CN112199632A - 一种激光织构化铝合金表面硬度预测方法 - Google Patents

一种激光织构化铝合金表面硬度预测方法 Download PDF

Info

Publication number
CN112199632A
CN112199632A CN202010914257.3A CN202010914257A CN112199632A CN 112199632 A CN112199632 A CN 112199632A CN 202010914257 A CN202010914257 A CN 202010914257A CN 112199632 A CN112199632 A CN 112199632A
Authority
CN
China
Prior art keywords
laser
hardness
aluminum alloy
textured
texture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010914257.3A
Other languages
English (en)
Other versions
CN112199632B (zh
Inventor
贾振元
叶涛
马建伟
刘巍
曹兴坤
周子淇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202010914257.3A priority Critical patent/CN112199632B/zh
Publication of CN112199632A publication Critical patent/CN112199632A/zh
Application granted granted Critical
Publication of CN112199632B publication Critical patent/CN112199632B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K26/00—Working by laser beam, e.g. welding, cutting or boring
    • B23K26/352—Working by laser beam, e.g. welding, cutting or boring for surface treatment
    • B23K26/355—Texturing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Probability & Statistics with Applications (AREA)
  • Immunology (AREA)
  • Optics & Photonics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mechanical Engineering (AREA)
  • Plasma & Fusion (AREA)
  • Health & Medical Sciences (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明一种激光织构化铝合金表面硬度预测方法属于高性能表面特种加工技术领域，涉及一种激光织构化铝合金表面硬度预测方法。该方法基于中心复合试验设计方法进行激光表面织构加工实验，根据铝合金激光织构表面硬度测量值，利用响应曲面法建立硬度预测模型，预测铝合金激光织构表面硬度值，并获得关键工艺参数对激光织构化材料硬度的影响规律，以及确定工艺参数之间交互作用。该方法能准确可靠实现激光织构化铝合金表面硬度预测，可有效应用于选择合适的激光加工工艺参数制造高性能的激光表面织构，对提高该类激光织构化铝合金表面服役性能具有重要的实际应用意义。

