利用基于物理的热模型对LPBF熔池区域进行矢量级前馈控制

《Additive Manufacturing》：Vector-level feedforward control of LPBF melt pool area using a physics-based thermal model

激光粉末床融合（LPBF）通过分层熔融粉末制造复杂金属部件，但易因熔池动态变化导致缺陷。本文提出解耦零件尺度热行为与微尺度熔池物理的向量级前馈控制框架，结合有限差分热模型与简化的熔池分析模型，实现高效熔池面积优化。实验表明，该框架在Inconel 718和316L不锈钢中分别将几何精度提升62%、孔隙率降低16.5%、光二极管信号偏差减少38.5%。

　　激光粉末床熔融（Laser Powder Bed Fusion, LPBF）作为一种增材制造技术，因其能够生产几何结构复杂且致密的金属部件而受到广泛关注。然而，这些部件往往存在内部缺陷和几何不准确的问题，其根源部分在于熔池的不稳定性。为了解决这一问题，本文提出了一种新的矢量级前馈控制框架，用于调节熔池面积。通过将部件尺度的热行为与小尺度熔池物理过程分离，该控制器能够实现与尺度无关的熔池面积预测，并在该基础上进行高效的优化。这种控制方法依赖于两个相互关联的轻量级模型：一个能够高效捕捉矢量级温度场的有限差分热模型，以及一个简化分析的熔池模型。每个模型都通过少量的单轨扫描和二维实验进行独立校准，并在复杂的三维几何结构中对两种材料（Inconel 718 和 316L 不锈钢）进行了验证。实验结果表明，前馈矢量级激光功率调度显著降低了关键尺寸的几何不准确性（降低62%）、整体孔隙率（降低16.5%）以及光电二极管信号的均方根偏差（降低38.5%）。总体而言，这种模块化、数据高效的方法展示了如何通过主动补偿已知的热效应来显著提升部件质量，同时保持计算效率，并且易于扩展到其他材料和设备上。

LPBF 在高科技行业，如航空航天、汽车和生物医学工程中得到了广泛应用。该技术通过选择性地熔融金属粉末的层，使得复杂几何结构的制造成为可能，同时减少了材料浪费，支持了低成本、小批量的生产。尽管具有这些优势，该工艺仍然容易出现影响成品部件机械性能的缺陷，甚至在严重情况下导致打印失败。因此，减少这些缺陷是 LPBF 的关键挑战之一。

这些缺陷在 LPBF 中的核心原因在于熔池的可变性。熔池中熔融材料的不稳定性可能导致诸如球化、飞溅和孔隙形成等缺陷，这些缺陷源于关键孔效应或熔合不足。这些缺陷对机械性能产生了不利影响，突显了熔池调节的重要性。然而，由于熔池的尺寸远小于最终部件，并且加工速度可以达到每秒几米，使得实时监测和控制变得极其困难。此外，影响熔池行为的因素众多，包括粉末特性、激光参数、环境条件以及基础几何结构。这些多尺度效应使得熔池调节成为一个持续的挑战。目前，加工参数通常通过结合单轨扫描和简单测试几何结构的过程图谱来选择。然而，对于更复杂的几何结构，这些过程图谱并不充分，因此参数的优化往往依赖于试错法，这种方法不仅耗时，而且成本较高。

为了解决这些挑战，一种常见的策略是根据前一层的测量结果，调整每层的激光功率，就像经验丰富的技术人员手动操作一样。例如，一些研究者开发了控制器，它们根据前一层的测量结果或基于模型的预测结果，自动调节每层的功率。此外，一些商业系统，如 EOS 的 Smart Fusion，利用光学断层扫描来调整每一层的能量输入。这些系统仅在每层完成一次测量，并且模型通常采用简化物理机制，仅在每层更新一次。虽然这些方法在减少层间热变化方面有效，但它们无法缓解几何复杂构建中层内出现的波动。

由于对更精确工艺控制的需求，研究者们开始探索实时激光功率反馈策略。与逐层控制相比，激光功率的调整频率更高，通常在每个矢量（即一个由激光标记的单行）中进行多次调整。例如，一些研究者开发了基于光电二极管信号、共轴相机信号以及模拟熔池面积的 PID 控制器。此外，一些商业系统也采用了基于光电二极管的反馈方法，如 AconityCONTROL。尽管这些方法都显示出了一定的改进效果，但它们本质上是反应性的，无法提前应对已知的几何变化（如悬垂部分或较短的矢量）。此外，无论是在逐层还是更频繁的实时调整中，改变加工参数都会增加对关键应用部件进行认证的复杂性。

