增材制造知識介紹！

增材制造技術所具有的數字化、網絡化、個性化和定制化等特點，其將成為引領企業智能制造與創新發展的重要方式，是企業制勝工業4.0時代的重要法寶之一。

01

增材制造的基本原理

增材制造（Additive Manufacturing，AM）利用計算機控制3D數據逐層堆積材料，是基于離散-堆積原理的高效凈成形技術。自21世紀以來，增材制造以其獨特的優勢為制造業開辟了一個新的先進制造技術，被眾多國家視為未來產業發展的新增長點，是工業4.0的核心，是具有深刻變革意義的新型生產方式。增材制造技術所具有的數字化、網絡化、個性化和定制化等特點，其將成為引領企業智能制造與創新發展的重要方式，是企業制勝工業4.0時代的重要法寶。

隨著大功率激光器的逐步應用，SLS技術隨之發展為激光選區熔化技術（selective laser melting，SLM），該技術利用高能量密度的激光束照射預先鋪覆好的金屬粉末材料，將其直接熔化并凝固、成形，獲得金屬制件。通過SLM技術可以成形接近全致密的精細金屬零件，其性能可達到同質鍛件水平，高性能金屬零件的直接制造是增材制造技術由“快速原型”向“快速制造”轉變的重要標志之一。

在SLM技術發展的同時，另一種金屬零件直接制造技術，激光沉積制造技術（laser deposition manufacturing，LDM）等高性能金屬零件直接制造技術及設備涌現出來。LDM技術起源于美國Sandia國家實驗室的激光近凈成形技術（laser engineering net shaping，LENS），利用高能量激光束將同軸或旁軸噴射的金屬粉末直接熔化，并按照預定的軌跡逐層堆積凝固成形，獲得尺寸形狀接近于最終零件的“近形”坯料制件，經過后續的小余量加工及后處理獲得最終的金屬零件。

SLM和LDM技術作為金屬增材制造的兩種主要方式，是當前研究的熱點內容，其在結構復雜、材料昂貴、小批量定制生產方面具有低成本、高效率、高質量的突出優勢，在航空航天等高端制造領域實現了較為廣泛的應用。

在SLM工藝中，選區激光熔化以激光為熱源，根據離散的三維數據逐點掃描熔化粉床上的金屬粉末，逐層凝固疊加，實現零件成形，具體過程如圖1所示。聚焦激光束在振鏡作用下，根據分層切片離散化的零件三維數字模型，逐點掃描粉床上的金屬粉層，掃描后熔化凝固的金屬粉末形成單層成形面及輪廓。隨后基板下降，送粉倉上升，粉末在刮刀作用下平鋪到粉床上，激光繼續開始掃描，熔化下一層，與上一層熔為一體。如此重復，層層疊加，得到與三維實體模型相同的金屬零件，完成三維實體的成形。為保證鋪粉順利和粉床的穩定，一般情況下，選區激光熔化的成形平臺均為水平面，而在豎直方向通過逐層疊加累積成形。

圖1 典型雙缸SLM工藝成形過程示意圖

SLM技術采用的粉末主要為氣霧化球形粉，粒徑10~50μm，加工的層厚為20~50μm。激光聚焦直徑小，熔池特征尺寸約為100μm，其成形精度約為0.05~0.10mm，表面粗糙度10~20μm，可以滿足大多無裝配表面要求的金屬零件的高精度快速制造，也是目前精度最高的金屬增材制造工藝之一。較高的成形精度使得SLM工藝適用于加工形狀復雜的零件，尤其是具有復雜內腔結構和具有個性化需求的零件。目前，國外的EOS、SLM Solutions、Concept Laser等公司以及國內的鉑力特、華曙高科等公司生產的SLM設備已經成功為航空航天、汽車、醫學生物等領域定制生產個性化零部件。

LDM設備主要由激光系統（激光器及其光路系統）、運動執行機構、送粉系統、氣氛保護系統、質量調控系統、在線監測反饋系統及控制系統等模塊構成，系統整體構成和布局如圖2所示。

