数字孪生驱动的金属选择性激光熔融成形过程在线监控

段现银，陈昕悦，向 峰，朱锟鹏，蒋国璋

(1.武汉科技大学 冶金装备及其控制教育部重点实验室，湖北 武汉 430081；2.中国科学院 合肥物质科学研究院智能机械研究所，安徽 合肥 230031)

0 引言

随着数控技术、先进成形设备、高性能控制器的飞速发展，金属激光熔化成形能更加快速、高效制造出复杂结构的零件，广泛应用于航空发动机叶片、齿轮和医疗等结构复杂难成形制造领域。然而，由于激光熔化成形的精度和性能难以满足实际要求，阻碍了其应用和发展。其中表面粗糙、低致密度、断裂和分层是选择性激光熔融(Selective Laser Melting, SLM)过程中最主要的缺陷，影响了金属成形件的精度和可靠性。为了克服这些缺陷，制造出高质量的零件，对SLM过程进行实时监测和过程控制显得十分重要。

世界全球化及其对新产品的需求，也对制造系统提出了新技术范式应用的要求。为此，“中国制造2025”、“德国工业4.0”、“美国工业互联网”等均聚焦于智能制造[1]。作为智能制造的重要体现，数字孪生(Digital Twin，DT)[2]可通过实时获取物理过程的多源数据信息并进行分析、融合与处理，连接物理过程及其虚拟过程，助力物理过程的实时监测与控制[3-5]，为SLM过程的实时监测与过程控制提供可能。

目前，大量学者围绕SLM在线监测这一研究热点展开了一系列研究。唐梓珏等[6]对不同金属SLM的熔池动态特征进行在线监测，并解释了不同几何轮廓的影响因素；笔者所在团队[7-9]采用高速摄像机实时在线监测成形过程，采用机器学等方法实现了熔池、羽流和飞溅等不同现象的特征识别和数据分析，研究了状态特征与成形质量之间的关系；产玉飞等[10]将在线监测按照熔池温度、熔池尺寸、元素成分和显微组织4种方法进行归类研究和原理介绍；Thomas等[11]采用红外线二极管对激光熔化过程中的气孔缺陷和飞溅过程进行在线监测，通过控制成形过程的缺陷数量优化成形质量；Grasso等[12]将红外图像采集和特征提取的数据挖掘方法与统计过程监测技术结合，用于观测SLM成形不稳定性和特殊缺陷；Demir等[12-13]通过设计同轴监测系统监测羽流特征来判断成形件的缺陷类别，发现较小的孔隙率可以提高成形件的表面质量。

上述学者通过采集成形过程中熔池、羽流和飞溅等现象的相应数据进行成形过程状态的识别和监测，为建立数字孪生驱动的监控系统提供了很多有意义的参考，也为数字孪生在SLM上的应用提供了有意义的支撑。

还有较多研究致力于构建制造过程或系统的数字孪生系统。Shen等[14]提出基于深度神经网络的误差补偿框架进行误差预测和补偿；Zheng等[15]基于数字模型、计算模型和图形模型开发了智能制造环境下的产品数字孪生体；孙惠斌等[16]研究了基于数字孪生的刀具磨损监测、刀具寿命预测和刀具选择决策，并验证了数字孪生系统的可靠性；陈友东等[17]搭建了基于机械手的工艺与视觉监测信息物理系统，并开展了机械手的监测与优化控制研究；Cai等[18]将制造数据和传感器数据集成到数字孪生虚拟机床，以提高其可靠性和网络物理制造能力；Deng等[19]为了优化无线传感器网络能耗和数据采集，设计了基于数据清理算法的机床健康监测数字孪生系统；Zhang等[20]提出一种由物理层、网络层、数据库层、模型层和应用层组成的数字孪生车间体系结构；Liu等[21]基于数字孪生技术设计了柔性工装系统动态夹紧定位方法，以提高零件生产效率；Wang等[22]构建了数字孪生驱动的工艺场所资源信息和状态感知模型；Zhu等[23]在数控机床物理和虚拟建模、过程监控、大数据分析的基础上，提出一种基于虚拟物理生产系统框架的数控加工智能监控数字孪生系统。

