基于人工神经网络的铝合金激光熔覆层特征与性能的预测

基于人工神经网络(ANN)技术,采用MATLAB作为开发平台,建立了激光熔覆参数与熔覆层特征及性能之间的关系模型.模型以激光功率、扫描速度、光斑直径、涂层成分配比作为输入参数,以熔覆层硬度、熔覆层宽度和高度作为输出参数.对熔覆层的特征与性能进行了预测.结果表明,该模型的平均误差较小,网络训练后检验精度较高,具有较好的预测能力.该模型能够用于预测铝合金表面激光熔覆层的特征与性能.     

激光熔覆工艺参数对Fe W B熔覆层质量的影响

采用激光熔覆技术在65Mn钢表面熔覆FeW B三元硼化物熔覆层。通过单道熔覆与单层多道熔覆实验,探究激光功率、扫描速度、送粉速率、搭接率对熔覆层质量的影响,获得优化激光工艺参数组合。并通过光学显微镜、X射线衍射仪和维氏硬度计对熔覆层进行分析。结果表明:工艺参数对熔池高度与熔池宽度的影响程度由小到大排列为:送粉速率、扫描速度、激光功率,对维氏硬度的影响程度由小到大排列为:扫描速度、送粉速率、激光功率。获得的最优工艺参数组合为:激光功率800W,扫描速度3mm/s,送粉速率4 g/min,搭接率50。此时熔覆层的维氏硬度均值为7579 HV,是基材的35倍。熔覆层与基材冶金结合良好,其微观组织由枝状晶、胞状晶和柱状晶组成。     

多道搭接激光熔覆层开裂的机理和试验分析

利用数值分析和试验相结合的办法,对多道搭接激光熔覆层的开裂机理和规律进行了研究。数值分析结果表明,激光熔覆后,熔覆层内部呈明显的拉应力状态,且主要集中在熔覆层底部与基体的交界处,因此单道熔覆时熔覆层的开裂倾向主要是垂直于扫描方向。在两道搭接熔覆时,前一次熔覆输入试样的激光能量在试样内部传递和扩散已有一定的时间,试样的整体温度升高后,第二次熔覆时激光能量输入产生的热量在试样内部形成的温度梯度就会有所减小,从而降低了工件内部的应力水平。两道熔覆完成后,由于熔覆层在扫描所受的拉应力降低的幅度最大,而垂直于扫描方向所受的拉应力变化不大,此时若熔覆层开裂,则开裂的方向将不再是垂直于扫描方向,而是会与扫描方向成一定的夹角。实际熔覆中,对单道、多道熔覆时熔覆层的开裂现象进行了观察,试验结果与分析结果较好地吻合。     

TaC/Ni60激光熔覆层的耐蚀性研究

采用静态浸泡法对原位生成TaC颗粒强化镍基激光熔覆层的耐腐蚀性进行研究.使用金相显微镜和X射线衍射仪对熔覆层进行显微组织和物相分析,在光学显微镜下观察样品表面腐蚀形貌.结果表明:含10wt%(Ta2O5, C)的TaC/Ni60镍基复合涂层在10%H2SO4溶液和10%HCl溶液中均表现出较好的耐腐蚀性能,与纯Ni60激光熔覆层相比,其相对耐蚀性提高50%.     

飞秒激光加工对熔覆层侧壁粗糙度的影响

针对熔覆成型件表面粗糙的难题,提出了在成形过程中对熔覆层侧壁进行飞秒激光精密加工的方法,重点研究了精密加工过程中飞秒激光的能量密度、能量分布、光斑重叠率对熔覆层侧壁粗糙度的影响规律,结果表明:当焦平面处飞秒激光的能量为高斯分布,加工得到的熔覆层侧壁表面粗糙度Ra 3 m时,激光能量密度介于0.12~0.34 J/cm2之间;当能量为平顶分布并且加工后熔覆层侧壁表面粗糙度Ra 3 m时,最佳能量密度范围为0.13~0.66 J/cm2;同等参数条件下,平顶能量分布激光加工得到覆层侧壁粗糙度小于能量高斯分布时的粗糙度数值。熔覆层侧壁粗糙度随光斑重叠率的增加先减小后增大,实验获得的最佳重叠率范围为78%~85%。     