圖2 LDM工藝成形過程示意圖

LDM技術利用激光束作為熱源，通過送粉系統將金屬粉末送入熔池，控制系統及軟件將三維實體模型按一定厚度分層切片，并在數控系統的控制下按照規定的運動軌跡及工藝參數來控制伺服系統運動，伺服系統帶動激光頭或是工作臺運動。根據沉積材料的不同，整個成形過程通常需要在氬氣等惰性氣體氛圍內進行，對于活性較高的合金材料，需要動態惰性密封箱體保護的方式持續性地提供惰性氣體保護氛圍。同樣，通過逐層沉積地方式，最終形成三維實體零件。原則上也可以采用同步絲材送進的方式來成形零件。

LDM技術的主要特點為：成形尺寸不受限制，可實現大尺寸零件的直接成形；靈活性較高，無需支撐即可加工復雜零件；可用于受損零件的直接修復及梯度零件的制造；成形件的綜合力學性能優異，熱處理后的零件力學性能可達到同質鍛件水平。但其成形后零件依然需要少量的機械加工，成形精度較SLM工藝低。目前，國外的AeroMet、Optomec、Rolls-Royce等公司，國內的北京航空航天大學、西北工業大學、沈陽航空航天大學、北京鑫精合、南京煜宸等企業及院校已經在航空、航天、船舶、能源等領域就LDM技術進行了大量的成功應用及示范推廣。

02

增材制造關鍵技術

無論SLM技術還是LDM技術，控制成形件內部的殘余應力及成形零件的整體變形都是增材制造亟需解決的關鍵技術。殘余應力是無外力作用時，以平衡狀態殘留于材料內部的應力。激光增材制造具有加熱、冷卻速度極快的特點，在激光增材制造加熱過程中，不同部位溫度不同，熔化不同步，冷卻過程中凝固不同步，都會造成不同部位膨脹收縮趨勢不一致，從而產生熱應力。同時由于不同部位溫度不一致，沉積成形件不同部位物相變化不同步，不同相之間的比容不一樣，膨脹或收縮時相互牽制產生相變應力。在激光增材制造成形過程中出現或是在成形完成后馬上出現的缺陷，如熱裂紋、翹曲等，主要與熱應力有關。

成形件熱烈紋的形成機理如圖3所示，快速凝固過程中低熔點共晶相凝固滯后造成的晶間弱化，或者是脆硬相造成的晶內或晶間脆化，不足以抵抗快速凝固產生的較大熱應力而造成了零件的熱裂。

圖3 增材制造熱烈紋形成機理

因此，如何調控與消減增材制造零件內的殘余應力是SLM及LDM工藝所共同追求的關鍵技術。此外，對于SLM技術，激光光路優化以及成形零部件致密度、表面質量、尺寸精度、強度和塑性的控制是決定成形質量的關鍵技術。研究表明，SLM工藝的影響因素可達上百個，其中有10多個因素具有決定性影響，工藝參數組合的選擇直接影響成形過程的成??；LDM技術致力于達到復雜結構實體零件的形狀、成分、組織和性能的最優化控制，同步實現金屬零件快速精準成形和高性能控制的目標。為此，必須建立相關的材料科學與技術、過程科學與技術和工程科學與技術的LDM的整體科學與技術構架，突破激光熔池溫度和幾何形狀控制技術、組織和性能控制技術及冶金缺陷檢測與控制技術是LDM工藝的關鍵技術。

03

增材制造過程的數字化

增材制造智能控制首要對象為對結構設計模型的控制。滿足零件功能需求的前提下設計輕量化、整體化、低成本的高性能結構是零件設計的中心任務。拓撲優化是根據指定載荷工況、性能指標和約束條件合理分配材料、確定最優傳力路徑的結構優化設計方法。相比尺寸優化和形狀優化，拓撲優化不依賴于初始構型的選擇，具有更高的設計空間，是尋求高性能、輕量化、多功能創新結構的有效設計方法。