可见，国内外很多研究者将数字孪生技术应用于智能产品生产、刀具监测、机械手监测、机床监测和加工车间监测等场景，提升了制造过程或制造系统的智能化水平。

综上，目前已有大量关于SLM成形过程在线监测，以及机械手、机床、刀具和车间等在线监测数字孪生系统的文献，对于增材制造过程，尤其是金属SLM成形过程的在线监控数字孪生系统构建的研究还未见报道，限制了SLM过程在线监测及其智能化水平。SLM成形已经越来越多地应用于航空航天、医疗和工业领域，SLM成形件性能要求的提升对其成形过程质量在线监控和智能化的要求越来越高。为此，本文提出一种数字孪生驱动的金属SLM成形过程在线监控方法，构建了包括物理实体和虚拟空间的SLM成形过程在线监控数字孪生体，以及5个层级的监控系统框架，设计了数字孪生模型架构及SLM成形过程在线监控流程，并通过在SLM过程中对熔化状态下的典型特征熔池、羽流和飞溅进行监测和参数调控为案例，展示SLM智能成形制造过程。

1 数字孪生驱动的成形过程在线监控系统

1.1 SLM成形过程监控数字孪生体的设计

本文提出一种基于数字孪生的SLM成形过程在线监控系统和方法，该系统建立SLM数字孪生体(如图1)的基础是构建粉末熔融过程虚拟空间的几何模型、运动模型和物理模型，以及对物理实体进行成形过程监测、数据分析和成形缺陷识别。基于此，本文通过数据信息迭代进行协同实时优化来控制成形表面质量，实现数字孪生驱动的在线监控系统。

在孪生体设计中，建立了成形设备、监测仪器、粉末材料和辅助装置等几何模型，热源控制、光路偏转、供粉铺粉和成形腔运动等运动模型，以及热量堆积、温度、热应力和应变等物理模型。对于物理实体，采用红外相机、温度传感器、声发射传感器和等离子体传感器等进行多源信号在线监测，通过对所获取的图像、温度、声音、等离子进行图像处理、信号处理、机器学习和异构数据融合等数据分析，识别应力变形、球化孔隙、膨胀裂纹和较差表面粗糙度等成形缺陷。

虚拟空间的仿真数据和物理实体的感知数据一同构成了成形过程的粉材数据、设备数据、热源数据、产品数据、环境数据、工艺数据、状态数据和质量数据等孪生数据。仿真数据和感知数据之间的互联互通实现了虚拟空间与物理实体之间的信息传递。

基于所构建的孪生数据，由用户设计的数据监测与分析模块和机器引导的自主学习与优化模块共同进行智能决策。其中，数据监测与分析模块从物理实体获取在线监测的多源信息，引导自主学习和优化模块接收行为预测数据；机器利用自主学习进行数据融合，以辅助用户分析数据。整个数字孪生体通过用户和机器共同优化，对物理实体和虚拟空间进行实时反馈优化。

1.2 系统框架

按照上述数字孪生体设计，本文建立了数字孪生驱动的SLM成形在线监控系统框架，如图2所示。所建立的框架包括成形设备层、成形数据转换层、网络层、成形过程控制层和成形应用层，下面分别对5个层的设计和功能进行论述。

(1)成形设备层 该层描述系统的物理元素，如送粉装置、光路控制装置和多传感器监测装置，以获得实时、准确的目标数据，成形设备各组成装置的状态数据通过多传感器采集。由于不同装置的数据接口之间不兼容，影响了装置之间数据的互联互通，需要通过数据转换来克服多源数据格式不兼容的问题。

(2)成形数据层 该层负责将成形设备层数据汇集到数据采集系统，并将设备层读取的信息进行数据转换，以实现成形设备多源信息数据的兼容、融合和存储，进而通过图像等数据呈现成形过程中的各种物理现象。

