數(shù)字孿生驅(qū)動的金屬選擇性激光熔融成形過程在線監(jiān)控

段現(xiàn)銀，陳昕悅，向 峰，朱錕鵬，蔣國璋

(1.武漢科技大學 冶金裝備及其控制教育部重點實驗室，湖北 武漢 430081；2.中國科學院 合肥物質(zhì)科學研究院智能機械研究所，安徽 合肥 230031)

0 引言

隨著數(shù)控技術(shù)、先進成形設(shè)備、高性能控制器的飛速發(fā)展，金屬激光熔化成形能更加快速、高效制造出復雜結(jié)構(gòu)的零件，廣泛應用于航空發(fā)動機葉片、齒輪和醫(yī)療等結(jié)構(gòu)復雜難成形制造領(lǐng)域。然而，由于激光熔化成形的精度和性能難以滿足實際要求，阻礙了其應用和發(fā)展。其中表面粗糙、低致密度、斷裂和分層是選擇性激光熔融(Selective Laser Melting, SLM)過程中最主要的缺陷，影響了金屬成形件的精度和可靠性。為了克服這些缺陷，制造出高質(zhì)量的零件，對SLM過程進行實時監(jiān)測和過程控制顯得十分重要。

世界全球化及其對新產(chǎn)品的需求，也對制造系統(tǒng)提出了新技術(shù)范式應用的要求。為此，“中國制造2025”、“德國工業(yè)4.0”、“美國工業(yè)互聯(lián)網(wǎng)”等均聚焦于智能制造[1]。作為智能制造的重要體現(xiàn)，數(shù)字孿生(Digital Twin，DT)[2]可通過實時獲取物理過程的多源數(shù)據(jù)信息并進行分析、融合與處理，連接物理過程及其虛擬過程，助力物理過程的實時監(jiān)測與控制[3-5]，為SLM過程的實時監(jiān)測與過程控制提供可能。

目前，大量學者圍繞SLM在線監(jiān)測這一研究熱點展開了一系列研究。唐梓玨等[6]對不同金屬SLM的熔池動態(tài)特征進行在線監(jiān)測，并解釋了不同幾何輪廓的影響因素；筆者所在團隊[7-9]采用高速攝像機實時在線監(jiān)測成形過程，采用機器學等方法實現(xiàn)了熔池、羽流和飛濺等不同現(xiàn)象的特征識別和數(shù)據(jù)分析，研究了狀態(tài)特征與成形質(zhì)量之間的關(guān)系；產(chǎn)玉飛等[10]將在線監(jiān)測按照熔池溫度、熔池尺寸、元素成分和顯微組織4種方法進行歸類研究和原理介紹；Thomas等[11]采用紅外線二極管對激光熔化過程中的氣孔缺陷和飛濺過程進行在線監(jiān)測，通過控制成形過程的缺陷數(shù)量優(yōu)化成形質(zhì)量；Grasso等[12]將紅外圖像采集和特征提取的數(shù)據(jù)挖掘方法與統(tǒng)計過程監(jiān)測技術(shù)結(jié)合，用于觀測SLM成形不穩(wěn)定性和特殊缺陷；Demir等[12-13]通過設(shè)計同軸監(jiān)測系統(tǒng)監(jiān)測羽流特征來判斷成形件的缺陷類別，發(fā)現(xiàn)較小的孔隙率可以提高成形件的表面質(zhì)量。

上述學者通過采集成形過程中熔池、羽流和飛濺等現(xiàn)象的相應數(shù)據(jù)進行成形過程狀態(tài)的識別和監(jiān)測，為建立數(shù)字孿生驅(qū)動的監(jiān)控系統(tǒng)提供了很多有意義的參考，也為數(shù)字孿生在SLM上的應用提供了有意義的支撐。

