激光增材再制造多尺度质量监测：陶瓷增强金属基复合材料表面连续性与硬度的同步监控

本研究针对激光增材再制造（LARM）陶瓷颗粒增强金属基复合材料（PRMMCs）过程中多尺度缺陷复杂、缺乏有效质量描述方法的难题，开发了一种基于单传感器的创新多尺度质量监测方法。研究人员构建了分类-回归多任务框架（CRM-F模型），可同步预测细观表面连续性和宏观硬度，准确率超95%，误差稳定在5%以内。该模型在Intel-CPU微工业计算机上展现出8.10 ms/帧的优异推理效率，为LARMed PRMMCs的闭环控制和数字孪生奠定了坚实基础。

　　

在高端装备制造领域，高附加值部件的原位修复与表面强化一直是行业追求的目biao。激光增材再制造（Laser Additive Remanufacturing, LARM）技术为此提供了全新路径，特别是通过制备陶瓷颗粒增强金属基复合材料（Particle Reinforced Metal Matrix Composites, PRMMCs），能够使受损部件恢复至“如新”甚至“优于新”的状态。然而，这一过程涉及复杂的多物理场耦合作用，且材料体系特殊，工艺窗口狭窄，导致PRMMCs制品容易产生跨尺度的质量缺陷。传统的质量监控方法往往只能针对单一尺度的质量特征进行孤立检测，难以全面描述PRMMCs的复杂质量状态，这严重制约了该技术在航空航天等质量敏感领域的推广应用。因此，开发一种能够同步监测多尺度质量的可靠方法，成为推动LARMed PRMMCs应用的关键。

为了攻克这一难题，南京工程学院的研究团队开展了一项创新性研究，旨在开发一种基于单传感器的多尺度质量监测方法。相关研究成果发表在《Materials Chemistry and Physics: Sustainability and Energy》上。研究团队以WC增强Fe基合金为例，深入分析了微观陶瓷颗粒状态作为“桥梁”连接宏观力学性能（如硬度）和细观特征（如表面连续性）的机理。他们认识到熔池的热历史（包括寿命、冷却速率和温度场）唯一地由所有工艺参数和边界条件决定，并最终决定了内部微观结构和宏观力学性能。这为通过熔池热历史来预测PRMMCs的宏观硬度和细观表面连续性提供了理论依据。

本研究主要依托一套集成了红外摄像头的L-DED（激光定向能量沉积）平台进行。关键技术方法包括：1）利用FLIR A655sc红外相机采集LARM过程中的熔池热成像序列；2）对原始红外图像进行高斯滤波降噪、基于熔池亮度的感兴趣区域（ROI）提取、基于材料熔点的温度阈值分割等预处理，以获取熔池的几何特征和热历史信息；3）构建了一种轻量级的单路径全深度可分离卷积神经网络（FD-Net）作为特征提取主干，并在此基础上创新性地提出了分类-回归多任务预测框架（CRM-Net）， specifically，本研究重点展示了基于FD-Net的CRM-F模型；4）采用交叉熵损失和平均绝对百分比误差（MAPE）分别作为表面连续性分类和硬度回归任务的损失函数，并通过总损失反向传播优化模型权重；5）利用t-SNE（t-分布随机邻域嵌入）、激活映射和Grad-CAM（梯度加权类激活映射）等技术对模型决策过程进行可视化解释，以增强模型的可信度。实验设计了9组不同激光能量密度（40-104 J/mm²）的单道沉积实验，构建了包含4500张红外图像及其对应表面连续性（有裂纹/无裂纹）和硬度值（HV_1.0）标签的数据集。