(3)网络层 该层是成形系统的数据集散中心，负责成形数据转换层的数据传输并响应成形过程控制层的请求，通过高度自主的数据学习、成形过程在线监测和成形件状态预测进行数据存储。该层分别连接成形设备层和成形控制层，为成形设备层的各装置提供数据支撑，并为成形控制层提供数据源，从而实现各层之间的数据共享和紧密联系。

(4)成形过程控制层 该层是整个框架的核心层，起控制成形过程和优化决策的作用。对于成形过程的控制和优化，该层基于网络层传输的数据，应用大数据分析和处理技术构建针对不同目标和约束条件的优化模型，并结合求解算法设计相应目标下的优化策略和方法，再将优化方案反馈给系统，使SLM成形过程按照优化方案自适应成形，奠定成形状态在线监测、成形参数自适应调整和成形质量智能控制的基础。

(5)成形应用层 该层是框架中的实际生产应用层，将成形过程控制层对大数据进行分析处理和优化决策后的数据从虚拟空间反馈到物理实体，可以对SLM成形过程工艺参数进行优化设置和状态调整，并将相应信息实时传递给用户。该层也可以由用户实际操作控制系统来收集数据，通过仿真模块、在线监测模块、成形模块和质量检测模块优化改进应用层，最终实现对SLM成形过程缺陷的预防和控制。

成形设备层和成形数据转换层组成的物理实体与网络层和成形过程控制层组成的虚拟空间，通过对数据进行改进优化和动态更新，为成形应用层提供海量的实时数据支撑。成形应用层中，不同模块的商业化应用数据通过分别与虚拟空间和物理实体的数据进行交互，来实现数据驱动的成形过程状态监测和质量控制。

1.3 数字孪生模型架构

根据数字孪生驱动的SLM成形在线监控系统框架(如图2)，本文设计了数字孪生模型架构，如图3所示。该模型架构主要包括模型定义、动态更新、状态监测、识别预测、决策控制和迭代优化6部分，涉及宏观尺度下的成形任务、零件尺寸、工艺参数和热源条件等，以及微观尺度下的成形件表面质量和成形状态特征等。因为成形过程的复杂性，难以采用单一模型描述，所以进一步衍生为图3中建立的设计模型、实物模型、任务模型、微粒熔融模型、成形过程监测模型、成形变形累积模型、成形质量预测模型和成形性能评估模型，每个模型都包含有要素、行为和规则。

(1)设计模型 该模型根据SLM成形过程的仿真预测结果进行设计，描述了SLM成形的粉末材料、工艺参数、成形尺寸和成形方式，在此基础上计算和选取激光能量密度，确定工艺参数优化范围。

(2)实物模型 按照设计模型所描述的成形工况和成形条件，并根据设计模型确定的优化工艺参数，反映SLM成形过程及其监测的实际过程，例如成形过程中，成形件的实际尺寸、形状和位置等的演变过程，在线监测过程中的设备、仪器和夹具等实物，包括粉末床设备的热源控制、光路偏转、铺粉送粉和成形腔动作等的运动。

(3)任务模型 根据成形零件质量的要求，结合成形过程在线监测状况，对成形过程工艺参数进行优化改进，以选取最优的参数化设计。该模型描述了SLM成形过程的成形状态，包括成形工艺参数(激光功率、扫描速度、扫描间距和铺粉层厚等)、粉末床信息、成形件信息、材料属性、成形策略，以及激光热源类型、光斑直径等，对SLM成形进行过程参数优化和质量控制评估，为成形智能决策提供依据。

(4)微粒熔融模型 该模型根据材料属性、激光热源、边界条件和网格划分对粉末材料微粒的熔融过程进行模拟。因为成形过程的急冷急热会导致温度改变和应力变形，所以利用热力耦合模型计算生成瞬态温度场和瞬态应力场，输出成形过程温度和应力状态分布。

(5)成形过程监控模型 该模型获取成形过程中的微粒熔融图像、热影响区温度、成形室内声音和等离子体等多传感器信号，然后开展数据处理、特征分析、机器学习、状态识别和参数调整等操作。