還有較多研究致力于構(gòu)建制造過程或系統(tǒng)的數(shù)字孿生系統(tǒng)。Shen等[14]提出基于深度神經(jīng)網(wǎng)絡(luò)的誤差補償框架進行誤差預測和補償；Zheng等[15]基于數(shù)字模型、計算模型和圖形模型開發(fā)了智能制造環(huán)境下的產(chǎn)品數(shù)字孿生體；孫惠斌等[16]研究了基于數(shù)字孿生的刀具磨損監(jiān)測、刀具壽命預測和刀具選擇決策，并驗證了數(shù)字孿生系統(tǒng)的可靠性；陳友東等[17]搭建了基于機械手的工藝與視覺監(jiān)測信息物理系統(tǒng)，并開展了機械手的監(jiān)測與優(yōu)化控制研究；Cai等[18]將制造數(shù)據(jù)和傳感器數(shù)據(jù)集成到數(shù)字孿生虛擬機床，以提高其可靠性和網(wǎng)絡(luò)物理制造能力；Deng等[19]為了優(yōu)化無線傳感器網(wǎng)絡(luò)能耗和數(shù)據(jù)采集，設(shè)計了基于數(shù)據(jù)清理算法的機床健康監(jiān)測數(shù)字孿生系統(tǒng)；Zhang等[20]提出一種由物理層、網(wǎng)絡(luò)層、數(shù)據(jù)庫層、模型層和應用層組成的數(shù)字孿生車間體系結(jié)構(gòu)；Liu等[21]基于數(shù)字孿生技術(shù)設(shè)計了柔性工裝系統(tǒng)動態(tài)夾緊定位方法，以提高零件生產(chǎn)效率；Wang等[22]構(gòu)建了數(shù)字孿生驅(qū)動的工藝場所資源信息和狀態(tài)感知模型；Zhu等[23]在數(shù)控機床物理和虛擬建模、過程監(jiān)控、大數(shù)據(jù)分析的基礎(chǔ)上，提出一種基于虛擬物理生產(chǎn)系統(tǒng)框架的數(shù)控加工智能監(jiān)控數(shù)字孿生系統(tǒng)。

可見，國內(nèi)外很多研究者將數(shù)字孿生技術(shù)應用于智能產(chǎn)品生產(chǎn)、刀具監(jiān)測、機械手監(jiān)測、機床監(jiān)測和加工車間監(jiān)測等場景，提升了制造過程或制造系統(tǒng)的智能化水平。

綜上，目前已有大量關(guān)于SLM成形過程在線監(jiān)測，以及機械手、機床、刀具和車間等在線監(jiān)測數(shù)字孿生系統(tǒng)的文獻，對于增材制造過程，尤其是金屬SLM成形過程的在線監(jiān)控數(shù)字孿生系統(tǒng)構(gòu)建的研究還未見報道，限制了SLM過程在線監(jiān)測及其智能化水平。SLM成形已經(jīng)越來越多地應用于航空航天、醫(yī)療和工業(yè)領(lǐng)域，SLM成形件性能要求的提升對其成形過程質(zhì)量在線監(jiān)控和智能化的要求越來越高。為此，本文提出一種數(shù)字孿生驅(qū)動的金屬SLM成形過程在線監(jiān)控方法，構(gòu)建了包括物理實體和虛擬空間的SLM成形過程在線監(jiān)控數(shù)字孿生體，以及5個層級的監(jiān)控系統(tǒng)框架，設(shè)計了數(shù)字孿生模型架構(gòu)及SLM成形過程在線監(jiān)控流程，并通過在SLM過程中對熔化狀態(tài)下的典型特征熔池、羽流和飛濺進行監(jiān)測和參數(shù)調(diào)控為案例，展示SLM智能成形制造過程。

1 數(shù)字孿生驅(qū)動的成形過程在線監(jiān)控系統(tǒng)

1.1 SLM成形過程監(jiān)控數(shù)字孿生體的設(shè)計

本文提出一種基于數(shù)字孿生的SLM成形過程在線監(jiān)控系統(tǒng)和方法，該系統(tǒng)建立SLM數(shù)字孿生體(如圖1)的基礎(chǔ)是構(gòu)建粉末熔融過程虛擬空間的幾何模型、運動模型和物理模型，以及對物理實體進行成形過程監(jiān)測、數(shù)據(jù)分析和成形缺陷識別?；诖?，本文通過數(shù)據(jù)信息迭代進行協(xié)同實時優(yōu)化來控制成形表面質(zhì)量，實現(xiàn)數(shù)字孿生驅(qū)動的在線監(jiān)控系統(tǒng)。

