摘要：据悉，佛山大学、军事科学院防化研究院、装甲兵学院装备再制造技术国防科技重点实验室和成都国营锦江机械厂的科研人员综述报道了机器学习在激光熔覆工艺缺陷检测和预测方面的最新进展。相关论文以“Recent advances in machine learning fo
长三角G60激光联盟导读
据悉，佛山大学、军事科学院防化研究院、装甲兵学院装备再制造技术国防科技重点实验室和成都国营锦江机械厂的科研人员综述报道了机器学习在激光熔覆工艺缺陷检测和预测方面的最新进展。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。
重点：
1.总结了典型缺陷及其形成机制。
2.综述了典型的激光熔覆监测技术。
3.综述了用于缺陷分类与识别的典型机器学习算法。
作为人工智能的基本组成部分，机器学习近年来在激光熔覆领域备受瞩目。通过运用算法分析数据、识别模式和规律、进行预测与决策，机器学习对激光熔覆工艺的各个方面产生了重大影响。熔覆过程中缺陷的出现给熔覆层的质量和性能带来了巨大挑战。解决熔覆质量的可靠性和可重复性问题是激光熔覆技术的首要关注点。借助数据驱动的机器学习算法，能够在整个激光熔覆过程中对缺陷进行监测与检测。此外，这些算法还为熔覆过程的反馈调节、参数优化以及减少熔覆缺陷提供了途径，从而使其成为一个研究前沿领域。
本文概述了激光熔覆过程中出现的缺陷类型及形成机制，阐释了信号特征，并详细说明了激光熔覆过程中所采用的监测原理与方法。此外，还综合论述了机器学习方法在激光熔覆过程中信号特征提取、缺陷分类及预测建模方面的进展。再者，总结了用于缺陷检测的常见机器学习模型和算法。研究结果凸显了机器学习算法在检测激光熔覆涂层缺陷方面的有效性，同时建立了特征信号、涂层缺陷与熔覆工艺之间的关联。目前，监督学习算法在该研究领域占据主导地位，然而，无监督和半监督学习算法因对数据标注要求较低，其潜力在激光熔覆过程监测领域正受到越来越多的关注。总体而言，研究结果明确了机器学习方法应用于激光熔覆工艺领域未来探索的关键重点和方向。
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.激光熔覆层内孔隙的形成机理。
图3.熔覆层中裂纹的形成机理及其主要分布区域。
图4.颗粒飞溅导致的缺陷，如表面粗糙和球化。
图5.激光熔覆样品的几何变形，(a)几何变形：波浪状缺陷，(b)波浪状缺陷的转换点云。
图6.激光熔覆工艺中熔池信号采集方法。
图7.激光熔覆过程图像采集系统，(a)装置结构，(b)熔池照片，(c)特征提取。
图8.用于激光熔覆缺陷检测和工艺性能优化的机器学习框架。
图9.基于图像识别的异常送粉检测流程。
图10.熔池热成像数据特征提取与激光熔覆薄壁件缺陷检测，(a)熔池热成像数据特征提取，(b)激光熔覆薄壁件缺陷检测。
图11.基于卷积神经网络（CNN）方法的熔池特征提取与孔隙缺陷预测模型。
图12.基于声发射信号的激光熔覆层孔隙与裂纹深度学习预测方法。
图13.基于卷积神经网络（CNN）的薄壁样品力学性能预测框架。
图14.基于半监督学习方法的熔池分类框架。
本文全面概述了机器学习算法在激光熔覆缺陷评估领域的应用。深入探讨了激光熔覆过程中常见的缺陷及其形成机理，总结了熔覆过程中产生的声、光和热信号，并阐述了这些信号与熔覆缺陷之间的对应关系。此外，回顾了机器学习算法的分类和特点，总结了其在处理激光熔覆过程信号方面的应用。基于文献分析，得出以下结论：
1.激光熔覆工艺复杂，产生的缺陷直接影响熔覆层质量。缺陷的形成机理和分布模式受多种因素影响，不同缺陷之间存在相互作用和演变。目前，全球研究人员已通过多尺度的实验和模拟对气孔、裂纹等缺陷展开研究。然而，对相关缺陷产生机理及其对熔覆质量影响的理解仍不充分，需要更全面的方法推动激光熔覆研究。
2.建立激光熔覆中工艺-信号-缺陷-质量关系的定量评估体系，是确保激光熔覆质量稳定性的关键挑战。目前，声学、光学和热传感器等各类传感器已应用于监测激光熔覆工艺，并研究信号、工艺、缺陷和质量之间的关系。但由于传感器精度和缺陷特征提取效率的限制，建立工艺与信号以及缺陷之间的定量关系仍具挑战性。因此，开发集成多种传感器和信号的在线激光熔覆工艺监测及缺陷特征提取技术，对于获取全面准确的熔覆信息和缺陷状态至关重要。实现全过程实时质量监测是激光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。通常从信号、熔覆工艺和缺陷特征中提取特征构建数据集，并利用机器学习算法建立这些特征之间的关系。然而，当前监测研究大多集中在单道或小面积熔覆层，小数据集可能导致过拟合，降低实际缺陷检测的准确性。因此，有必要专门为激光熔覆工艺设计标准的缺陷检测数据库。此外，选择合适的机器学习算法对检测激光熔覆工艺中的不同缺陷至关重要。不同算法在处理图像数据或传感器信号方面各有优势。卷积神经网络（CNN）更适合处理缺陷图像数据，而支持向量机（SVM）适用于涉及传感器信号或图像的多分类问题。K-均值聚类在无监督和半监督学习中应用广泛。
基于上述总结，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，对机器学习方法的应用作出如下展望。激光熔覆技术在制造业具有广阔的应用前景，引入机器学习技术可有效提高激光熔覆效率，减少熔覆涂层缺陷。目前，多数已报道文献聚焦于监督学习算法，这类算法对数据标注要求高，需耗费大量时间和成本。因此，无监督和半监督学习算法在激光熔覆工艺监测领域受到关注，新模型不断涌现并展现出巨大潜力。此外，通过机器学习技术，可实现激光熔覆设备的自动控制和在线监测。通过分析大量激光熔覆数据集，优化调整激光功率、扫描速度和送粉量等参数，实现激光熔覆工艺的自动化与智能化，提高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和发展机遇，助力其在制造业的广泛应用。
论文链接：
长三角G60激光联盟陈长军转载
热忱欢迎参加我们在2025年5-27-29日举办的两机展和激光在两机（飞机发动机和燃气轮机）中的应用大会。
来源：江苏激光联盟