(6)成形变形累积模型 该模型实时反映成形件的变形积累过程，采用数学模型对成形过程前后的扫描层进行监测和建模，预测成形过程的动态变形，并采用成形过程监控模块实时调整参数以减小变形量。

（2）针对柱塞总成的润滑问题，要定期加注润滑油，保证更好的润滑、保养效果，使注水泵在高效低耗的状态下运行。

(7)成形质量预测模型 主要针对成形过程中的缺陷预测和质量控制。该模型根据成形过程的实时数据信息，通过多源数据分析可能出现的缺陷，如球化、孔隙、裂纹和膨胀等，综合评估成形质量，智能提出针对缺陷控制的参数调整决策。

(8)成形性能评估模型 该模型从成形质量、成形效率、成形工作量和经济性等方面对相应工况下的SLM成形进行综合评估，为面向智能成形的优化决策提供依据。

这些模型之间相互依赖、相互协调、相互作用，共同组成SLM成形在线监控数字孪生模型架构，为实现智能成形提供了理论依据和方法支撑。

1.4 监控流程设计

基于所设计的数字孪生系统框架，本文设计了SLM成形过程在线监测与优化控制流程，如图4所示，以下分别介绍该流程中的5个模块。

(1)成形工艺规划 该模块对SLM成形过程进行总体工艺设计和规划。首先对成形件几何设计模型进行加工特征分析，确定工件位姿和切片方案；然后考虑成形过程的主要影响因素，基于经验数据规划成形过程工艺方案，如规划激光热源(激光功率、光斑直径等)、确定粉末材料(颗粒形状、粒径和热物理性能等)、规划扫描过程(扫描间距、扫描轨迹和扫描速度等)、规划供粉运动(供粉速度、铺粉层厚等)、制定成形策略等。

(2)成形过程预测 按照上述流程所规划的激光热源、粉末材料、扫描过程和供粉运动等工艺参数和策略，结合数值模拟和解析计算等方法，建立成形过程的温度场、应力场和变形等物理量预测模型，根据预测模型和经验数据范围选取最优成形工艺参数和策略。该模块为物理实体的在线监控提供理论数据支撑。

(3)成形过程在线监测与优化控制 该模块包括在线监测、优化决策和实时控制3个子模块，按照上述模块所规划的成形工艺、预测和优化的工艺参数及策略，应用成形状态在线监测、多源信息融合及数据处理、智能决策与优化等技术，开展SLM成形加工以及在线监测和优化控制。根据比较和分析预测数据与监测数据，实时调整成形过程工艺参数及策略，从而实时补偿成形过程的缺陷，控制成形件质量。

上述4个模块共同完成基于数字孪生的SLM成形过程在线监测与优化控制流程。在该流程中，虚拟空间与物理实体的数据和模型相互融合，采用数据库技术、大数据技术和云计算技术等进行数据处理，应用人工智能技术和智能优化算法对成形过程进行实时地智能决策和调整，从而优化控制成形质量，最终实现SLM智能成形。

2 案例设计与分析

在金属SLM过程中，扫描轨迹处的材料在瞬时极热作用下，经历快速熔化和凝固过程容易产生热应力、收缩和翘曲等缺陷。因此，在成形过程初始模型基础上，对成形过程参数和状态进行实时监控尤为重要，本案例应用实例验证数字孪生驱动的SLM成形过程在线监控方法，以推进SLM智能成形制造。

在SLM过程中，熔池、羽流和飞溅是反映成形过程熔化状态的典型特征，其中羽流和飞溅在欠热、正常和过热熔化中存在明显的状态差异。通过SLM过程在线监控，并建立类似羽流和飞溅典型特征参数与成形缺陷之间的对应关系非常重要。本文对熔池、羽流和飞溅的形成机理进行了大量理论和实验研究，为在线监控SLM过程粉末颗粒熔态提供了理论依据。