在孿生體設(shè)計中，建立了成形設(shè)備、監(jiān)測儀器、粉末材料和輔助裝置等幾何模型，熱源控制、光路偏轉(zhuǎn)、供粉鋪粉和成形腔運動等運動模型，以及熱量堆積、溫度、熱應力和應變等物理模型。對于物理實體，采用紅外相機、溫度傳感器、聲發(fā)射傳感器和等離子體傳感器等進行多源信號在線監(jiān)測，通過對所獲取的圖像、溫度、聲音、等離子進行圖像處理、信號處理、機器學習和異構(gòu)數(shù)據(jù)融合等數(shù)據(jù)分析，識別應力變形、球化孔隙、膨脹裂紋和較差表面粗糙度等成形缺陷。

虛擬空間的仿真數(shù)據(jù)和物理實體的感知數(shù)據(jù)一同構(gòu)成了成形過程的粉材數(shù)據(jù)、設(shè)備數(shù)據(jù)、熱源數(shù)據(jù)、產(chǎn)品數(shù)據(jù)、環(huán)境數(shù)據(jù)、工藝數(shù)據(jù)、狀態(tài)數(shù)據(jù)和質(zhì)量數(shù)據(jù)等孿生數(shù)據(jù)。仿真數(shù)據(jù)和感知數(shù)據(jù)之間的互聯(lián)互通實現(xiàn)了虛擬空間與物理實體之間的信息傳遞。

基于所構(gòu)建的孿生數(shù)據(jù)，由用戶設(shè)計的數(shù)據(jù)監(jiān)測與分析模塊和機器引導的自主學習與優(yōu)化模塊共同進行智能決策。其中，數(shù)據(jù)監(jiān)測與分析模塊從物理實體獲取在線監(jiān)測的多源信息，引導自主學習和優(yōu)化模塊接收行為預測數(shù)據(jù)；機器利用自主學習進行數(shù)據(jù)融合，以輔助用戶分析數(shù)據(jù)。整個數(shù)字孿生體通過用戶和機器共同優(yōu)化，對物理實體和虛擬空間進行實時反饋優(yōu)化。

1.2 系統(tǒng)框架

按照上述數(shù)字孿生體設(shè)計，本文建立了數(shù)字孿生驅(qū)動的SLM成形在線監(jiān)控系統(tǒng)框架，如圖2所示。所建立的框架包括成形設(shè)備層、成形數(shù)據(jù)轉(zhuǎn)換層、網(wǎng)絡(luò)層、成形過程控制層和成形應用層，下面分別對5個層的設(shè)計和功能進行論述。

(1)成形設(shè)備層 該層描述系統(tǒng)的物理元素，如送粉裝置、光路控制裝置和多傳感器監(jiān)測裝置，以獲得實時、準確的目標數(shù)據(jù)，成形設(shè)備各組成裝置的狀態(tài)數(shù)據(jù)通過多傳感器采集。由于不同裝置的數(shù)據(jù)接口之間不兼容，影響了裝置之間數(shù)據(jù)的互聯(lián)互通，需要通過數(shù)據(jù)轉(zhuǎn)換來克服多源數(shù)據(jù)格式不兼容的問題。

(2)成形數(shù)據(jù)層 該層負責將成形設(shè)備層數(shù)據(jù)匯集到數(shù)據(jù)采集系統(tǒng)，并將設(shè)備層讀取的信息進行數(shù)據(jù)轉(zhuǎn)換，以實現(xiàn)成形設(shè)備多源信息數(shù)據(jù)的兼容、融合和存儲，進而通過圖像等數(shù)據(jù)呈現(xiàn)成形過程中的各種物理現(xiàn)象。

(3)網(wǎng)絡(luò)層 該層是成形系統(tǒng)的數(shù)據(jù)集散中心，負責成形數(shù)據(jù)轉(zhuǎn)換層的數(shù)據(jù)傳輸并響應成形過程控制層的請求，通過高度自主的數(shù)據(jù)學習、成形過程在線監(jiān)測和成形件狀態(tài)預測進行數(shù)據(jù)存儲。該層分別連接成形設(shè)備層和成形控制層，為成形設(shè)備層的各裝置提供數(shù)據(jù)支撐，并為成形控制層提供數(shù)據(jù)源，從而實現(xiàn)各層之間的數(shù)據(jù)共享和緊密聯(lián)系。