Description

一种激光织构化铝合金表面硬度预测方法
技术领域
本发明属于高性能表面特种加工技术领域，涉及一种激光织构化铝合金表面硬度预测方法。
背景技术
铝合金具有低密度、高比强度、抗疲劳、耐腐蚀等优良性能，是制造汽车、船舶及航空航天等工程领域关重结构部件的理想材料。但耐磨性差，材料表面的摩擦磨损极易造成部件使用可靠性降低甚至失效，严重限制了铝合金在摩擦工况下的实际应用。在材料表面制备表面织构可实现减摩抗磨的效果，从而达到改善材料摩擦学性能的目的。其中，激光表面织构由于具有加工精度高、效率高、热影响区小、应用范围广泛等优势，备受研究者青睐。然而，在激光表面织构加工过程中，短时间、小面积内的激光-靶材直接作用引起材料快速熔化、固化，导致加工硬化现象，影响激光织构化材料表面的摩擦学性能和疲劳强度。鉴于激光加工工艺参数直接影响织构化表面硬度，并且硬度对激光织构表面的摩擦学性能起着至关重要的作用。由此，需要一种激光织构化铝合金表面硬度预测方法，对激光表面织构过程中直接激光烧蚀引起的表面硬化进行预测和分析，以提高激光织构化铝合金表面的摩擦学性能。现有的激光表面织构研究工作主要集中于针对特定应用领域寻求最优的激光织构设计(尺寸、几何及分布等)。
例如，Lu等人的文献“Comparison of the Effect of Typical Patterns onFriction and Wear Properties of Chromium Alloy Prepared by Laser SurfaceTexturing”，Optics&Laser Technology，2018，272-279，该文献在室温干燥条件下，对具有微凹坑、微沟槽和微网格等典型织构图案的铬合金试样进行了一系列摩擦磨损实验，结果证明与原始表面相比，激光织构表面摩擦系数显著降低。然而，该方法仅考虑了激光织构表面微观形貌特征对摩擦性能的影响，未考虑激光-靶材直接作用导致的基底表面硬化对材料摩擦性能的影响，且没有建立激光加工工艺参数与织构表面硬度之间的映射关系，具有较大局限性。
发明内容
本发明针对现有技术的局限性和缺陷，发明了一种激光织构化铝合金表面硬度预测方法。该方法首先基于中心复合试验设计方法进行激光表面织构加工实验，获得不同工艺参数下激光织构化铝合金表面的硬度值，根据硬度测量值，建立激光织构化铝合金表面硬度与激光加工工艺参数的多元二次响应面回归模型。根据模型及各工艺参数显著性分析结果，确定激光织构化铝合金表面硬度预测模型，并进行验证实验检验预测模型的正确性，获得关键工艺参数对激光织构化材料硬度的影响规律，以及确定工艺参数之间交互作用关系。该方法能准确可靠实现激光织构化铝合金表面硬度预测，有效应用于选择合适的激光加工工艺参数制造高性能的激光表面织构，对提高该类激光织构化铝合金表面服役性能具有重要实际应用意义。
本发明的技术方案是一种激光织构化铝合金表面硬度预测方法，其特征在于，该方法首先基于中心复合试验设计方法进行铝合金激光表面织构加工实验，测量获取不同激光工艺参数下激光织构化铝合金表面的硬度值；其次，建立激光织构化铝合金表面硬度与激光加工工艺参数的多元二次响应面回归模型，根据模型及各工艺参数显著性分析结果，确定激光织构化铝合金表面预测硬度模型，并进行验证实验检验预测模型的正确性；最后，结合铝合金激光表面织构加工实验结果及硬度预测模型，获得关键工艺参数对激光织构化材料表面硬度的影响规律，以及确定工艺参数之间交互作用关系；方法的具体步骤如下：
步骤1：基于中心复合试验设计方法的铝合金激光表面织构实验；
运用中心复合试验设计方法进行响应面分析试验，通过执行结构化的测试集节省实验过程的时间和成本，获得理想的激光表面织构试验结果。选择对铝合金激光织构表面硬度有显著影响的三个关键激光加工工艺参数：激光单脉冲能量密度、激光重复频率和激光扫描速度，进行三因素五水平的M组激光微槽织构加工试验；每组激光织构实验完成后，沿微槽织构方向等距离取五个截面，每个截面微槽左右两侧距离表面A处取两个硬度测量点；记录所选两点的硬度读数，取其平均值作为所在截面的硬度值；去除最大值和最小值后，剩余三个截面硬度值的平均值即为该组工艺参数对应的激光织构化铝合金表面硬度；
步骤2：建立激光织构化铝合金表面硬度与加工工艺参数的多元二次响应面回归模型；
针对铝合金表面激光织构化实验的响应曲面建模，采用广义二阶多元回归方程式来逼近相对小区域内的真正函数形式：
Figure BDA0002664454400000031
式中，η-响应变量，xi-自变量，i＝1,2,.....k，α0，αi，αii，和αij分别代表截距，线性，二次和相互作用项的回归系数；ε-误差项，通常假设服从正态分布N(0,σ2)；