基于前期研究，构建了数字孪生驱动的SLM过程在线监控框架，包括设备层、数据层、控制层和应用层，各层之间的数据可以相互传递和交互，如图5所示。在物理空间，开展SLM成形及其在线监测实验，获取成形区域的图像；在虚拟空间，设计图像处理算法，基于特征定义和分类进行羽流和飞溅等状态的特征识别。SLM过程的物理空间、虚拟空间及其数据交互共同构成状态特征识别系统，应用该系统可获取并分析改变激光功率和扫描速度等成形工艺参数后的实时图像数据。

下面对该状态特征识别系统中的主要层级在案例中的作用进行论述。

识别系统设备层包括金属粉末颗粒SLM成形系统和近红外(NIR)摄像机拍摄系统，如图5上部所示，其中成形系统可进行改变扫描速度和激光功率的单熔道SLM成形，拍摄系统可完成成形过程羽流和飞溅等状态特征的近红外实时拍摄。

识别系统数据层采集成形过程出现的包括羽流、飞溅等现象的图像数据，并进行汇集，存储于图像数据库，如图5右侧所示。本文获取了不同激光扫描速度和激光功率下羽流和飞溅的数量及其相应的尺寸数据，并采用其中的激光扫描速度对羽流和飞溅现象的影响进行分析，案例数据如图6所示。

识别系统控制层通过分析图像数据识别出羽流、飞溅两种状态特征，以及成形过程中的具体现象，如扫描速度慢或激光功率大时产生的过热现象、扫描速度快或激光功率小时产生的欠热现象，进一步分析羽流、飞溅的图像区域特性及其与激光功率和扫描速度的关系，据此对激光功率和扫描速度进行实时优化，从而抑制球化、翘曲和膨胀等缺陷，如图5下部所示。识别系统控制层对所获取的数据进行分析，得出当扫描速度低于300 mm/s时，羽流面积和周长呈逐渐上升的趋势；当扫描速度在300 mm/s～700 mm/s时，羽流面积和周长逐渐下降；当扫描速度继续增加到800 mm/s时，会产生更多的飞溅并混合到羽流中，使羽流变大(如图6)。基于数据分析，控制层可进一步得出羽流的宽度大于长度、羽流和飞溅像素主要由羽流决定的结论，而且通过对羽流和飞溅图像进行处理和分析得到其方向角，还可得出随着扫描速度的增加，羽流和飞溅方向角均下降的结论。

识别系统应用层观察不同成形状态下的图像数据，根据控制层识别出的状态特征和具体现象获取成形过程羽流和飞溅的形位(尺寸和方向角)数据，自动优选扫描速度和激光功率，并通过设备层调整工艺参数进行优化调整，调整后的优化参数继续进行后续成形，直到成形过程结束。利用对上述工艺参数(扫描速度和激光功率)的实时优化可以明显改善成形件质量。该层通过实时反馈数据可望实现SLM成形智能化及商业化应用，如图5左侧所示。

3 结束语

SLM成形在具有复杂结构、自由曲面和薄壁特征的难加工金属零件制造上有显著的优势，然而由于成形过程中容易产生球化、孔隙、裂纹等缺陷，对其进行在线监测与控制对改善成形质量非常重要。为了更精准地预测和评估成形过程，本文引入数字孪生技术，提出一种数字孪生驱动的SLM成形在线监控系统和方法。系统基于数字孪生技术，在物理空间和虚拟空间建模的基础上实现了在线监控模块设计。用户可以采集成形设备层的状态数据，通过成形数据转换层、网络层、成形过程控制层和成形应用层对成形过程监控数据进行协同和交互，同时采用多层数据融合和大数据分析技术贯穿SLM成形过程的监控流程，提高了SLM的智能化水平。

本文对SLM成形过程中的羽流和飞溅状态特征进行了在线监控实例分析，得到了SLM成形在线监测系统中成形过程状态特征与工艺参数激光功率和扫描速度之间的变化规律。通过实际案例说明，该系统可以提高SLM成形的智能化程度和成形质量。

目前研究正处于上升阶段，本文所提系统有望利用多源数据融合的方法，例如与图像、声音、温度和等离子信号等结合，进行在线监测和控制，并应用深度学习对成形过程进行实时优化。