(4)成形過程控制層 該層是整個框架的核心層，起控制成形過程和優(yōu)化決策的作用。對于成形過程的控制和優(yōu)化，該層基于網(wǎng)絡(luò)層傳輸?shù)臄?shù)據(jù)，應用大數(shù)據(jù)分析和處理技術(shù)構(gòu)建針對不同目標和約束條件的優(yōu)化模型，并結(jié)合求解算法設(shè)計相應目標下的優(yōu)化策略和方法，再將優(yōu)化方案反饋給系統(tǒng)，使SLM成形過程按照優(yōu)化方案自適應成形，奠定成形狀態(tài)在線監(jiān)測、成形參數(shù)自適應調(diào)整和成形質(zhì)量智能控制的基礎(chǔ)。

(5)成形應用層 該層是框架中的實際生產(chǎn)應用層，將成形過程控制層對大數(shù)據(jù)進行分析處理和優(yōu)化決策后的數(shù)據(jù)從虛擬空間反饋到物理實體，可以對SLM成形過程工藝參數(shù)進行優(yōu)化設(shè)置和狀態(tài)調(diào)整，并將相應信息實時傳遞給用戶。該層也可以由用戶實際操作控制系統(tǒng)來收集數(shù)據(jù)，通過仿真模塊、在線監(jiān)測模塊、成形模塊和質(zhì)量檢測模塊優(yōu)化改進應用層，最終實現(xiàn)對SLM成形過程缺陷的預防和控制。

成形設(shè)備層和成形數(shù)據(jù)轉(zhuǎn)換層組成的物理實體與網(wǎng)絡(luò)層和成形過程控制層組成的虛擬空間，通過對數(shù)據(jù)進行改進優(yōu)化和動態(tài)更新，為成形應用層提供海量的實時數(shù)據(jù)支撐。成形應用層中，不同模塊的商業(yè)化應用數(shù)據(jù)通過分別與虛擬空間和物理實體的數(shù)據(jù)進行交互，來實現(xiàn)數(shù)據(jù)驅(qū)動的成形過程狀態(tài)監(jiān)測和質(zhì)量控制。

1.3 數(shù)字孿生模型架構(gòu)

根據(jù)數(shù)字孿生驅(qū)動的SLM成形在線監(jiān)控系統(tǒng)框架(如圖2)，本文設(shè)計了數(shù)字孿生模型架構(gòu)，如圖3所示。該模型架構(gòu)主要包括模型定義、動態(tài)更新、狀態(tài)監(jiān)測、識別預測、決策控制和迭代優(yōu)化6部分，涉及宏觀尺度下的成形任務(wù)、零件尺寸、工藝參數(shù)和熱源條件等，以及微觀尺度下的成形件表面質(zhì)量和成形狀態(tài)特征等。因為成形過程的復雜性，難以采用單一模型描述，所以進一步衍生為圖3中建立的設(shè)計模型、實物模型、任務(wù)模型、微粒熔融模型、成形過程監(jiān)測模型、成形變形累積模型、成形質(zhì)量預測模型和成形性能評估模型，每個模型都包含有要素、行為和規(guī)則。

(1)設(shè)計模型 該模型根據(jù)SLM成形過程的仿真預測結(jié)果進行設(shè)計，描述了SLM成形的粉末材料、工藝參數(shù)、成形尺寸和成形方式，在此基礎(chǔ)上計算和選取激光能量密度，確定工藝參數(shù)優(yōu)化范圍。

(2)實物模型 按照設(shè)計模型所描述的成形工況和成形條件，并根據(jù)設(shè)計模型確定的優(yōu)化工藝參數(shù)，反映SLM成形過程及其監(jiān)測的實際過程，例如成形過程中，成形件的實際尺寸、形狀和位置等的演變過程，在線監(jiān)測過程中的設(shè)備、儀器和夾具等實物，包括粉末床設(shè)備的熱源控制、光路偏轉(zhuǎn)、鋪粉送粉和成形腔動作等的運動。

