求曉玲，楊文美，白 倩

（大連理工大學(xué)精密與特種加工教育部重點實驗室，遼寧大連 116024）

0 引言

增材制造技術(shù)變革了傳統(tǒng)的減材加工方式，對具有復(fù)雜幾何形狀的零件有較強的加工適用性，在航空、航天[1]、汽車[2]等領(lǐng)域有著廣泛的應(yīng)用前景[3]。選區(qū)激光熔化（Selective Laser Melting，SLM）是增材制造技術(shù)的一種，具有加工精度高、材料利用率高、污染小等特點。但是SLM過程是一個動態(tài)的復(fù)雜過程，容易形成球化、孔洞和裂紋等缺陷，導(dǎo)致成形件孔隙率高、致密度低、表面粗糙度高等問題，進而影響成形件使用性能[4-5]。

為了減少SLM工藝過程中產(chǎn)生的工件缺陷，學(xué)者們往往采用調(diào)整工藝參數(shù)的方法獲取最佳工藝條件[6-8]。然而，該方法只能在宏觀上減少缺陷的產(chǎn)生，而SLM加工過程是一個多種物理場相互耦合、高度動態(tài)的復(fù)雜過程，鋪粉狀態(tài)、保護氣氛、環(huán)境溫度等多種不可控因素都會對熔池形貌及溫度產(chǎn)生影響，單純的調(diào)整激光工藝參數(shù)難以控制隨機缺陷的產(chǎn)生。因此，開展SLM過程的隨機缺陷實時預(yù)測對發(fā)展高性能零件的增材制造具有重要的意義。

現(xiàn)有工藝過程缺陷預(yù)測的研究多采用單一分類模型對實驗中獲得的數(shù)據(jù)進行分析的方法，以此預(yù)測成形過程中產(chǎn)生的缺陷。龔福建等[9-10]搭建了焊接過程中的“溫度-缺陷”智能分析系統(tǒng)，分別將4種有缺陷的焊縫與正常焊縫的溫度及圖像信息進行比較，研究了4種典型缺陷樣件與正常樣件在焊接制造過程中的溫度場關(guān)聯(lián)規(guī)律，分析紅外圖像特征和缺陷產(chǎn)生的關(guān)聯(lián)性，設(shè)計了缺陷自主識別算法。

單一特征的信息量十分有限，往往不足以表達復(fù)雜工藝過程各參量的特征，因而學(xué)者們采用特征融合技術(shù)對多種特征進行分析，從而實現(xiàn)缺陷的分類。師彬彬等[11]采用SIFT方法、灰度共生矩陣和Hu不變矩提取選區(qū)激光熔化過程中熔池的空間特征、紋理特征和幾何特征，通過串行融合得到新的特征矩陣，降維后傳入隨機森林分類器中進行訓(xùn)練。結(jié)果表明，優(yōu)化特征融合參數(shù)后，算法平均準(zhǔn)確率達到97.46%，缺陷檢測效果明顯提升。

本文采用特征融合技術(shù)，融合SLM過程熔池紅外圖像的灰度梯度特征、尺寸特征和形狀特征，采用KNN分類模型對特征向量進行分類，實現(xiàn)缺陷的預(yù)測。

1 選區(qū)激光熔化實驗及熱成像數(shù)據(jù)獲取

1.1 選區(qū)激光熔化實驗

選區(qū)激光熔化實驗中所選用的金屬粉末為1Cr12Ni?Mo2Co2VN（6511）馬氏體不銹鋼，其化學(xué)成分如表1中所示。采用場發(fā)射掃描電鏡（FE-SEM，SUPARR 55，Carl Zeiss，Germany）觀測粉末微觀形貌，如圖1（a）所示，粉末的形狀近似球形，流動性好。使用激光粒度儀（Malvern Mastersizer 2000，Malvern，UK）表征粒徑分布，測量數(shù)據(jù)如圖1（b）中所示，粉末粒徑集中在10~100μm之間。SLM成形設(shè)備選用日本沙迪克公司的增減材復(fù)合制造機床（Sodick OPM250L，Sodick，Ja?pan），其配備有波長為1 070 nm的鐿光纖激光器，最大輸出功率可達500 W，激光光斑直徑可在100~600μm范圍內(nèi)調(diào)整[7]。增材過程中持續(xù)向成形腔體內(nèi)沖入濃度為99.9%的高純氮氣，使成形過程中的氧含量可以保持在1.0%以下，防止工件在燒結(jié)過程中氧化。成形所用激光工藝參數(shù)如表2中所示，采用“帶狀掃描”策略，相鄰層間角為90°。

表1 6511馬氏體不銹鋼粉末化學(xué)成分

圖1 6511馬氏體不銹鋼粉末粒徑分布

表2 選區(qū)激光熔化實驗工藝參數(shù)

