基于实验数据学习的丝材送进增材制造综合质量研究

丝材送进激光增材制造是一种新兴的制造技术，能够实现高度自动化的大规模体积生产，在缩短产品交付周期的同时减少材料浪费与总体成本。若要应用于关键结构件，质量保证必不可少。然而，大量的工艺变量以及传统试错方法所带来的成本使得质量保证难以实现。本研究探讨了一种基于实验数据学习的综合质量框架，该框架可改善质量控制并实现零件微观组织特征的一致性。具体而言，我们收集了涵盖多个工艺变量与输出特征的综合性实验数据，涉及整体熔覆道质量、几何形状（如熔覆道高度、宽度、熔合区深度等）以及微观组织特征。随后借助数据驱动的机器学习模型刻画所预测的工艺-几何-微观组织关系。基于广泛工艺区间内的三维等高线图对打印熔覆道的性能进行可视化。为改进制造过程中的质量，全面研究了工艺变量对熔覆道形貌、几何及微观组织特征的影响与机理。