增材制造的过程数据:能量密度、熔池信号与件质一致性

Jing Wang

2026-11-12 /

金属增材制造的质量问题有一个特点:零件在打印过程中不可见,缺陷在剖切或CT检测后才暴露。激光粉末床熔融(LPBF)的熔池寿命以微秒计,层厚通常在20-60 μm,一个零件打印数千层。这种时空尺度决定了过程数据的组织方式与常规工艺监控完全不同。

能量密度与工艺窗口

体能量密度是常用的参数组合指标:E = P / (v × h × t),P为激光功率,v为扫描速度,h为扫描间距,t为层厚。典型值在50-80 J/mm³,具体依材料与设备而定。这个指标把四个参数压缩成一个数,便于沟通,但会掩盖参数组合的差异:高功率高速与低功率低速可能得到相同的能量密度,熔池行为却不同。

工艺窗口的边界由缺陷类型定义。能量密度过低导致未熔合(lack of fusion),孔隙呈不规则形状;过高导致匙孔(keyhole)与飞溅,孔隙呈圆形且内部有金属蒸气压痕。两种缺陷的检测特征不同,工艺优化时要分别对待。

参数

典型范围

偏差后果

可控性

激光功率

200-700 W

未熔合或过烧

高,实时可调

扫描速度

600-1500 mm/s

熔池不稳定

高

扫描间距

80-120 μm

搭接率不足

中,按层设定

层厚

20-60 μm

效率与致密度

中

舱室氧含量

≤ 100 ppm

氧化、球化

高,靠气氛控制

基板预热

80-200℃

残余应力、翘曲

中

舱室氧含量是影响成形质量的环境变量。钛合金要求氧含量低于100 ppm,铝合金要求更严。氧含量上升会形成氧化膜,阻碍熔池润湿,产生球化与未熔合。这个参数通常由氧分析仪连续监测,氩气流量与循环净化系统的状态决定其稳定性。

粉末状态是跨批次一致性的关键。粉末在多次复用后,粒径分布变化、氧含量上升、卫星粉增多。粉末床的铺粉质量受影响,层厚均匀性下降。粉末批次与复用次数的记录,应作为零件追溯的一部分,因为同一参数下的不同粉末状态会产出不同的致密度。

基板预热降低温度梯度,减少残余应力,但预热温度过高会导致粉末结块、清粉困难。预热温度与零件高度方向的温度衰减相关,大尺寸零件顶部与底部的热历史差异明显。

熔池监测与过程信号

熔池监测是增材制造过程数据的核心。常用手段包括高速摄像、光电二极管、红外测温、同轴熔池辐射监测。光电二极管采样率高、成本低,输出的是熔池辐射强度随时间的信号,可用于识别异常层与缺陷位置。

信号处理的难点在于噪声与标注。熔池辐射受扫描策略、零件几何、气氛流动影响,同一参数下不同位置的信号强度差异大。缺陷标注需要CT或剖切结果,样本获取成本高。多数工厂的做法是用信号统计量(均值、方差、异常点比例)做层间比较,识别显著偏离的层,再对该层做重点检测。

阈值设定需要按材料与几何分档。薄壁区域散热快,熔池辐射强度天然低于厚实体,用统一阈值会误判。分档的依据可以是切片面积与支撑密度,这两项在切片软件中有现成输出。

单层数据量可观。一台四激光设备,每层每个激光器的信号采样率可达10-50 kHz,一层打印几十秒,四束激光合计单层数十万到百万点。一个零件数千层,原始信号全存不现实。工程上的折中是保存层统计量与异常片段,原始波形按抽检留存。工业互联网在这类场景的取舍逻辑很直接:留存密度由后续用途决定,而非由采集能力决定。

件质一致性与无损检测

增材件的质量验收以CT为主,检测内部孔隙率、未熔合、裂纹。CT的扫描时间与分辨率成反比,大零件的高分辨率扫描耗时长,通常只做抽样。

一致性分析要区分两类变异:批内变异与批间变异。同一零件不同位置的致密度差异属于批内,与扫描策略、热积累相关;不同批次同一位置的差异属于批间,与粉末、设备状态、环境相关。两类变异的成因不同,混在一起分析会得出错误结论。

力学性能的抽样更稀疏。拉伸试样通常随炉打印或从零件上取样,样本量个位数,统计功效有限。把力学性能与工艺参数、CT结果关联,需要跨批次积累数据,单批次无法支撑。

扫描策略决定热量在层内的分布。条带式、棋盘式、岛式扫描的路径不同,熔池之间的冷却时间不同。同一条带内相邻扫描线的间距小,热积累明显;岛式扫描把零件分成小区块,逐块扫描,可降低局部热积累,但增加了激光跳转次数与打印时间。

热积累的宏观表现是零件高度方向的温度上升。打印到中后段,基板与已成形的部分温度升高,熔池冷却速率下降,晶粒形貌与残余应力随之变化。同一参数在零件底部与顶部的实际热历史不同,这是增材件性能随高度变化的来源之一。

可观测的替代量包括基板温度、舱室气体温度、激光器的实际输出功率与开启占空比。基板测温通常靠贴在基板侧面的热电偶,响应慢但趋势可靠。把层号与基板温度画在一起,可以看出热积累的斜率,斜率异常提示扫描策略或支撑设计需要调整。

数据组织与工程约束

增材制造的数据形态特殊:层号是天然的时间轴,每层有参数、信号、图像,层与层之间结构相同。按设备与零件建超级表、按层号与激光器编号打标签,可以让"第1200层二号激光器的异常"这类查询直接命中。

数据模型要区分三种粒度:零件级(总层数、材料、粉末批次)、层级(参数、统计量)、信号级(原始波形)。三者生命周期不同,零件级永久保留,层级保留数年,信号级保留数周。

TDengine作为AI原生的工业数据平台,在层号作为主键、单层数据量波动大的场景中,可用超级表按设备分流、用标签关联零件与粉末批次,价格低于传统工业互联网平台。工业互联网在这类场景的价值不在实时性,而在把设备日志、粉末记录、检测结果按零件编号收敛成一份完整档案。

结语

增材制造的过程数据,短期看是把层统计量与CT结果对应起来,中期看是用熔池信号做在线缺陷预警,长期看是建立参数-组织-性能的预测模型。尚未解决的是信号与缺陷的因果对应,同一异常信号可能对应不同的缺陷类型,标注依赖事后检测,闭环周期长。ISO/ASTM 52900统一了术语,但过程数据的字段规范仍未在行业内标准化。