了重要参考。

关键词：激光熔覆；机器学习；缺陷检测；人工智能

图1.机器学习在激光熔覆缺陷检测中的应用

图2.激光熔覆层气孔形成机理

图3.熔覆层裂纹形成机理及主要分布区域

图4.飞溅颗粒导致的表面粗糙与球化缺陷

图5.激光熔覆试样几何变形：(a)波浪形缺陷，(b)缺陷点云转换结果

图6.激光熔覆过程熔池信号采集方法

图7.激光熔覆原位声信号采集装置

图8.熔覆过程图像采集系统：(a)装置结构，(b)熔池图像，(c)特征提取

图9.激光熔覆缺陷检测与工艺性能优化的机器学习框架

图10.基于图像识别的送粉异常检测流程

图11.基于工艺参数的熔覆层形貌与稀释率ANN预测流程

图12.基于声发射信号的熔覆层气孔/裂纹深度学习方法

图13.薄壁试样力学性能的CNN预测框架

图14.基于随机森林的熔覆层缺陷采集-特征提取-模型训练验证流程

图15.迁移学习在激光熔覆中的应用

图16.基于半监督学习的熔池分类框架

本文系统综述了机器学习算法在激光熔覆缺陷评估领域的应用进展，深入分析了激光熔覆过程中的常见缺陷及其形成机制，归纳了熔覆过程产生的声、光、热等信号特征，阐述了这些信号与熔覆缺陷的对应关系，回顾了机器学习算法的分类与特点，并总结了其在熔覆过程信号处理中的应用。基于文献分析得出以下结论：

（1）激光熔覆过程复杂，产生的缺陷直接影响熔覆层质量。缺陷形成机理与分布规律受多因素影响，且不同缺陷间存在相互作用与演化关系。目前国内外学者通过多尺度实验与模拟对气孔、裂纹等缺陷开展了研究，但对相关缺陷的产生机理及其对熔覆质量影响的认知仍不充分，需采用更系统的方法推进研究。

（2）建立熔覆过程"工艺-信号-缺陷-质量"的量化评价体系是保证熔覆质量可靠性的关键难题。当前声、光、热等多类传感器已应用于熔覆过程监测，研究信号-工艺-缺陷-质量的关系。但由于传感器精度与缺陷特征提取效率的限制，建立工艺与信号、缺陷间的定量关系仍具挑战性。因此，发展多传感器信号融合的在线监测与缺陷特征提取技术，获取全面准确的熔覆信息与缺陷状态，实现全过程质量实时监控，是熔覆过程监测的重要发展方向。

（3）机器学习算法已应用于激光熔覆缺陷检测，通常基于信号特征、工艺参数与缺陷特征构建数据集，通过算法建立特征间关联。但现有监测研究多针对单道或小面积熔覆层，小样本数据集易导致过拟合，降低实际缺陷检测精度。需设计专门针对熔覆过程的标准缺陷检测数据库。此外，选择适合的机器学习算法对检测不同缺陷至关重要：CNN擅长处理缺陷图像数据，SVM适用于传感器信号/图像的多分类问题，K-means聚类在无监督/半监督学习中应用广泛。

基于总结提出展望：为推动激光熔覆技术成为制造与再制造领域的关键创新技术，机器学习方法的应用需重点关注以下方向。激光熔覆技术在制造业应用前景广阔，机器学习技术的引入能有效提升熔覆效率、降低熔覆层缺陷。当前报道文献多集中于监督学习算法，其对数据标注要求高且耗时耗力，因此无监督与半监督学习算法在熔覆过程监测领域日益受到重视，新型模型不断涌现并展现出巨大潜力。此外，通过机器学习技术可实现熔覆设备的自动化控制与在线监测，通过分析熔覆大数据优化调整激光功率、扫描速度、送粉量等参数，实现熔覆过程的自动化与智能化，提升生产效率并降低成本。机器学习技术将为激光熔覆领域带来更多创新与发展机遇，支撑其在制造业的广泛应用。

论文链接：

获取原文可点击底部阅读原文登入江苏联盟网站注册下载或者微信后台联系我们