中国激光, 2020, 47 (1): 0102004, 网络出版: 2020-01-09 复制并引用该论文  本文已被引 7 次  被引通知

图 & 表

图 1. 激光熔覆原理图

Fig. 1. Laser cladding schematic

下载图片 查看原文

图 2. 表面损坏的汽轮机阀座

Fig. 2. Surface damaged steam turbine seat

下载图片 查看原文

图 3. Inconel625粉末的SEM形貌

Fig. 3. SEM image of spherical Inconel625 powder

下载图片 查看原文

图 4. 单道熔覆层常见缺陷

Fig. 4. Common defects in single-pass cladding layer

下载图片 查看原文

图 5. 单道熔覆层截面的尺寸参数

Fig. 5. Dimensional parameters of cross section of single-pass cladding layer

下载图片 查看原文

图 6. 单道熔覆层显微硬度的测量示意图

Fig. 6. Diagram of microhardness measurement for single-pass cladding layer

下载图片 查看原文

图 7. 熔覆层截面二值化处理后的效果图

Fig. 7. Effect of cross section of cladding layer after binarization processing

下载图片 查看原文

图 8. 稀释率测定示意图

Fig. 8. Dilution rate measurement diagram

下载图片 查看原文

图 9. BP神经网络模型结构图

Fig. 9. Structure of BP neural network model

下载图片 查看原文

图 10. BP神经网络预测结果。(a)显微硬度;(b)热影响区深度;(c)稀释率;(d)孔隙率

Fig. 10. Prediction results of BP neural network. (a) Microhardness; (b) HAZ depth; (c) dilution rate; (d) porosity

下载图片 查看原文

图 11. 单道熔覆层的截面形貌

Fig. 11. Cross-section morphology of single-passcladding layer

下载图片 查看原文

图 12. 稀释率的预测误差对比

Fig. 12. Comparison of prediction error of dilution rate

下载图片 查看原文

图 13. 显微硬度的预测误差对比

Fig. 13. Comparison of prediction error of microhardness

下载图片 查看原文

图 14. NSGA-II算法原理图

Fig. 14. Schematic of NSGA-II algorithm

下载图片 查看原文

图 15. 优化的Pareto前沿解集

Fig. 15. Optimized Pareto frontier solution set

下载图片 查看原文

图 16. 优化后参数组加工的试样

Fig. 16. Test piece processed with optimized parameters

下载图片 查看原文

图 17. 表面硬度测试后的试样

Fig. 17. Test piece after surface hardness test

下载图片 查看原文

图 18. 待修复零件路径规划示意图

Fig. 18. Path planning of part to be repaired

下载图片 查看原文

图 19. 修复后的汽轮机阀座

Fig. 19. Repaired steam turbine seat

下载图片 查看原文

图 20. 阀座修复后的表面形貌

Fig. 20. Surface morphology of repaired seat

下载图片 查看原文

表 1基体和修复材料的性能

Table1. Performances of matrix and repaired materials

Material Melting point /℃ Density /(g·cm-3) Tensilestrength /MPa Yieldstrength /MPa Brinellhardness /HB Steel 20 1398-1454 7.93 410 245 156 Inconel625 1290-1350 8.4 827 414 220

查看原文

表 2基体和修复材料的主要成分

Table2. Main compositions of matrix and repaired materials

Material Mass fraction /% Cr Mo C Si Mn Nb Fe Steel 20 0.25 8 0.17-0.24 0.17-0.37 0.70-1.00 3.15 Bal. Inconel625 23 8 - - - 4.15 5

查看原文

表 3熔覆参数

Table3. Cladding parameters

Parameter Content Distance from nozzle to substrate /mm 12 Laser beam diameter at substrate /mm 2.5 Shielding gas Argon Powder transport gas Argon Powder transport gas flow rate /(m3·h-1) 0.425