(3)任務(wù)模型 根據(jù)成形零件質(zhì)量的要求，結(jié)合成形過程在線監(jiān)測狀況，對成形過程工藝參數(shù)進行優(yōu)化改進，以選取最優(yōu)的參數(shù)化設(shè)計。該模型描述了SLM成形過程的成形狀態(tài)，包括成形工藝參數(shù)(激光功率、掃描速度、掃描間距和鋪粉層厚等)、粉末床信息、成形件信息、材料屬性、成形策略，以及激光熱源類型、光斑直徑等，對SLM成形進行過程參數(shù)優(yōu)化和質(zhì)量控制評估，為成形智能決策提供依據(jù)。

(4)微粒熔融模型 該模型根據(jù)材料屬性、激光熱源、邊界條件和網(wǎng)格劃分對粉末材料微粒的熔融過程進行模擬。因為成形過程的急冷急熱會導致溫度改變和應力變形，所以利用熱力耦合模型計算生成瞬態(tài)溫度場和瞬態(tài)應力場，輸出成形過程溫度和應力狀態(tài)分布。

(5)成形過程監(jiān)控模型 該模型獲取成形過程中的微粒熔融圖像、熱影響區(qū)溫度、成形室內(nèi)聲音和等離子體等多傳感器信號，然后開展數(shù)據(jù)處理、特征分析、機器學習、狀態(tài)識別和參數(shù)調(diào)整等操作。

(6)成形變形累積模型 該模型實時反映成形件的變形積累過程，采用數(shù)學模型對成形過程前后的掃描層進行監(jiān)測和建模，預測成形過程的動態(tài)變形，并采用成形過程監(jiān)控模塊實時調(diào)整參數(shù)以減小變形量。

（2）針對柱塞總成的潤滑問題，要定期加注潤滑油，保證更好的潤滑、保養(yǎng)效果，使注水泵在高效低耗的狀態(tài)下運行。

(7)成形質(zhì)量預測模型 主要針對成形過程中的缺陷預測和質(zhì)量控制。該模型根據(jù)成形過程的實時數(shù)據(jù)信息，通過多源數(shù)據(jù)分析可能出現(xiàn)的缺陷，如球化、孔隙、裂紋和膨脹等，綜合評估成形質(zhì)量，智能提出針對缺陷控制的參數(shù)調(diào)整決策。

(8)成形性能評估模型 該模型從成形質(zhì)量、成形效率、成形工作量和經(jīng)濟性等方面對相應工況下的SLM成形進行綜合評估，為面向智能成形的優(yōu)化決策提供依據(jù)。

這些模型之間相互依賴、相互協(xié)調(diào)、相互作用，共同組成SLM成形在線監(jiān)控數(shù)字孿生模型架構(gòu)，為實現(xiàn)智能成形提供了理論依據(jù)和方法支撐。

1.4 監(jiān)控流程設(shè)計

基于所設(shè)計的數(shù)字孿生系統(tǒng)框架，本文設(shè)計了SLM成形過程在線監(jiān)測與優(yōu)化控制流程，如圖4所示，以下分別介紹該流程中的5個模塊。

(1)成形工藝規(guī)劃 該模塊對SLM成形過程進行總體工藝設(shè)計和規(guī)劃。首先對成形件幾何設(shè)計模型進行加工特征分析，確定工件位姿和切片方案；然后考慮成形過程的主要影響因素，基于經(jīng)驗數(shù)據(jù)規(guī)劃成形過程工藝方案，如規(guī)劃激光熱源(激光功率、光斑直徑等)、確定粉末材料(顆粒形狀、粒徑和熱物理性能等)、規(guī)劃掃描過程(掃描間距、掃描軌跡和掃描速度等)、規(guī)劃供粉運動(供粉速度、鋪粉層厚等)、制定成形策略等。

(2)成形過程預測 按照上述流程所規(guī)劃的激光熱源、粉末材料、掃描過程和供粉運動等工藝參數(shù)和策略，結(jié)合數(shù)值模擬和解析計算等方法，建立成形過程的溫度場、應力場和變形等物理量預測模型，根據(jù)預測模型和經(jīng)驗數(shù)據(jù)范圍選取最優(yōu)成形工藝參數(shù)和策略。該模塊為物理實體的在線監(jiān)控提供理論數(shù)據(jù)支撐。