但傳統制造方法很難完成在幾何和尺度上如此復雜結構的制造，而增材制造在復雜結構輕量化制造方面具有獨特優勢。拓撲優化與增材制造技術的完美結合，可以在零件材料的設計空間中找到最佳材料分布方案，從而提高材料利用率達到減輕重量的目的。以航天器支架結構為例，典型復雜結構零件拓撲、尺寸優化設計與增材制造過程如圖4所示。如何根據零件的承載特征，實現拓撲/點陣結構的智能設計，是增材制造結構智能化設計的關鍵。

增材制造智能控制的另一個重要控制對象為成形工藝參數控制。影響增材制造零件性能的因素有上百種，其主要可以劃分為4大類：材料屬性、加工環境、裝備誤差及工藝參數。通常情況下，前三者在生產前已經確定，因此工藝參數是決定零件性能的關鍵因素。調整工藝參數的方法主要包括試驗研究、模擬研究以及工藝優化3種，如圖5所示。

圖5 調整工藝參數的方法及其聯系

其中，試驗研究主要通過正交試驗、響應面、田口法等回歸分析方法，建立激光功率、掃描速度、掃描間距、預熱溫度、分層厚度與成形件致密度及力學性能指標的定量關系模型，從而能夠實現對成形件性能的預測及工藝參數的優化。但試驗研究方法無法對成形件過程中顯微組織演化、溫度場應力場演變的影響機理研究進行有效揭示，無法從根本上解釋工藝參數對成形件組織及性能的影響機理。

數值模擬的方法可以對成形件的宏觀尺度的溫度場、應力應變場特征，介觀尺度的粉末及熔池流動行為，微觀尺度的晶粒生長過程進行仿真模擬，從而省去大量的試驗操作，減少時間及經濟成本。采用有限元方法對成形過程中的溫度場及應力場進行數值模擬，可以對內應力的峰值位置及水平進行有效預測，并反饋給模型設計及工藝參數，通過工藝參數數據庫對成形工藝參數進行調節，從而避免成形件的大尺寸變形及開裂的發生，提高成形件的成形精度。

采用有限容積法可以對增材制造過程中的流場、熔池形貌及孔隙分布進行模擬預測，分析鋪粉厚度、掃描速度、激光功率、保護氣氛種類等工藝參數對單道軌跡形態的影響，揭示粉末流動及熔池內匙孔及飛濺產生等行為的影響機理，指導工藝參數的調控，避免缺陷的產生，提高成形件的綜合性能。采用相場法及元胞自動機等方法可以對凝固過程中的成核現象及晶粒生長過程進行模擬，分析工藝參數對成形件內晶粒組織形態的影響規律，建立工藝參數-顯微組織-力學性能間的理論關聯性。

上述數值模擬的方法雖然可以對成形件內材料學的組織形態及殘余應力及變形情況進行預測，揭示不同工藝參數對成形件最終性能的影響機理。但是受到模擬手段與計算方法的限制，制件表面質量、服役行為等問題難以通過數值模擬進行求解。此外，通過這些物理驅動的方法不可能在短時間內快速準確地預測整個增材制造過程。得益于人工智能技術的發展，通過優化算法對工藝參數進行調整成為目前研究熱點，數據驅動的模型也已廣泛應用于增材制造領域。

這種模型的壓倒性優勢在于其不需要構建一系列基于物理過程的方程。取而代之的是，它們會根據以前的數據自動學習輸入特征和輸出目標之間的關系。將試驗或數值模擬得到的結果作為數據樣本，采用工藝優化算法訓練模型，從而對不同工藝參數的制件性能指標進行預測與優化。將制樣的制造精度、表面質量、致密度、力學性能等作為評判指標，對不同工藝參數得到的成形件標準件作為數據集進行訓練，應用最多的工藝優化方法為采用專家系統與自適應神經網絡（NN）相結合的方法自動優化工藝參數，如圖6所示。

