夏衛(wèi)生 肖陽 張進葉

摘要：金屬增材制造作為一種將金屬等原材料直接打印為產(chǎn)品的近凈成形工藝，在航空航天、汽車船舶、微納制造、生物醫(yī)學工程等領域具有極高的應用價值。其特殊的逐層打印機制使得制造過程缺陷傾向大，可能出現(xiàn)致密度差、各向異性、局部變形及應力集中等問題，因此需要合理高效的無損檢測方法進行缺陷檢測和質量檢查。文中以超聲、射線以及視覺檢測三種無損方法為主要對象，通過分析其原理、典型應用場景、優(yōu)點及局限等，總結無損檢測在金屬增材制造的適用場景和發(fā)展動向，提出金屬增材制造智能檢測與控制的發(fā)展方向。

關鍵詞：金屬增材制造;智能檢測;超聲檢測;射線檢測;視覺檢測

0? ? 前言

金屬增材制造作為一種高效率、高精度、低損耗的復雜金屬零件加工制造方法，在航空航天、汽車船舶、生物醫(yī)學工程等領域的應用前景十分廣闊。金屬增材制造技術是一種與“ 減材制造 ”相反的，依據(jù)三維模型數(shù)據(jù)，通過連接金屬材料（通常逐層連接）而獲得制件的加工工藝[1-4]。按照金屬熔合方式不同，金屬增材制造技術可分為“ 直接法 ”和“ 間接法 ”兩種[5]。其中“ 直接法 ”利用高溫熱源直接熔化金屬實現(xiàn)凝固成形，制件的成形精度、致密度及力學性能比較優(yōu)良，包括選擇性激光熔化（Selective Laser Melting，SLM）、電弧增材制造（Wire Arc Additive Manufacturing，WAAM）、電子束熔絲沉積（Electron Beam Direct Manufacturing，EBDM）等?！?間接法 ”主要采用低熔點的高分子等材料連接難以熔化的高熔點金屬粉末，從而實現(xiàn)材料的粘結成形，但需要后續(xù)熱處理等手段來保證制件的致密度和力學性能，包括選擇性激光燒結（Selective Laser Sintering，SLS）、光固化成型（Stereo Lithography Apparatus，SLA）、熔融沉積成型（Fused Deposition Modeling，F(xiàn)DM）、分層實體制造（Laminated Object Manufacturing，LOM）等。

然而，受限于金屬增材制造是分層打印成形方式，產(chǎn)品容易出現(xiàn)致密度差，組織性能各向異性，局部變形及應力集中，并且伴隨氣孔、裂紋、夾雜等諸多缺陷問題[6-7]。此外，制造過程中中間層的缺陷會直接影響后續(xù)金屬層，造成樣品尺寸誤差不斷累積、性能缺陷逐漸增加，甚至對整個制件造成不可逆轉的破壞，大大增加了制造成本。故當前金屬增材制造產(chǎn)業(yè)亟需高效、便捷、合理的實時檢測方法來實現(xiàn)成形過程監(jiān)控并提高產(chǎn)品質量。

相對于破壞性檢測，無損檢測可以實現(xiàn)全體產(chǎn)品非破壞檢測，并可在制造過程中實時進行，實現(xiàn)對加工過程的在線反饋調節(jié)，從而減少廢品率、提高制件品質[8-10]。依據(jù)檢測原理，無損檢測可分為超聲檢測、射線檢測、視覺檢測、電磁檢測、滲透檢測等。金屬增材制造過程往往處于高溫、強磁場等特殊環(huán)境，受到飛濺、斷弧、煙霧、熱和電磁干擾等惡劣因素的影響，因此，針對金屬增材制造過程，依據(jù)成形材料的物理化學性質、加工手段及設備的場景特點和制件的結構特征，選取合適的無損檢測方式是必要的。

1 超聲檢測

超聲檢測通過耦合劑將超聲波導入到工件內部，當超聲波遇到內部缺陷會生成缺陷回波而被傳感器接收，從而根據(jù)回波無損獲取制件內部缺陷信息。Lu Zhang等[11]提出一種通過非接觸式空氣耦合超聲來檢測焊縫燒損的方法。焊縫截面特征和顯微組織情況如圖1所示，按照燒蝕程度，將焊縫分為良好焊縫（Good Weld，GW）和三種不同燒蝕穿透焊縫（Burn-Through Transitions，BTT1，BTT2，BTT3）。由于焊縫燒穿會導致大量的退化焊縫區(qū)，阻礙聲波傳播，使得聲波速度、能量比和振幅降低，故而通過監(jiān)測超聲波衰減程度可表征焊縫燒蝕量大小。

