稀土改性高强铝微桁架激光增材制造工艺调控

微桁架夹芯板点阵轻量化结构在航空航天领域有重要应用,选区激光熔化（SLM）增材制造技术可克服传统工艺局限性,高质量一体化成形复杂点阵结构。以稀土Sc改性高强Al-Mg合金为对象,采用SLM工艺对其进行工艺优化试验,并基于优化结果对微桁架夹芯板开展一体化成形工艺调控研究。研究结果表明：SLM成形Al-Mg-Sc-Zr合金表面质量、冶金缺陷等随激光参数发生显著变化,在激光功率400 W、扫描速度800 mm/s的条件下获得较高表面质量（粗糙度为13.2 μm）及致密度（相对密度为99.5%）。当扫描速度较低时试件熔池底部形成一次Al₃Sc析出相,而当扫描速度过高时因凝固速度过快析出相减少,导致试件显微硬度降低。在优化工艺区间内,随激光扫描速度增加SLM成形Al-Mg-Sc-Zr微桁架夹芯板粘粉比例下降,构件质量随之减轻;水平方向构件尺寸精度、桁架微杆成形精度均随扫描速度增加而增加。     

TC17钛合金激光熔覆熔池实时监测算法研究

航空发动机钛合金压气机叶片工作时,由于长时间高强度服役和异物损伤,叶片会发生变形、凹痕、磨损、裂纹甚至断裂。激光熔覆技术因其热影响区小、沉积性能好、成形精度和自动化程度高,已经成为叶片修复的重要方法之一。熔池几何特征是影响熔覆质量的关键因素,因此本文针对熔池实时监测,提出了一种基于图像处理的识别测量算法。首先,通过图像掩膜提取ROI区域,再对ROI区域进行伽马变换、阈值二值化实现熔池区域的分割;然后计算轮廓面积特征进行去噪;最后采用AABB包围盒对熔池的几何特征进行提取,实现了熔覆过程中熔池长宽的实时监测。最终通过多参数正交试验,验证算法平均识别误差为0.24 mm。     

数字孪生驱动的薄壁件铣削刀具磨损状态识别方法

薄壁零件由于其本身的弱刚性,铣削过程中极易发生颤振、变形,从而加剧刀具磨损,为提高薄壁零件的铣削加工效率和表面质量,提出了一种数字孪生与支持向量机（SVM）融合驱动的刀具磨损状态识别方法。利用时、频域分析和小波包变换提取特征向量,通过网格搜索与交叉验证（GSCV）的方法进行超参数寻优,结合SVM算法构建薄壁零件铣削刀具磨损状态识别模型。试验结果表明,SVM算法在高维小样本数据的分类识别问题中优势明显,对于不同铣刀磨损状态的识别准确率分别达到96%和90.16%,具有较好的泛化能力。结合机器学习算法构建高保真、轻量化的数字孪生体,并将其嵌入薄壁零件铣削过程监测平台,以解决加工过程中信号实时监测和刀具磨损状态在线识别的问题。     

激光功率与底面状态对选区激光熔化球化的影响

为研究激光功率与底面状态对选区激光熔化熔池流动的影响,基于离散单元法建立了选区激光熔化铺粉模型,采用粒径分布与实验相符的马氏体时效钢粉末分别铺展到平坦底面和增材底面上,将计算获得的粉末分布导入到基于有限体积法建立的选区激光熔化熔池计算流体力学模型中,研究激光功率和基板底面粗糙度对熔池流动和熔道表面形貌的影响。采用激光单道扫描实验验证铺粉模型和选区激光熔化模型。结果表明：随着激光功率的降低,单位长度的球化数量增加;由于增材底面使熔池润湿性变差,同时又对熔池流动行为产生扰动,使得增材粗糙底面上熔道的球化数量增加。选区激光熔化铺粉模拟及激光单道扫描模拟结果与实验结果吻合较好。本研究可为选区激光熔化工艺中工艺参数的选择提供理论指导。     