SLM過程中紅外拍攝所用實驗設(shè)備為短波紅外熱像儀（PV768N，DIAS，Germany），其波長范圍為0.8~1.1μm，圖像采集頻率為25 Hz，測量溫度范圍在600~3 000°C之間。實驗過程中紅外熱像儀放置位置與工件位置如圖2所示，成形工件均在其視野范圍內(nèi)（768 pixel×576 pixel）。在SLM過程中實時捕獲熔池紅外數(shù)據(jù)，并通過以太網(wǎng)傳輸?shù)诫娔X進行存儲。熔池紅外圖像的灰度值反映了熔池溫度，灰度值越大，此處熔池溫度越高。由于激光光斑尺寸為100μm，熔池紅外圖像較小，熔池最大溫度梯度的位置即熔池中心的尺寸為8 pixel×8 pixel左右，如圖3所示。

圖2 SLM過程中紅外測溫位置

圖3 熔池紅外圖像

1.2 缺陷分析及圖像標(biāo)記

對SLM成形試樣進行缺陷分析，采用線切割將試樣從基板上切下，將樣品表面拋光至粗糙度小于0.5μm，采用Olympus-MX51光學(xué)顯微鏡觀察樣品的缺陷，觀測到未熔合缺陷、孔洞和刮板干涉等缺陷，如圖4所示。按照缺陷類別對熔池紅外圖像進行分類。存在未熔合缺陷、孔洞、刮板干涉缺陷的工件所對應(yīng)的熔池紅外圖像分別標(biāo)記為Ⅰ類、Ⅱ類、Ⅲ類圖像，無缺陷的工件對應(yīng)的熔池紅外圖像標(biāo)記為Ⅳ類，分別提取100個Ⅰ類、Ⅱ類、Ⅲ類和Ⅳ類圖像。

圖4 缺陷類別

2 特征提取與融合

2.1 熔池紅外圖像處理

由于紅外成像系統(tǒng)、傳輸介質(zhì)和記錄設(shè)備等的影響，以及SLM過程中熔池本身存在飛濺等現(xiàn)象，最終獲取的熔池紅外圖像中存在多種噪聲。這些噪聲在熔池紅外圖像上表現(xiàn)為一些孤立像素點或像素塊，降低了圖像質(zhì)量，擾亂熔池紅外圖像的可觀測信息，不利于后續(xù)的特征提取。為了提高熔池紅外圖像的信噪比并準(zhǔn)確提取熔池特征，必須將圖像噪聲進行濾除。雙邊濾波（Bialteral Fil?ter）是一種非線性濾波方法，是結(jié)合圖像的空間鄰近度與像素值相似度一種折中處理，在濾波的同時考慮空間鄰近信息與顏色相似信息，既能濾除噪聲、平滑圖像，又能較好地保存圖像輪廓信息[12]。

本文采用雙邊濾波對熔池紅外圖像進行處理，濾波效果如圖5所示。雙邊濾波不僅能夠去除熔池邊緣的噪聲點，讓熔池的邊緣更加清晰，而且能夠去除飛濺等孤立的亮點，經(jīng)過濾波的熔池紅外圖像用于后續(xù)熔池輪廓提取及幾何尺寸計算。

圖5 熔池紅外圖像雙邊濾波

2.2 熔池灰度梯度特征提取

熔池的溫度能夠反映SLM過程中金屬粉末的熔融狀態(tài)。當(dāng)能量輸入過多時，熔池溫度較高，熔池易出現(xiàn)氣孔缺陷，當(dāng)能量輸入過低時，熔池溫度較低，易出現(xiàn)未熔合孔洞缺陷[13]，因此，熔池的溫度信息對于缺陷的產(chǎn)生與預(yù)測具有重要意義。

為表征熔池從中心到邊緣的溫度場特征，本文提取一個熔池灰度梯度向量，如圖6所示。由于熔池紅外圖像較小，本文采用熔池中心處4個點的灰度即可反映熔池的溫度場特征。先提取熔池中灰度值最大的點A，并記錄其灰度值a；再提取點A八領(lǐng)域內(nèi)灰度值最小的點B，并記錄其灰度值b，如此順序提取4個點并記錄其灰度值，最終獲得一個表征溫度梯度最大的灰度梯度向量[a，b，c，d]。部分圖像的灰度梯度向量如表3所示。