Cerniglia D等[12]針對激光粉末堆積（Laser Powder Deposit，LPD）設計了由脈沖激光器、連續(xù)激光器和干涉儀等組成的激光超聲波檢測系統(tǒng)，如圖2所示。脈沖激光器發(fā)射的納米脈沖波在熱彈性機制作用下產(chǎn)生寬頻超聲波，激光接收器隨之產(chǎn)生與表面瞬時納米位移成正比的模擬信號，通過處理該模擬信號，可以獲取并記錄試樣當前堆積層的厚度，從而檢測到試樣的實時近表面缺陷。該激光超聲檢測系統(tǒng)可依托原有LPD單元擴展搭建，能在每層固化后立即在線檢測缺陷，具有較大的應用潛力。Sarah EvertonPhill Dickens等[13]使用激光超聲檢測由激光粉床熔覆Ti-6Al-4V粉末得到的制件中的近表面缺陷。結果發(fā)現(xiàn)，由于超聲波的波長為1 064 nm，無法檢測到直徑大于700 μm的缺陷。

受益于超聲的高靈敏度和低成本，超聲檢測在金屬增材制造缺陷檢測中具有很大的發(fā)展?jié)摿?，可以實現(xiàn)在線逐層檢測和離線近表面質量評估。超聲檢測具有較高的分辨率和足夠的穿透能力，既能實現(xiàn)材料內部的微觀結構缺陷成像表征，也可以做到產(chǎn)品宏觀結構的缺陷量化。但由于超聲波的能量有限，難以檢測較深的缺陷，限制了其離線檢測的能力;超聲波可識別的缺陷尺寸范圍與其波長相關，會存在不同程度的漏檢情況;超聲檢測易受到噪聲影響，影響缺陷精準識別和缺陷定性分類。

2 射線檢測

射線檢測通過射線源產(chǎn)生射線穿透工件內部，在射線膠片上記錄所攜帶的物體內部信息，最后經(jīng)顯影及定影等處理得到射線圖片。Wenhui Hou等[14]提出了一種基于X射線圖像自動檢測焊縫缺陷的方案。首先對X射線圖進行預處理后得到焊縫區(qū)域，再以焊縫區(qū)域圖像作為輸入，以圖像各點的缺陷概率作為目標輸出，建立基于深度神經(jīng)網(wǎng)絡的缺陷檢測模型。最后利用滑動窗口法對X射線圖進行整體檢測，如圖3所示。研究結果表明，此缺陷檢測模型能夠有效檢測焊接接頭質量。

Wits W W等人[15]采用SLM技術制備了40個Ti6Al4V鈦合金試樣，采用X射線斷層掃描（X-ray Computed Tomography，XCT）對比阿基米德法測得的孔隙率，通過靜載拉伸試驗得到試樣屈服強度和抗拉強度等力學性能指標。試樣CT圖和力學結果對比如圖4所示，兩種孔隙率測量方法結果較為吻合，并且XCT能夠提供試樣內部孔隙缺陷的尺寸、形狀、體積和分布的完整分析，測得的孔隙率能很好地反映試樣的拉伸性能。

Ziólkowski G等[16]使用卡爾蔡司CT機對由選擇性激光燒結按照不同構建方向制備的3種不銹鋼試樣（A、B、C）進行XCT掃描重建，如圖5所示。采用共聚焦顯微鏡（Confocal Microscopy，CM）進行孔隙率驗證，測試結果如表1所示。對于B、C試樣，兩種測試方法得到的孔隙率結果相近，而對于A試樣CM測得孔隙率為4.74%，是XCT測量值的3倍。這是由于XCT的分辨率有限，無法分辨最小直徑當量低于一定值的孔隙，從而造成測得的孔隙率偏小，A試樣在兩種方法處理下的金相斷面如圖6所示。

射線檢測可以直觀顯示金屬工件的內部缺陷，并可通過提升射線功率來適應較厚工件[17]。射線成形的影像清晰，檢測準確性很高，可以直接判斷缺陷的種類、分布、數(shù)量和尺寸大小，并且檢測影像可以永久保留，便于對缺陷進行定性定量以及數(shù)據(jù)統(tǒng)計分析，在工業(yè)中應用十分廣泛。但是射線發(fā)生器的體積大、價格高、射線輻射危害人體健康、防護要求嚴苛，因而不適合現(xiàn)場作業(yè)。由于顯影及定影、掃描重建等操作成本高、耗時長，射線檢測目前主要應用在離線檢測領域，難以實時在線開展。