基于GRNN算法的飞机用电设备非侵入式负荷监测方法

随着飞机的多电化和全电化,机上电气检测及其负荷管理至关重要,然而飞机上为诊断所设置的传感器数量要求越少越好,非侵入式负荷监测（NILM）方法无需分散进入负荷内部,仅检测汇流条级别电力参数可完成负荷识别。选择稳态电流谐波参数为负荷印记,采集某型飞机交流主汇流条上用电设备真实电流波形,提取1~19次谐波含量建立特征库,用广义回归神经网络（GRNN）算法辨识负荷类别,设置适当样本数和扩展速度以有效提高识别准确度。实验表明：GRNN算法较之BP神经网络算法和SVM算法识别准确度更高,计算速度更适于飞机电气系统负荷监测和管理。将非侵入式负荷监测方法引入飞机供电系统分析,将为飞机电气管理、故障诊断和预测等进一步研究提供有效参考。     

基于导波传播模型的MUSIC损伤识别算法

针对结构健康监测领域的损伤近场定位问题,提出了适用于复合材料结构损伤识别的近场二维多重信号分类（MUSIC）损伤识别算法。该损伤识别算法将导波传播模型引入近场二维MUSIC损伤识别模型,构造损伤散射信号与实验差信号的互相关矩阵,通过信号子空间与噪声子空间正交特性构造近场二维MUSIC空间谱。通过数值仿真和实验验证了所提出的损伤识别算法能够有效地识别复合材料结构损伤位置信息,具有很高的定位精度和分辨率。针对飞机垂直尾翼的加强筋结构对导波传播特性影响较大的问题,提出了分区域监测的损伤检测策略,并利用基于导波传播模型的二维MUSIC空间谱损伤识别算法成功地识别飞机垂直尾翼结构损伤,实现了复杂复合材料结构损伤识别的工程验证。     

CO_2激光焊接TC4熔池红外光辐射信号与焊接参数的关系

利用CCD摄像机以及红外光辐射信号监测系统系统地研究了钛合金TC4激光焊接过程中红外光辐射信号的特征以及焊接线能量与熔池红外光辐射信号熔池面积的关系。研究表明,(1)对应整条焊缝,红外光辐射信号可明显分为3个阶段,分别对应焊接起始阶段、准稳态阶段及焊接收弧阶段(;2)当线能量增加(功率不变焊接速度降低)时,熔池面积变大,红外光辐射信号相对强度随之增强;(3)熔池面积与红外光辐射信号相对强度之间存在相同的变化规律,因此利用红外光辐射信号可以相当准确地监测焊接过程的熔池面积变化,进而监测焊接过程的稳定性。     

覆膜陶瓷粉末的选择性激光烧结工艺研究及参数优化

研究了选择性激光烧结成形制造过程中激光功率密度、扫描速度、预热温度和激光束扫描间距对烧结成形件致密度的影响,通过正交试验及方差分析,判定了各工艺参数的显著性及其重要性顺序,并给出覆膜陶瓷粉末烧结的最佳工艺参数。     

基于脑电和眼动信号的人机交互意图识别

意图识别在人机交互（HCI）领域受到广泛关注,传统人机交互意图识别方法单纯依靠脑电（EEG）或眼动数据,不能很好地利用2种方法优点。为此,提出了一种融合脑电和眼动数据的人机交互意图识别方法,通过采集脑电和眼动信号,进行特征提取,输入机器学习模式识别网络进行意图识别,并基于Dempster-Shafer （D-S）证据理论进行决策层融合得出最终识别结果。招募了20名有效受试者进行交互意图识别实验,结果表明,基于脑电和眼动信号的人机交互意图识别方法识别准确率高于单纯依靠脑电和眼动数据的方法,可为下一步飞行器和武器系统人机交互系统自适应设计提供理论依据和技术支持。     