(3)成形過程在線監(jiān)測與優(yōu)化控制 該模塊包括在線監(jiān)測、優(yōu)化決策和實時控制3個子模塊，按照上述模塊所規(guī)劃的成形工藝、預測和優(yōu)化的工藝參數(shù)及策略，應用成形狀態(tài)在線監(jiān)測、多源信息融合及數(shù)據(jù)處理、智能決策與優(yōu)化等技術(shù)，開展SLM成形加工以及在線監(jiān)測和優(yōu)化控制。根據(jù)比較和分析預測數(shù)據(jù)與監(jiān)測數(shù)據(jù)，實時調(diào)整成形過程工藝參數(shù)及策略，從而實時補償成形過程的缺陷，控制成形件質(zhì)量。

上述4個模塊共同完成基于數(shù)字孿生的SLM成形過程在線監(jiān)測與優(yōu)化控制流程。在該流程中，虛擬空間與物理實體的數(shù)據(jù)和模型相互融合，采用數(shù)據(jù)庫技術(shù)、大數(shù)據(jù)技術(shù)和云計算技術(shù)等進行數(shù)據(jù)處理，應用人工智能技術(shù)和智能優(yōu)化算法對成形過程進行實時地智能決策和調(diào)整，從而優(yōu)化控制成形質(zhì)量，最終實現(xiàn)SLM智能成形。

2 案例設(shè)計與分析

在金屬SLM過程中，掃描軌跡處的材料在瞬時極熱作用下，經(jīng)歷快速熔化和凝固過程容易產(chǎn)生熱應力、收縮和翹曲等缺陷。因此，在成形過程初始模型基礎(chǔ)上，對成形過程參數(shù)和狀態(tài)進行實時監(jiān)控尤為重要，本案例應用實例驗證數(shù)字孿生驅(qū)動的SLM成形過程在線監(jiān)控方法，以推進SLM智能成形制造。

在SLM過程中，熔池、羽流和飛濺是反映成形過程熔化狀態(tài)的典型特征，其中羽流和飛濺在欠熱、正常和過熱熔化中存在明顯的狀態(tài)差異。通過SLM過程在線監(jiān)控，并建立類似羽流和飛濺典型特征參數(shù)與成形缺陷之間的對應關(guān)系非常重要。本文對熔池、羽流和飛濺的形成機理進行了大量理論和實驗研究，為在線監(jiān)控SLM過程粉末顆粒熔態(tài)提供了理論依據(jù)。

基于前期研究，構(gòu)建了數(shù)字孿生驅(qū)動的SLM過程在線監(jiān)控框架，包括設(shè)備層、數(shù)據(jù)層、控制層和應用層，各層之間的數(shù)據(jù)可以相互傳遞和交互，如圖5所示。在物理空間，開展SLM成形及其在線監(jiān)測實驗，獲取成形區(qū)域的圖像；在虛擬空間，設(shè)計圖像處理算法，基于特征定義和分類進行羽流和飛濺等狀態(tài)的特征識別。SLM過程的物理空間、虛擬空間及其數(shù)據(jù)交互共同構(gòu)成狀態(tài)特征識別系統(tǒng)，應用該系統(tǒng)可獲取并分析改變激光功率和掃描速度等成形工藝參數(shù)后的實時圖像數(shù)據(jù)。

下面對該狀態(tài)特征識別系統(tǒng)中的主要層級在案例中的作用進行論述。

識別系統(tǒng)設(shè)備層包括金屬粉末顆粒SLM成形系統(tǒng)和近紅外(NIR)攝像機拍攝系統(tǒng)，如圖5上部所示，其中成形系統(tǒng)可進行改變掃描速度和激光功率的單熔道SLM成形，拍攝系統(tǒng)可完成成形過程羽流和飛濺等狀態(tài)特征的近紅外實時拍攝。

識別系統(tǒng)數(shù)據(jù)層采集成形過程出現(xiàn)的包括羽流、飛濺等現(xiàn)象的圖像數(shù)據(jù)，并進行匯集，存儲于圖像數(shù)據(jù)庫，如圖5右側(cè)所示。本文獲取了不同激光掃描速度和激光功率下羽流和飛濺的數(shù)量及其相應的尺寸數(shù)據(jù)，并采用其中的激光掃描速度對羽流和飛濺現(xiàn)象的影響進行分析，案例數(shù)據(jù)如圖6所示。