5.1. 验证集上CRM-Net模型的演化曲线和性能比较

研究结果显示，五种不同骨架的CRM-Net模型在验证集上均表现出良好的学习能力。分类任务的准确率在前期快速提升后趋于稳定，而回归任务的波动则在35个周期后平稳。最终，所有模型在表面连续性分类分支上的准确率均超过95%，硬度回归预测分支的误差稳定在5%以内，证明了多任务学习模型用于LARMed PRMMCs多尺度质量预测的有效性。具体而言，CRM-M模型取得了最佳预测效果，分类准确率达98.06%，回归误差为1.93%。而CRM-F模型虽然准确率略低（95.04%），但其参数量（10.59 M）和浮点运算次数（FLOPs, 0.03 M）远低于其他模型，训练时间（5.25分钟）仅为CRM-M的一半，展现出极高的计算效率。

5.2. 测试集上CRM-Net模型的预测性能和效率

在测试集上，各模型的性能得到进一步验证。CRM-M模型依然在分类准确率（98.22%）和硬度预测决定系数（R² = 0.9916）上领先。然而，在模拟工业微计算机（Intel i5-12400F CPU）的推理时间上，CRM-F模型展现出绝对优势，其推理时间仅为8.10 ms/帧，远低于红外相机的采集周期（20 ms/帧），而其他模型的推理时间均超过38.37 ms/帧，无法满足实时监测需求。研究者引入了推理效率系数η来综合评价模型性能，在赋予表面连续性分类任务更高权重（0.7）的情况下，CRM-F模型的效率系数远超其他模型，表明其在计算资源有限的工业场景下具有独特的应用优势。

5.3. 可视化结果

5.3.1. 预测结果可视化

t-SNE降维可视化显示，CRM-F、CRM-M和CRM-E模型均能较好地对表面连续性进行聚类，但CRM-F模型的空间聚类程度和类间距离略逊于后两者。混淆矩阵分析发现，CRM-F模型对裂纹样本的分类准确率超过97%，虽存在较高的误拒概率，但误受概率较低，这在工业监测中更有利于保证产品表面连续性。硬度预测的提琴图表明，CRM-F模型的预测值分布范围稍广，但R²仍高于0.98，预测浓度高，离散度低，其不稳定性在硬度本身存在波动范围的情况下是可接受的。

5.3.2. 模型特征可视化

通过激活映射对CRM-F模型不同DS-Conv层的特征提取过程进行可视化。结果显示，浅层网络（DS-Conv1）关注熔池的整体特征（纹理、边缘），随着网络加深，不同通道开始分别关注熔池的对流区（CVZ）、过渡区（TSZ）和热影响区（HAZ）的纹理和边缘细节，最终提取出高度抽象的特征。Grad-CAM热力图揭示了模型决策时关注的图像区域：在低能量输入下，模型关注点多样（如CVZ前端、HAZ后端）；随着能量输入增加，关注区域逐渐集中在熔池的右下区域且面积增大。对于识别错误的图像，模型关注点则偏离了熔池的关键区域（如背景），这可能是由于低对比度图像质量所致。

5.4. 基于CRM-F模型的在线监测系统GUI框架

研究还开发了一套基于Python PyQt5的原型人机交互系统（GUI）。该系统集成了再制造设计、设备管理、多尺度预测和数据记录等功能，能够实时显示红外图像、Grad-CAM可视化结果、表面连续性（散点图）和硬度（折线图）的预测结果。当预测值连续超出预设范围时，系统会触发红色警报，为后续实现闭环反馈控制和数字孪生奠定了基础。

该研究的结论表明，面对LARMed PRMMCs复杂的质量状态，所提出的创新型CRM-F模型成功实现了对细观表面连续性和宏观硬度的同步预测。尽管其绝对预测精度略低于某些复杂模型，但其卓越的推理效率使其在配备Intel-CPU的微工业计算机上具有无可替代的实时监测优势。模型可视化分析揭示了其基于熔池不同区域特征进行决策的内在机制。最终，基于CRM-F模型构建的原型多尺度质量监测方法及人机交互系统，为LARMed PRMMCs的闭环质量控制、工艺优化乃至数字孪生系统的建立提供了坚实的技术支撑和平台基础，有力推动了激光增材再制造技术在高可靠性领域的应用进程。