基于随机子空间方法的模态参数识别研究

随机子空间识别 (StochasticSubspaceIdentification ,以下简称SSI)方法是一种新的时域识别方法 ,该方法仅用自然响应数据 ,通过QR分解和SVD分解等一套正交投影算法识别系统模型。研究了SSI方法在模态参数识别领域的应用。采用NASAmini mast模型 ,仿真分析了SSI算法控制参数选择技巧 ,论证了其参数识别精度。通过处理日本CFT大楼实测数据 ,研究了SSI方法识别真实结构模态参数的问题。应用Kalman滤波器 ,测量响应可以分解为模态空间响应 ,将信号功率谱分解成多条单自由度系统功率谱。     

6061铝合金激光穿透焊的焊缝成形

分别采用光纤激光和YAG激光对2.5mm厚的6061铝合金开展了激光穿透焊接试验,研究了主要焊接参数对焊缝成形的影响规律。结果表明,与YAG激光相比,高能量密度的光纤激光更易于实现穿透焊接,且光纤激光获得良好焊缝成形的工艺区间更大。在穿透焊接条件下,焊缝截面形貌分为钉头形和近X形两种。当激光功率较高时,光纤激光焊缝更趋向于生成近X形截面,YAG激光焊缝更易于生成钉头形截面。焊缝成形受激光功率密度和焊接热输入双重因素的影响。随激光功率密度和焊接热输入的增大,光纤激光焊缝截面形貌逐渐由钉头形向近X形转变。     

GH4169合金激光选区熔化成形工艺与缺陷特征的相关性

通过改变激光选区熔化成形工艺,即激光功率和扫描速度,制备多个GH4169试样。采用金相法观察显微组织及其内部缺陷的形貌与分布,采用X射线断层成像获得试样孔隙率,并统计分析缺陷三维特征,研究成形工艺与缺陷特征的相关性。结果表明：当能量输入密度为59.1 J/mm³的优化工艺时成形试样中互相搭接的熔道形貌齐整、随机分布的规则气孔尺寸小于30μm、致密度高达99.9998%。在较窄的工艺窗口下(220～300 W、700～1300 mm/s),试样致密度对扫描速度更为敏感,高扫描速度易形成分布在熔道搭接区内极不规则的未熔合。偏离优化工艺时,缺陷数量增多,部分缺陷尺寸大于30μm,其中高激光功率形成的气孔形状或高扫描速度形成的未熔合形状都与各自的尺寸密切相关,即尺寸越大,形状越不规则,产生的不利影响要远大于规则气孔。     

GH3625合金激光直接成形工艺

为了研究工艺参数对金属激光直接成形零件质量的影响,通过正交试验的方法对单道单层GH3625合金激光直接成形工艺进行了研究,主要探究了激光功率、扫描速度、送粉速度等参数对单道单层成形截面宽度和高度的影响规律,提出预测模型并做了验证。结果表明,在单道单层成形中,激光功率、送粉速度、扫描速度等工艺参数对单道宽度和高度具有不同程度的影响,其中,对于单道成形宽度和高度来讲,扫描速度对其影响最为明显。试验验证结果表明借助Minitab软件得到的线性回归模型是有效的。     

激光选区熔化成形镍钛基五模超材料力学响应研究

五模超材料（Pentamode metamaterials,PMs）具有解耦的相对密度和力学性能,在特种声学装备和生物植入物领域具有潜在应用价值。激光选区熔化（Selective laser melting,SLM）技术具有成形复杂精细晶格超材料的能力,可实现定制刚度、单元尺寸和孔隙率。通过五模超材料结构优化设计,利用激光选区熔化成形镍钛形状记忆合金,实现了不同形态的五模超材料结构成形,并开展模拟和性能测试表征研究。微观形貌的观测结果显示,SLM成形的镍钛基五模超材料具有较好的制造保真度。有限元仿真预测结果发现应力集中于杆与杆的连接处。压缩力学试验结果显示,镍钛基五模超材料的强度随着相对密度的增大而增大。通过建立相对密度和相对模量与强度的数学模型,提出了不同相对密度五模超材料的力学性能预测方法。     