圖6 熔池灰度梯度向量提取過程

表3 熔池灰度梯度向量

2.3 熔池尺寸特征提取

熔池長和寬等尺寸特征是熔池形貌的重要信息。由于SLM實驗過程中，紅外熱像儀獲得的圖像中的熔池均存在一定角度的偏斜，難以直接獲取熔池的長和寬。為了解決上述問題，本文通過等間隔旋轉(zhuǎn)搜索方法[14]將紅外圖像中的熔池在90°范圍內(nèi)等間隔旋轉(zhuǎn)，獲得不同旋轉(zhuǎn)角度下熔池輪廓在坐標(biāo)系方向上的外接矩形的長度、寬度及面積，從而求出最小外接矩形面積，并提取該矩形的長寬值近似表征熔池的長和寬。提取的部分圖像的幾何尺寸向量如表4所示。

表4 熔池幾何尺寸向量

2.4 熔池形狀特征提取

由于SLM過程中激光掃描方向不固定且相鄰層間角為90°，紅外熱像儀拍攝的熔池位置和姿態(tài)是變化的，因此本文采用Hu不變矩作為SLM熔池紅外圖像形狀的特征描述子。Hu不變矩是一種簡單且有效的特征描述子，利用7個不變矩高度濃縮圖像的形狀特征，具有旋轉(zhuǎn)、平移、縮放等不變性，識別速度也較快[15]。因此Hu不變矩作為熔池紅外圖像形狀的特征描述子可以獲得熔池不同位置及姿態(tài)的特征向量。本文提取的部分熔池紅外圖像的Hu不變矩如表5所示。

表5 熔池紅外圖像Hu不變矩向量

2.5 熔池特征融合

單個特征向量難以達到精準(zhǔn)預(yù)測工件缺陷，融合特征向量包含更多的熔池信息，因而能夠獲得更優(yōu)的分類和預(yù)測效果。本文從熔池紅外圖像中提取出熔池灰度梯度向量，熔池幾何尺寸以及熔池Hu不變矩向量，采用串行融合[16]的方法將3個向量進行融合，得到如表6所示的融合特征向量。

表6 融合特征向量

3 基于KNN的缺陷預(yù)測模型

K-鄰近算法（K-Nearest Neighbor，KNN）是一種常用的分類方法，該算法通過計算新樣本與所有已知類別樣本的距離，從中選出K個距離最近的樣本，統(tǒng)計其中樣本所屬類別的占比，采用少數(shù)服從多數(shù)的法則，將K個樣本中占比最高的類別定為該新樣本的類別[17]。KNN算法操作簡單、便捷、有效，不需要訓(xùn)練，適合進行分類，特別是一些多分類問題，在刀具磨損[18]、故障診斷[19]和缺陷檢測[20]等領(lǐng)域有廣泛的應(yīng)用。

本文應(yīng)用KNN模型對SLM熔池紅外圖像融合特征向量進行分類，以預(yù)測工件的缺陷。對最鄰近樣本數(shù)K值進行優(yōu)化，采用歐氏距離函數(shù)定義距離度量函數(shù)。采用Z-score方對融合特征向量進行歸一化處理，再按照8∶2的比例將400幅熔池紅外圖像分為訓(xùn)練集和測試集，用不同的最鄰近樣本數(shù)K值進行分類，得到不同K值下算法預(yù)測缺陷的結(jié)果。如表7所示，當(dāng)K值為4時，KNN模型的分類準(zhǔn)確率即缺陷預(yù)測準(zhǔn)確率最優(yōu)，為97.5%。

表7 不同K值下KNN模型的分類準(zhǔn)確率

為比較融合特征與單一特征對SLM缺陷預(yù)測精度的影響，采用不同的單一特征進行缺陷預(yù)測，即灰度梯度特征+KNN；熔池尺寸特征+KNN；熔池形狀特征+KNN。對比結(jié)果如表8所示，單一特征算法中，采用熔池幾何尺寸特征的算法準(zhǔn)確率最高，達到94.5%；而采用熔池灰度梯度特征的算法準(zhǔn)確率僅有36%；融合特征后，準(zhǔn)確率提高至97.5%，因此采用融合的特征向量進行缺陷預(yù)測提升了缺陷預(yù)測算法的精度。

表8 采用不同特征的缺陷預(yù)測算法準(zhǔn)確率

4 結(jié)束語

本文針對單一特征對選區(qū)激光熔化過程缺陷預(yù)測精度不高的問題，提出了一種基于特征融合的SLM過程缺陷預(yù)測機器學(xué)習(xí)模型。主要研究結(jié)果如下：

（1）通過實驗獲取了SLM過程中的熔池紅外圖像，批量提取了紅外圖像的熔池灰度梯度特征、尺寸特征和形狀特征，建立了缺陷預(yù)測數(shù)據(jù)集；

（2）采用串行融合方法融合了熔池灰度梯度特征、尺寸特征和形狀特征，并采用KNN算法開展了SLM缺陷預(yù)測，該方法的預(yù)測精度優(yōu)于單一特征的缺陷預(yù)測方法，預(yù)測精度可達97.5%。