3 視覺檢測

視覺檢測先通過相機拍攝工件圖像，再從圖像中提取的特征值等相關信息，之后采用相關算法和模型等分析處理，最后得到工件表面的成形情況和缺陷分布等[18]。Wang T[19]設計了一種應用于液態(tài)金屬噴印（Liquid Metal Jet Printing，LMJP）原位液滴檢測與控制的閉環(huán)控制系統(tǒng)，如圖7所示。該系統(tǒng)通過CCD相機拍攝液滴圖像并從中提取相應特征（伴隨液滴、韌帶、體積和速度），再與參考輸入（理想噴射情況下的對應特征值）對比，通過模糊控制來調整壓電驅動電壓，使得之后的液滴趨于理想噴射，實現(xiàn)閉環(huán)控制。實驗證明，該系統(tǒng)可以有效改善LMJP過程的穩(wěn)定性，提升噴印質量，但在處理速度和特征提取精度方面仍有很大的進步空間。

Aminzadeh M等[20]基于所開發(fā)的新型成像裝置，對金屬粉床增材制造中熔覆層的熔覆質量和畸變進行了實時檢測，從每層中捕獲原位圖形并提取特征值，經(jīng)訓練后的貝葉斯分類器處理，做到了實時檢測出含有缺陷的熔覆層或區(qū)域，從而實現(xiàn)了層內缺陷和孔隙的可視化。

Tang等[21]搭建了基于深度學習的電弧增材制造制件的表面缺陷識別系統(tǒng)，采用工業(yè)CMOS相機采集制件表面圖像，經(jīng)過降噪、增強、提取感興趣區(qū)域（Region of Interest，ROI）等預處理得到模型的輸入圖像。依據(jù)輸入圖像及其對應的缺陷類別開展訓練，得到卷積神經(jīng)網(wǎng)絡（Convolutional Neural Networks，CNN）結合支持向量機（Support Vector Machine，SVM）的深度學習網(wǎng)絡模型，如圖8所示。結果表明，該模型對凹坑、氣孔、駝峰、咬邊這四類缺陷的識別率達到了95.29%。

視覺檢測的主要設備是工業(yè)相機，具有結構簡單、體積小、成本低、適應性強等諸多優(yōu)點，適合在工業(yè)現(xiàn)場使用[22]。視覺檢測系統(tǒng)可以長時間穩(wěn)定運行，并且通過優(yōu)化算法和模型可以提高檢測速度，實現(xiàn)在線閉環(huán)控制[23-24]。然而，視覺檢測會受到制造現(xiàn)場弧光、激光等的強烈干擾，需要添加濾波片、偏振鏡等濾光設備并結合圖像增強算法來改善圖像質量[25-27]。

由于相機和計算機性能的快速提高與系統(tǒng)成本的降低，人工智能技術蓬勃發(fā)展，圖像數(shù)據(jù)集的不斷積累，視覺檢測技術正處于高速發(fā)展階段，是當前的研究熱點。而將檢測結果反饋于制造過程，從而提供金屬增材制造的成形性、成品率與成形質量，依然是無損檢測方法的主要應用方向[28-31]。

4 結論

（1）無損檢測在金屬增材制造過程中有巨大的應用潛力，而提升金屬增材制造部件的成形性、良品率以及成形質量，亟需通過在線無損檢測等手段實時監(jiān)控各層的成形情況，實現(xiàn)閉環(huán)控制。

（2）超聲檢測可用于在線檢測，實現(xiàn)近表層缺陷檢查;射線檢測能直觀反映金屬產(chǎn)品的內部缺陷情況，適合離線檢測重要結構部位，而高速射線監(jiān)控系統(tǒng)的開發(fā)將為金屬增材制造在線過程監(jiān)控提供新的可行手段;視覺檢測系統(tǒng)的適應性強，適合于表面缺陷的離線以及在線檢測。

（3）依托大數(shù)據(jù)分析與人工智能算法，基于機器學習實現(xiàn)金屬增材制造過程的特征提取、缺陷自主定位及識別等，進而實現(xiàn)增材制造產(chǎn)品質量的在線閉環(huán)控制。同時，基于多傳感復合以及工業(yè)互聯(lián)網(wǎng)的金屬增材制造過程數(shù)據(jù)的高速數(shù)采與智能分析，是提升金屬增材制造過程可靠性與部件質量的重要發(fā)展方向。

參考文獻：

胡婷萍，高麗敏，楊海楠. 航空航天用增材制造金屬結構件的無損檢測研究進展[J]. 航空制造技術，2019，62（8）：70-75.

李琛，歐陽清. 基于金屬增材制造的船舶結構設計應用展望[J]. 兵器裝備工程學報，2018，39（1）：173-178.

蘭紅波，趙佳偉，錢壘，等.電場驅動噴射沉積微納3D打印技術及應用[J]. 航空制造技術，2019，62（1）：38-45.

Savio G，Rosso S，Meneghello R，et al. Geometric modeling of cellular materials for additive manufacturing in biomedical field： a review[J]. Applied Bionics & Biomechanics，2018（3）：1654782-1654794.

Azam F I，Abdul Rani A M，Altaf K，et al. An inn-depth review on direct additive manufacturing of metals[J]. IOP Conference Series： Materials Science and Engineering，2018（328）：012005-012013

劉繼常.金屬增材制造研究現(xiàn)狀與問題分析[J]. 電加工與模具，2018，339（2）：5-11.