选区激光熔化成形AlMgScZr合金组织及性能研究

采用选区激光熔化（SLM）对AlMgScZr合金进行了打印成形,分析了不同激光功率对打印试样致密度、表面形貌、微观组织及力学性能的影响规律。结果表明,激光功率在80~240 W内,AlMgScZr合金的致密度先升后降,当激光功率为200 W时致密度达到最大值,为99.6%;AlMgScZr合金的抗拉强度与致密度密切相关,在近似全致密的状态下,合金的力学性能达到最优,抗拉强度和延伸率分别为492 MPa和18.4%;由于Sc、Zr元素的加入,合金内部形成与基体共格的Al₃（Sc, Zr）相,可作为有效的形核质点促进晶粒细化,其强化机制主要为细晶强化和析出强化。     

基于人工神经网络的航空铝合金激光切割工艺研究

为了推动铝合金激光切割工艺在航空领域的应用,进而对航空铝合金激光切割工艺进行研究。采用正交试验获取了工艺参数与质量特性的数据样本;再利用Python语言建立一个包含双隐藏层的人工神经网络模型对样本进行学习,通过该模型探究了工艺参数同质量特性之间的影响关联并进行预测分析。结果表明,得到的各质量特性预测的平均误差都能控制在10%以内。通过该模型优化获得试验件的尺寸偏差、粗糙度和热影响区宽度的实际测量值和预测值误差分别为8.5%、6.4%和8.2%。     

激光选区熔化增材制造缺陷智能监测与过程控制综述

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。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。     

基于功率谱密度的车削质量控制

重点探讨一种基于功率谱密度的车削质量控制方法,与目前较为成功的基于粗糙度的车削质量控制方法相比,它能充分利用实际轮廓的全部实测数据并将车削过程各要素对功率谱密度的影响明显地区分开。初步研究表明,该方法是一个很有前途的车削质量控制方法。     

基于压缩感知的整体叶盘多模态振动叶尖定时信号重构方法

叶尖定时测量技术是近年来发展的一种非接触式旋转叶片振动监测方法,具有非入侵性的优点,但是该系统测得的振动信号通常是欠采样的。为了能够重构叶尖定时欠采样信号,本文根据压缩感知理论以及叶尖定时采样原理引入了叶尖同步振动信号稀疏模型以及叶尖振动信号重构方法。对整体叶盘有限元模型进行瞬态分析得到叶尖振动信号,使用优化的正交匹配追踪算法以及基追踪对欠采样信号进行重构并和传统方法进行对比。计算结果表明：在信噪比为30dB的噪声环境下,限制频域的正交匹配追踪算法(OMP-RFD)可以准确地识别出叶尖振动信号的主要频率成分。最后使用试验所获得的叶尖振动信号进行重构,验证了OMP-RFD算法有效性。综上可知：压缩感知方法可以很好地应用于叶尖定时测量装置中,能够使用较少传感器识别叶尖同步振动欠采样信号参数,有效提高噪声环境下识别高阶频率的成功率以及准确度。     

基于深度学习的PIV流场图像修复技术

粒子图像测速技术（PIV）是空天动力装置研究中常用的流场测试方法。但对具有复杂流动特征的燃烧室,通过传统互相关算法处理得到的流场结果往往具有一定缺陷。本文将深度学习应用于PIV后处理中,以实现流场数据的异常检测和修复。在甲烷预混对冲火焰数据集上,将异常划分为两种类型,并搭建U-Net卷积神经网络架构。经过训练和优化,模型以较高置信水平识别两类异常并使用不同策略自适应修复,过滤噪声并保留原始正常数据。同时模型具有较好的可迁移性,可以为其它种类的流场数据修复提供参考。与POD迭代法和中值滤波相比,神经网络强大的非线性特征具有明显的优势,这种方法不仅修复率高,而且在不同工况下鲁棒性好。