查看原文

表 4CCD实验设计的工艺参数和对应的编码值

Table4. Process parameters and corresponding coded values in CCD experiments

Parameter α=-1.5 α=-1 α=0 α=1 α=+1.5 Laser power /W 800 1100 1400 1700 2000 Scanning speed /(mm·s-1) 8 9.5 11 12.5 14 Powder flow rate /(g·min-1) 10.08 11.34 12.6 13.86 15.12

查看原文

表 5CCD实验设计的变量和对应的测量结果

Table5. Variables and corresponding measured results in CCD experimental design

CCDExperiment No. Parameter Response Laser power /W Scanning rate /(mm·s-1) Feed-powder speed/(g·min-1) Section area /mm2 Dilution Microhardness/HV HAZ depth /mm Porosity /% 1 800 8.0 15.12 0.88 0.05 259.93 0.45 2.30 2 800 8.0 10.08 0.64 0.06 262.67 0.51 0.27 3 800 14.0 10.08 0.28 0.34 206.10 0.53 1.70 4 800 14.0 15.12 0.36 0.11 258.07 0.47 0.39 5 1100 11.0 12.6.0 1.00 0.28 244.03 0.62 1.17 6 1400 12.5 12.60 1.36 0.50 201.23 0.84 0.36 7 1400 9.5 12.60 1.92 0.44 209.17 0.90 0.08 8 1400 11.0 11.34 1.48 0.50 200.63 0.86 0.21 9 1400 11.0 13.86 1.60 0.45 208.77 0.84 0.20 10 1400 11.0 12.60 1.58 0.48 197.97 0.88 0.14 11 1400 11.0 12.60 1.56 0.50 192.83 0.89 0.03 12 1400 11.0 12.60 1.60 0.47 192.93 0.89 0.15 13 1400 11.0 12.60 1.60 0.46 197.67 0.86 0.04 14 1400 11.0 12.60 1.64 0.45 199.17 0.85 0.24 15 1400 11.0 12.60 1.54 0.47 197.53 0.85 0.20 16 1700 11.0 12.60 2.00 0.55 186.83 1.06 1.48 17 2000 8.0 15.12 3.64 0.52 186.17 1.40 0.97 18 2000 8.0 10.08 3.32 0.63 170.43 1.57 1.59 19 2000 14.0 10.08 2.00 0.68 160.37 1.22 1.01 20 2000 14.0 15.12 2.00 0.58 178.60 1.11 1.29

查看原文

表 5多元回归和神经网络对稀释率的预测值

Table5. Dilution rate predicted based on multiple regression and neural network

Single-passexperiment No. Measuredvalue Prediction result Multipleregression Neuralnetwork 1 0.520 0.58 0.54 2 0.640 0.60 0.63 3 0.601 0.57 0.63 4 0.456 0.49 0.48 5 0.150 0.09 0.14 6 0.080 0.07 0.09

查看原文

表 6多元回归和神经网络对显微硬度的预测值

Table6. Microhardness predicted based on multiple regression and neural network

Single-passexperiment No. Measuredvalue Prediction result Multipleregression Neuralnetwork 1 186.43 192.15 184.67 2 163.70 154.53 167.43 3 177.70 163.65 171.50 4 207.47 202.42 206.94 5 234.00 240.04 257.35 6 250.47 255.44 258.08

查看原文

表 7优化前后响应值结果比较

Table7. Comparison of response values before and after optimization

Response Dilution HAZdepth /mm Microharness /HV Efficiency /(mm2·s-1) Before 0.518 0.855 186.433 15.24 After 0.320 0.736 218.337 16.17

查看原文

赵凯, 梁旭东, 王炜, 杨萍, 郝云波, 朱忠良. 基于NSGA-Ⅱ算法的同轴送粉激光熔覆工艺多目标优化[J]. 中国激光, 2020, 47(1): 0102004. Kai Zhao, Xudong Liang, Wei Wang, Ping Yang, Yunbo Hao, Zhongliang Zhu. Multi-Objective Optimization of Coaxial Powder Feeding Laser Cladding Based on NSGA-II[J]. Chinese Journal of Lasers, 2020, 47(1): 0102004.