摘要
在航空航天领域，中大尺寸铝合金构件的电弧增材制造质量控制至关重要，如何高效、准确地完成质量检测一直是研究的重点。光谱作为电弧等离子体伴生现象之一，包含丰富的电弧信息，与成形质量相关。因此，本文以电弧等离子体为主要研究对象，探索增材制造中电弧光谱及图像的变化规律，分析光谱与成形质量的内在联系。并在此基础上，利用机器学习算法分别建立缺陷识别模型和成形尺寸预测模型。 首先，利用自主设计的光谱同步采集装置，在机器人增材平台上搭建了电弧光谱及图像采集系统。设计并进行了以5A06为基板材料、5356焊丝为填充金属的铝合金增材工艺探索试验，绘制了成形工艺窗口，并分析了直壁件高度不一致的原因并提出了优化方案。结果发现，首层工艺参数在沉积电流大于120A、移动速度小于0.5m/min时，可以获得良好成形形貌。 其次，选择ArⅠ727.29nm、MgⅠ517.26nm、HⅠ656.27nm三条谱线，探究不同工艺参数下增材制造全过程的光谱变化规律。对电弧图像的研究发现，电弧形貌受沉积电流、沉积位置影响，且随交流电流变化而周期性波动。在分析电弧光谱与成形质量的相关性时，发现MgⅠ谱线对成形缺陷(高度不一致)最敏感，不同缺陷的光谱表达形式不同。通过人为引入污染探索了铝合金增材过程中气孔的产生规律，发现独特的倒V型电弧形貌降低了铝合金对气孔的敏感性。 最后，以全部光谱为样本数据，成形缺陷、成形宽度为标签，分别建立了用于缺陷诊断的分类模型和成形宽度预测模型，并比较了K近邻、深层神经网络和卷积神经网络模型的优劣。分类模型对送丝异常、成形高度降低、正常增材制造状态的分类准确率达97%以上。而有无气孔缺陷的分类准确率最优仅为80%。成形宽度预测模型的拟合优度R2达0.95以上，最优模型的宽度误差在0.2mm以内。在完成训练的模型中，单个样本的预测耗时控制在1ms左右。
NETL