送粉式激光熔覆获得最佳熔覆层的必要条件及其影响因素

在分析自动送粉式激光熔覆过程中熔覆材料颗粒加入方式及其在激光束中的行为的基础上,建立热平衡方程,推导出反映熔覆过程实际情况的参数：熔覆材料颗粒尺寸、在激光束中运动距离、加热温度、激光功率密度之间的相互关系式等。指出在自动送粉式激光熔覆中能够获得最佳熔覆层的必要条件是：熔覆材料颗粒进入激光束后直到其落到基体材料表面之前,必须始终在激光束中。激光束沿着扫描方向必须有足够的宽度是满足上述条件的关键,同时提出其计算方法及公式,并阐明获得最佳熔覆层的工艺参数之间的匹配原则     

激光熔覆工艺与粉末对覆层开裂行为的影响

在高参数阀门零件密封面上进行厚履层激光熔覆时，发现覆层裂纹是主要的质量缺陷。本主要讨论熔覆工艺，覆层材料二方面对激光熔覆层开裂行为的影响。     

人工神经网络的激光熔覆层特征分析

为了分析激光熔覆层特征状态,提高激光熔覆质量,对基于人工神经网络的激光熔覆层特征分析方法进行设计。首先制备激光熔覆样本;将样本制作工艺参数输入遗传算法神经网络,建立激光熔覆层特征变化规律预测模型,分析几何特征与激光工艺参数间关联,依据关联分析熔覆层特征的变化情况。结果显示：该方法能够预测激光熔覆层特征变化征规律,宽度最大误差仅为0.003 mm,高度最大误差仅为0.002 mm,稀释率最大误差仅为0.002;不同的扫描速度下,熔覆层的稀释度特征呈现出明显差异,并且在激光功率、送粉速度的变化下,熔覆层特征均发生不同程度的变化。     

激光熔覆石化阀门密封面熔覆层裂纹控制的研究

采用5kW横流CWCO2激光器,对不同基体材料的石化高参数阀门密封面进行激光熔覆,所用合金粉末为CoCrWB与NiCrFeBSi合金粉末。在研究解决了厚层单道熔覆裂纹问题基础上,得到了厚2mm～3.5mm,表面平整、无质量缺陷的激光熔覆层。结合激光熔覆阀门零件的试验研究,分析探讨了影响熔覆层,特别是厚层熔覆层裂纹形成的各种因素及其综合影响,提出了关于建立判断熔覆层裂纹形成的应力判据模型的思路。     

原位生成WB-CrB增强镍基激光熔覆层的耐蚀性研究

采用静态浸泡法对原位生成WB-CrB增强镍基激光熔覆层的耐腐蚀性进行研究.使用扫描电镜和X射线衍射仪对熔覆层进行显徽组织和物相分析,在光学显微镜下观察样品表面腐蚀形貌.结果表明:WB-CrB增强镍基激光熔覆层(Ni60+16 wt.%(WO3/B2O3+C))在10%H2SO4(质量百分数)溶液中表现出较好的耐腐蚀性能...     

激光涂复层质量控制研究

本文对激光涂复层外观及同部质量进行了系统的研究。分析总结出了影响涂层质量的主要因素，及防止涂层缺陷提高涂层使用性能的有效手段。     

基于神经网络的宽带激光熔覆熔池特征参数预测

为了实现宽带激光熔覆熔池特征的准确预测,从 而对激光熔覆工艺过程进行实时监测、评价及反馈 控制。通过宽带激光熔覆全因素工艺试验采集熔池特征参数样本数据,采用遗传算法优化BP 神经网络的 初始权值和初始阈值,建立激光熔覆工艺参数(激光功率、粉末厚度、扫描速度)与熔池特 征参数之间的 BP神经网络预测模型。利用训练集数据对所建立的神经网络进行训练,形成输入与输出之间 的映射关系, 并利用测试集数据对网络进行测试。试验结果表明,宽带激光熔覆熔池特征参数神经网络预 测模型具有很 高的精度。该神经网络预测模型对激光熔覆过程监测及熔覆层质量控制具有重要意义。     