圖6 自適應神經網絡對增材制造工藝參數的優化過程

04

神經網絡在增材制造中的應用

神經網絡（NN）的機器學習方法已經應用于到增材制造的各個環節，如結構模型設計、過程監測、工藝-性能評價等環節。

? 在結構模型設計環節，Chowdhury和Anand提出了一種NN算法來直接補償部件的幾何設計，抵消制造過程中的熱收縮和變形。首先提取零件CAD模型表面3D坐標作為NN模型的輸入，使用熱力耦合的有限元分析軟件并定義一組過程參數來模擬增材制造過程。提取變形表面坐標作為NN模型的輸出。訓練一個具有14個神經元和損失函數為均方誤差（MSE）的NN模型來學習輸入和輸出之間的差異。將訓練好的網絡應用于STL文件，從而進行所需的幾何校正，得到尺寸精確的成品。

Arnd Koeppe等采用試驗、有限元方法、NN模型相結合的方式（圖7）對晶格結構成形件內的應力及變形進行預測。首先通過大量的試驗驗證了有限元應力及變形仿真模型的可靠性，使用有限元方法運行85個模擬樣本，將全局負載、位移和支柱半徑以及單元尺寸的不同組合作為NN的輸入特征，最大Von Mises等效應力作為NN的輸出特征。

NN的架構為：一個具有1024個整流線性神經元的全連接層、兩個分別具有1024個神經元的長短期記憶網絡，以及一個全連接的線性輸出層。試驗、有限元仿真與神經網絡結果的比較如圖8所示。由圖8（a）可知，試驗測得的力-位移曲線與FEM仿真結果較為一致；圖8（b）為隨機選取的測試樣本下成形件內最大Von Mises等效應力FEM結果與NN結果的對比，結果表明，經過訓練之后，NN可以很好地重現加載歷史，與有限元方法模擬結果相吻合。因此，通過NN方法取代FEM方法，可以使得對成形件應力及變形的評價時間由幾個小時縮短至幾毫秒，并可以保證預測結果的可靠性。

圖7 應用NN模型快速預測增材制造結構的變形

圖8 試驗、有限元仿真與神經網絡結果的比較 （a）力-位移曲線；（b）最大應力-位移曲線（實現為FEM，虛線為NN）

? 在實時監測環節，從傳感器中實時監測獲取的數據提供了增材制造程中產品質量的第一手信息。同步且準確地分析這些實時數據即可實現對制造過程的全閉環控制。Shevchik等在SLM工藝中引入用聲發射（AE）和NN分析對成形過程進行現場質量監測，如圖9所示。使用布拉格光纖光柵傳感器記錄AE信號，而選擇的NN算法是波譜卷積神經網絡（SCNN），它是對傳統卷積神經網絡（CNN）的延伸。模型的輸入特征是小波包變換的窄頻帶的相對能量，輸出特征是對打印層質量的高、中或差的分類。在SLM增材制造過程中發出聲信號，然后由傳感器捕獲。最終將SCNN模型應用于所記錄的數據，以便判定打印層的質量是否合適。研究結果表明，使用SCNN對工件質量為高、中、差的分類精度分別高達83%、85%和89%，可以通過神經網絡及聲信號實時監測有效預測成形件質量并進行針對性的反饋調節。

圖9 基于聲信號及神經網絡分析系統的 增材制造質量在線監測工作流程

? 在工藝-性能評價環節，NN的應用最為廣泛。在工藝、性能和使役性能之間建立直接聯系是科學家和工程師非常感興趣的。這種聯系通常是高度非線性的，因為輸入變量的數量通常大于3個。因此，很難確定這種聯系的基礎數學公式。由于NN模型固有的非線性特性，它已被應用于為各種增材制造過程建立這些數學關系。但許多工藝參數可能嚴重影響增材制造零件的屬性，而其他參數可能影響較小。同時，對于有限的數據集，過多的輸入特征極易導致模型過擬合。因此，確保NN算法在一組良好的特征上運行至關重要。對輸入數據進行“特征工程”的預處理可以為研究帶來好處。它可以分為兩個方面：①特征選擇——旨在從現有特征中選擇最有用的特征作為輸入。②特征組合——旨在對輸入特征進行降維，從而集中于新生成的特征。一旦知道轉換規則，手動生成特征便成為可能。

本文引自：《智能制造裝備基礎》。作者：吳玉厚、陳關龍、張珂、趙德宏、鞏亞東、劉春時。由清華大學出版社「智造苑」原創首發， 數字化企業經授權發布。