因此，研究者们开始探索前馈控制方法，以提前预测和补偿变化。在一项研究中，Renken 等人通过基于高保真模拟的温度数据，为悬垂部分的几个单轨调整了激光功率。扫描矢量被划分为两个区域：一个是用于固态材料的区域，另一个是悬垂部分。功率在悬垂部分降低，这展示了前馈控制如何主动补偿已知的几何变化。然而，直接模拟熔池对于多个单轨来说计算量太大。

鉴于此，许多前馈控制研究都转向了分析或几何方法。例如，Wang 等人推导了一个分析模型，利用叠加原理考虑了先前的扫描矢量。激光功率在每个矢量中被连续调整，以减少过热，这种调整成功地减少了变化。然而，它仅在单层上进行了测试，没有用于完整的三维几何结构。在另一项研究中，Yeung 等人开发了一个几何传导因子，该因子依赖于附近的固态材料，以指导每个矢量内的连续功率调整。这些方法虽然具有潜力，但存在局限性。分析方法对复杂热效应进行了显著的近似，使得其难以扩展到多层。几何方法则提供了一个简单近似，无法准确反映复杂的热效应。

为了解决这些局限性，研究者们开始探索机器学习方法，以减轻部件尺度模拟的计算负担，并解决分析和几何方法的一般化问题。虽然研究人员已经将这些机器学习算法用于多种任务，包括基于表面粗糙度的反馈、熔池预测以及二维前馈控制，但本文将重点介绍一种用于部件尺度的、利用数据驱动模型进行前馈控制的方法，以实现稳健的全尺度控制解决方案。Lapointe 等人训练了一个前馈-逆向模型，该模型能够调整每个矢量的激光功率，从而提高了打印精度，但其一般化能力有限，需要在91个训练部件中扫描超过50万条轨道。Carter 等人则利用光电二极管测量和温度-功率校准来调整激光功率，结果显示了孔隙率的降低。然而，他们的模型仅在训练的同一部件上进行了测试。相反，Ren 等人开发了一个结合物理信息的两层机器学习模型，该模型首先利用一个模型预测预扫描温度，然后训练另一个模型预测熔池体积。这种方法避免了学习整个关系的需要，但需要在训练过程中测量预扫描温度。因此，这种方法显示出显著的潜力，但仅在模拟数据上进行了训练，并且仅用于预测。总体而言，机器学习方法在部件尺度的预测和控制方面显示出潜力，但其显著的数据负担和一般化问题限制了其实际应用。

因此，仍然存在一个关键的空白，即一种易于实施的部件尺度方法，不需要大量的校准数据，不像当前的机器学习方法，但又具备一般化性和相对计算效率，不像当前的基于物理的方法。为了解决这些限制，本文提出了一种新的矢量级前馈控制框架，该框架结合了分析熔池模型和部件尺度的基于物理的热模型。这种方法将部件尺度的热效应与小尺度熔池动力学分离，提供了一种计算效率高且校准要求低的解决方案。通过本文，我们做出了以下对文献的原创贡献：

首先，我们引入了一种新的矢量级前馈控制框架，该框架明确地将部件尺度的热历史与局部熔池动力学分离，从而实现了在复杂三维几何结构上的可扩展、高保真度的前馈控制。

其次，我们开发了一个耦合的分析-数值模型，该模型将有限差分热模拟与显式的分析熔池模型相结合，从而实现了直接的矢量级激光功率调度。

第三，我们提出了一种新的数据高效的校准策略，用于熔池模型。除了激光功率和扫描速度外，该策略还利用单轨实验中控制的基板温度变化，对亚表面条件的热影响进行参数化。

我们通过在两种材料（Inconel 718 和 316L 不锈钢）中使用前馈控制打印一个复杂的测试几何结构，验证了前馈控制框架和耦合的分析-数值模型在部件尺度上的有效性。实验结果表明，与标称参数相比，前馈控制显著降低了光电二极管信号的波动、几何精度并减少了缺陷。

本文的其余部分组织如下。第2节描述了建模方法和控制器框架，介绍了部件尺度和熔池模型如何被整合。第3节详细说明了使用实验数据对两个模型进行校准的步骤。第4节解释了打印设置，并说明了如何利用校准模型生成功率调度。第5节介绍了验证实验，包括多材料测试。最后，第6节总结了本文的关键发现，并提出了未来研究的方向。