識別系統(tǒng)控制層通過分析圖像數(shù)據(jù)識別出羽流、飛濺兩種狀態(tài)特征，以及成形過程中的具體現(xiàn)象，如掃描速度慢或激光功率大時產(chǎn)生的過熱現(xiàn)象、掃描速度快或激光功率小時產(chǎn)生的欠熱現(xiàn)象，進一步分析羽流、飛濺的圖像區(qū)域特性及其與激光功率和掃描速度的關(guān)系，據(jù)此對激光功率和掃描速度進行實時優(yōu)化，從而抑制球化、翹曲和膨脹等缺陷，如圖5下部所示。識別系統(tǒng)控制層對所獲取的數(shù)據(jù)進行分析，得出當掃描速度低于300 mm/s時，羽流面積和周長呈逐漸上升的趨勢；當掃描速度在300 mm/s～700 mm/s時，羽流面積和周長逐漸下降；當掃描速度繼續(xù)增加到800 mm/s時，會產(chǎn)生更多的飛濺并混合到羽流中，使羽流變大(如圖6)?；跀?shù)據(jù)分析，控制層可進一步得出羽流的寬度大于長度、羽流和飛濺像素主要由羽流決定的結(jié)論，而且通過對羽流和飛濺圖像進行處理和分析得到其方向角，還可得出隨著掃描速度的增加，羽流和飛濺方向角均下降的結(jié)論。

識別系統(tǒng)應用層觀察不同成形狀態(tài)下的圖像數(shù)據(jù)，根據(jù)控制層識別出的狀態(tài)特征和具體現(xiàn)象獲取成形過程羽流和飛濺的形位(尺寸和方向角)數(shù)據(jù)，自動優(yōu)選掃描速度和激光功率，并通過設(shè)備層調(diào)整工藝參數(shù)進行優(yōu)化調(diào)整，調(diào)整后的優(yōu)化參數(shù)繼續(xù)進行后續(xù)成形，直到成形過程結(jié)束。利用對上述工藝參數(shù)(掃描速度和激光功率)的實時優(yōu)化可以明顯改善成形件質(zhì)量。該層通過實時反饋數(shù)據(jù)可望實現(xiàn)SLM成形智能化及商業(yè)化應用，如圖5左側(cè)所示。

3 結(jié)束語

SLM成形在具有復雜結(jié)構(gòu)、自由曲面和薄壁特征的難加工金屬零件制造上有顯著的優(yōu)勢，然而由于成形過程中容易產(chǎn)生球化、孔隙、裂紋等缺陷，對其進行在線監(jiān)測與控制對改善成形質(zhì)量非常重要。為了更精準地預測和評估成形過程，本文引入數(shù)字孿生技術(shù)，提出一種數(shù)字孿生驅(qū)動的SLM成形在線監(jiān)控系統(tǒng)和方法。系統(tǒng)基于數(shù)字孿生技術(shù)，在物理空間和虛擬空間建模的基礎(chǔ)上實現(xiàn)了在線監(jiān)控模塊設(shè)計。用戶可以采集成形設(shè)備層的狀態(tài)數(shù)據(jù)，通過成形數(shù)據(jù)轉(zhuǎn)換層、網(wǎng)絡(luò)層、成形過程控制層和成形應用層對成形過程監(jiān)控數(shù)據(jù)進行協(xié)同和交互，同時采用多層數(shù)據(jù)融合和大數(shù)據(jù)分析技術(shù)貫穿SLM成形過程的監(jiān)控流程，提高了SLM的智能化水平。

本文對SLM成形過程中的羽流和飛濺狀態(tài)特征進行了在線監(jiān)控實例分析，得到了SLM成形在線監(jiān)測系統(tǒng)中成形過程狀態(tài)特征與工藝參數(shù)激光功率和掃描速度之間的變化規(guī)律。通過實際案例說明，該系統(tǒng)可以提高SLM成形的智能化程度和成形質(zhì)量。

目前研究正處于上升階段，本文所提系統(tǒng)有望利用多源數(shù)據(jù)融合的方法，例如與圖像、聲音、溫度和等離子信號等結(jié)合，進行在線監(jiān)測和控制，并應用深度學習對成形過程進行實時優(yōu)化。