凌松.增材制造技術及其制品的無損檢測進展[J]. 無損檢測，2016，38（6）：60-64.

Lu Q Y，Wong C H. Additive manufacturing process monitoring and control by non-destructive testing techniques：challenges and in-process monitoring[J]. Virtual & Physical Prototyping，2017（11）：1-10.

Slotwinski J A. Additive manufacturing：overview and NDE challenges[J]. AIP Conference Proceedings，2014，1581（1）： 1173-1177.

Lopez A，Bacelar R，Pires I，et al. Non-destructive testing application of radiography and ultrasound for wire and arc additive manufacturing[J]. Additive Manufacturing，2018，21（12）：298-306.

Zhang L，Basantes-Defaz A C，Ozevin D，et al. Real-time monitoring of welding process using air-coupled ultrasonics and acoustic emission[J]. International Journal of Advanced Manufacturing Technology，2019（101）：1623-1634.

Cerniglia D，Scafidi M，Pantano A，et al. Inspection of additive-manufactured layered components[J]. Ultrasonics，2015，62（1）：292-298.

Sarah Everton，Phill Dickens. The use of laser ultrasound to detect defects in laser melted parts[J]. TMS 2017 146th Annual Meeting & Exhibition Supplemental Proceedings，2017，2（1）：105-116.

Hou W，Wei Y，Guo J，et al. Automatic detection of welding defects using deep neural network[J]. Journal of Physics：Conference Series，2018，933（1）：012006-012016.

Wits W W，Carmignato S，Zanini F，et al. Porosity testing methods for the quality assessment of selective laser melted parts[J]. CIRP Annals-Manufacturing Technology，2016，2（1）：1-2.

Ziólkowski G，Chlebus E，Szymczyk P，et al. Application of X-ray CT method for discontinuity and porosity detection in 316L stainless steel parts produced with SLM technology[J]. Archives of Civil and Mechanical Engineering，2014，14（4）：608-614.

鄔冠華，熊鴻建. 中國射線檢測技術現(xiàn)狀及研究進展[J]. 儀器儀表學報，2016，37（8）：1683-1695.

盧榮勝，吳昂，張騰達，等. 自動光學（視覺）檢測技術及其在缺陷檢測中的應用綜述[J]. 光學學報，2018，38（8）：23-58.

Wang T，Kwok T H，Zhou C. In-situ droplet inspection and closed-loop control system using machine learning for liquid metal jet printing[J]. Journal of Manufacturing Systems，2018（47）：83-92.

Aminzadeh M，Kurfess T R. Online quality inspection using Bayesian classification in powder-bed additive manufacturing from high-resolution visual camera images[J]. Journal of Intelligent Manufacturing，2018，4（1）：1-19.

Tang Shangyong，Wang Guilan，Zhang Haiou，et al. An online surface defects detection system for AWAM based on deep learning[C]. Solid Freeform Fabrication 2017：Proceedings of the 28th Annual International Solid Freeform Fabrication Symposium - An Additive Manufacturing Conference. Austin，2017：1965-1981.

房超. 機器視覺及其在工業(yè)檢測中的應用[J]. 自動化博覽，2007，24（4）：46-48.

韓芳芳.表面缺陷視覺在線檢測關鍵技術研究[D].天津：天津大學. 2011.

胡亮，段發(fā)階，丁克勤，等. 鋼板表面缺陷計算機視覺在線檢測系統(tǒng)的研制[J]. 鋼鐵，2005，40（2）：59-91.

楊嘉佳，王克鴻，吳統(tǒng)立，等.鋁合金雙絲脈沖MIG焊雙向熔池同步視覺傳感及圖像處理[J].機械工程學報，2014，50（12）：44-50.

Zhang W J，Liu Y K，Zhang Y M. Real-time measurement of the weld pool surface in GTAW process[J]. 2013，80（11）：1640-1645.

Zhao C X. A stereo vision method for tracking particle flow on the weld pool surface[J]. Journal of Applied Physics，2009，105（12）：2570-147.

楊平華，高祥熙，梁菁，等.金屬增材制造技術發(fā)展動向及無損檢測研究進展[J]. 材料工程，2017（9）：13-21.

尹宏鵬，陳波，柴毅，等.基于視覺的目標檢測與跟蹤綜述[J]. 自動化學報，2016，42（10）：1466-1489.

楊永興. CO2激光增材制造熔覆高度實時檢測與閉環(huán)控制[D]. 黑龍江：哈爾濱工業(yè)大學，2016.

熊俊，薛永剛，陳輝，等.電弧增材制造成形控制技術的研究現(xiàn)狀與展望[J]. 電焊機，2015（9）：45-50.