基于BP神经网络的光纤激光切割切口粗糙度预测

为了研究工艺参量对光纤激光切割切口质量的影响,进行了切割T4003不锈钢试验,分析了工艺参量与切口质量之间的关系。采用基于误差反向传播算法的人工神经网络,建立了激光功率、切割速率、辅助气体压力等工艺参量与切口粗糙度之间的预测模型。对切割试验采集的训练样本进行了网络训练,并利用测试样本对训练模型进行验证。结果表明,随着激光功率增加,切口粗糙度增大;随着切割速率和辅助气体压力增加,切口粗糙度减小。神经网络预测模型精度较高,网络训练效果良好,预测值与试验样本值间的最大相对误差为2.4%。训练后检验精度较高,检验样本最大相对误差仅为6.23%。该模型可有效预测激光切割切口表面粗糙度,同时为合理选择及优化工艺参量,提高激光切割质量提供试验依据。     

激光熔覆技术的研究进展

激光熔覆技术是一种先进的表面改性技术,具有广泛的应用领域.本文介绍了激光熔覆技术的发展、应用、激光熔覆技术的设备及工艺特点,对激光熔覆层的表面质量、熔覆层存在的问题及熔覆层内裂纹形成的影响因素进行了综合评述,同时展望了激光熔覆技术的发展前景.最后,指出了存在的问题和今后努力的方向.     

真空激光熔覆的研究

真空激光熔覆避免了大气中有害气体对熔池的侵入,使熔覆层中的显微缺陷和开裂敏感性减小,提高了熔覆层的质量;并且真空熔覆的工艺特点与大气下的激光熔覆不完全相同;其它工艺条件相同时,真空激光熔覆的尺寸(宽度W和厚度H)明显小于大气下熔覆层的尺寸。     

高能束熔覆技术的研究现状及发展趋势

综述了高能束熔覆技术的研究现状,提出了高能束熔覆技术领域存在的主要问题及解决途径,并指出高能束熔覆技术的发展趋势。     

激光熔覆陶瓷涂层与金属基体之间的界面特性

本文综述了激光熔覆陶瓷涂层与金属基体之间界面结构及性能方面的研究情况,提出了提高界面结合强度的措施,同时展望了激光熔覆陶瓷技术的应用前景.     

基于神经网络的粉末冶金材料激光焊接工艺优化

针对薄壁金刚石钻头的激光焊接应用,采用德国LSM240全自动激光焊接系统进行单面焊接试验,建立了粉末冶金材料激光焊接工艺优化的误差反向传播人工神经网络模型,应用该模型研究了激光焊接工艺参数对气孔率和焊缝强度等焊接质量因素的影响,并对薄壁金刚石钻头激光焊接进行了工艺参数优化处理,获得了无气孔缺陷的优质焊接接头。结果表明,气孔率同激光功率、焊接速度之间具有幂函数关系;焊缝强度同激光功率、焊接速度之间具有高斯函数关系。     

基于KPCA-GA-BP神经网络的POI质量预测研究

目前移动网络优化一般基于小区进行网络质量评估及预测，遵循“升维研究，降维实施”的研究思路，提出了兴趣点（point of interest,POI）网络质量的柔性评价体系，但其涉及较多网络关键绩效指标（key performanceindicator,KPI），导致POI网络综合质量评价体系较为庞杂且预测精度不高，为提高POI网络质量预测精准性，采用核主成分分析（kernelprincipalcomponentanalysis,KPCA）算法对反向传播（back propagation,BP）神经网络的输入变量进行相关性压缩，简化了BP神经网络结构，然后通过遗传算法（genetic algorithm,GA）优化了BP神经网络连接权值及阈值参数。与传统BP神经网络预测结果进行对比，在预测准确度方面提高了10.90%，均方误差性能显著降低，对研究POI网络质量的预测可起到较好的支撑作用。