为了研究基于光束离散的激光相变硬化蠕墨铸铁RuT300材料的应力分布状态,构建了离散激光相变硬化RuT300弹塑性本构模型,分析温度对热应力和残余应力的影响。结果表明:材料表面较大的热压应力分布与二维离散点阵光斑相对应,激光快速加热引起的材料各部分温度差异使得模型X轴路径上的热应力呈波浪形分布,离散光斑加载区域的X、Y方向热应力峰值为-635 MPa,约为Z方向的1.8倍,随着深度的增加,模型截面热应力逐渐降低;材料表面激光加载区域的残余应力大于非加载区域,X、Y方向的残余拉应力为主要残余应力,应力值在200 MPa 左右,X轴路径上X方向的残余应力最大;随着激光功率的增加,残余应力峰值增大,材料受较大残余应力影响的区域扩大,延长激光加热时间时,加载区域残余应力峰值的变化幅度在2.4 MPa内。

通过建立高强化柴油机气门座激光相变硬化温度场的数值模拟模型,分析了激光相变硬化过程中工艺参数对气门座温度场的影响。结果表明,随着激光功率的增大,气门座相变硬化的峰值温度升高,温度场呈拖尾的彗星状,硬化层的深度和宽度增大;随着扫描速度的增大,气门座相变硬化的峰值温度降低,温度场拖尾的彗星形状减小,硬化层的深度和宽度减小;随着光斑半径的增大,气门座相变硬化的峰值温度降低且位置发生偏移,温度场拖尾的彗星形状增大,硬化层的深度减小。

采用实验与神经网络预测相结合的方法, 对基于温度控制的激光相变硬化工艺参数进行了研究。首先, 使用基于温度可控的大功率半导体直接输出激光加工系统对45#钢进行设定温度下的激光相变硬化实验。然后, 通过改进的BP神经网络算法构建神经网络模型, 并采用所获得的实验样本数据训练该人工神经网络模型。模型中所采用的改进BP神经网络算法是遗传算法和基于新型误差函数的批量训练神经网络算法相结合的混合算法。为验证改进算法的性能, 在Lab Windows/CVI软件上应用C编程语言实现了该算法。通过运行程序发现, 采用此算法的收敛速度比传统算法提高了约80%, 预测输出的指标与实际值之间的偏差小于4%。

为研究激光功率、扫描速度和光斑直径等因素对38CrMoAlA钢激光相变硬化效果影响的主次程度并对工艺参数进行优化,依据三因素三水平L9(33)正交试验表对该钢的激光相变硬化进行了正交试验,采用双立方二维插值法预测了激光功率和扫描速度对激光相变硬化后表面硬度的影响。结果发现,各因素对表面硬度影响程度的主次顺序为扫描速度、激光功率和光斑直径,其对应的最优水平分别为30 mm/s,1.6 kW和3.5 mm。在上述参数下,激光相变硬化的深度可达0.5 mm以上,其硬化层由表及里可分4层,其中第2层几乎全为马氏体,硬度最高;第4层为马氏体和铁素体混合物,且发生组织粗化,硬度最低。

对普通灰口铸铁和含磷、钼、铬等合金铸铁制作的中小型内燃机汽缸与活塞环摩擦副材料进行了激光相变硬化工艺处理与匹配优化。成组配对后的滴油摩擦磨损试验表明, 经激光相变硬化后的气环与汽缸的最佳匹配为磷铬钼合金铸铁气缸与铬钼铜合金铸铁活塞环的匹配,比不经激光处理的相同的摩擦副磨损速率明显降低。

采用XPS研究了35CrMo钢离子氮化加激光相变硬化复合处理后不同层深处氮的变化。结果指出，复合工艺可在表层获得更深的氧氮化物层，含氮层的深度也将加大，并且与原渗氮层相比可在更深的位置得到氮化物层。