步骤3：预测模型显著性分析，并进行验证实验检验预测模型的正确性；
利用统计分析软件Design Expert基于步骤1加工试验测量数据对步骤2获得的预测模型进行显著性分析，检验所建模型能否反映加工工艺参数与激光织构化表面硬度之间的关系；要进行N组验证实验以检查模型有效性，每个实验重复三遍；比较实验值和预测值之间的相对误差；
步骤4：确定关键激光加工工艺参数对激光织构化铝合金表面硬度的单因素和多因素交互作用规律；
根据步骤1、步骤3共进行的M+N组激光表面织构加工实验硬度测量结果，分别从单因素和多因素交互作用角度获得关键工艺参数对激光织构化铝合金表面硬度的作用规律；根据激光微槽织构加工试验硬度测量数据，利用公式(1)进行多元回归分析，得到硬度对激光单脉冲能量密度、激光重复频率和激光扫描速度的二次回归方程：
Figure BDA0002664454400000041
其中，Hv-铝合金激光织构表面硬度，e-激光单脉冲能量密度，f-激光重复频率，v-激光扫描速度。
本发明的显著效果和益处是：该方法基于中心复合试验设计方法进行激光表面织构加工实验，根据铝合金激光织构表面硬度测量值，利用响应曲面法建立硬度预测模型，预测铝合金激光织构表面硬度值，并获得关键工艺参数对激光织构化材料硬度的影响规律，以及确定工艺参数之间交互作用。该方法能准确可靠实现激光织构化铝合金表面硬度预测，可有效应用于选择合适的激光加工工艺参数制造高性能的激光表面织构，对提高该类激光织构化铝合金表面服役性能具有重要的实际应用意义。
附图说明
附图1—方法整体流程图。
附图2—激光织构化铝合金表面硬度随激光单脉冲能量密度变化关系；其中，X轴为激光单脉冲能量密度(J/cm2)，Y轴为硬度(Hv)。
附图3—激光织构化铝合金表面硬度随激光重复频率变化关系；其中，X轴为激光重复频率(kHz)，Y轴为硬度(Hv)。
附图4—激光织构化铝合金表面硬度随激光扫描速度变化关系；其中，X轴为激光扫描速度(m/min)，Y轴为硬度(Hv)。
附图5—激光单脉冲能量密度、激光重复频率交互作用等值线图与响应曲面图；其中，X轴为激光单脉冲能量密度(J/cm2)，Y轴为激光重复频率(kHz)，Z轴为硬度(Hv)。
附图6—激光单脉冲能量密度、激光扫描速度交互作用等值线图与响应曲面图；其中，X轴为激光单脉冲能量密度(J/cm2)，Y轴为激光扫描速度(m/min)，Z轴为硬度(Hv)。
附图7——激光重复频率、激光扫描速度交互作用等值线图与响应曲面图；其中，X轴为激光重复频率(kHz)，Y轴为激光扫描速度(m/min)，Z轴为硬度(Hv)。
具体实施方式
结合技术方案与附图详细说明本发明的具体实施方式。
在激光表面织构加工过程中，短时间、小面积内的激光-靶材直接相互作用引起材料快速熔化、固化，导致加工硬化现象，影响激光织构化材料表面的摩擦学性能和疲劳强度。鉴于激光加工工艺参数直接影响织构化表面硬度，并且硬度对激光织构表面的摩擦学性能起着至关重要的作用。针对现有技术局限性与缺陷，发明了一种激光织构化铝合金表面硬度预测方法，基于中心复合试验设计方法进行铝合金激光表面织构加工实验，获得不同工艺参数下激光织构化铝合金表面的硬度值，建立激光织构化铝合金表面硬度与激光加工工艺参数的多元二次响应面回归模型，根据模型及各工艺参数显著性分析结果，确定激光织构化铝合金表面硬度预测模型，并进行验证实验检验预测模型的正确性，获得关键工艺参数对激光织构化材料硬度的影响规律，以及确定工艺参数之间交互作用。
方法流程如附图1所示，根据附图1所示铝合金激光表面织构硬度预测方法整体流程，以束腰半径20μm的纳秒多脉冲激光在5A06铝合金板材上通过直接激光烧蚀制备微槽织构为例，借助Design Expert软件和验证实验，详细说明本发明具体实施过程。
第一步基于中心复合试验设计方法进行铝合金激光表面织构加工实验：根据实际加工经验，选择对铝合金激光织构表面硬度有显著影响的三个因素：激光单脉冲能量密度e、激光重复频率f和激光扫描速度v。激光单脉冲能量密度分别选择：20J/cm2、25J/cm2、30J/cm2、35J/cm2、40J/cm2，激光重复频率分别选择：10kHz、20kHz、30kHz、40kHz、50kHz，激光扫描速度分别选择：0.5m/min、1.5m/min、2.5m/min、3.5m/min、4.5m/min。
通过执行结构化的测试集来节省激光表面织构实验过程的时间和成本，并获得理想的试验结果。
对于给定激光表面织构加工工艺参数，根据中心复合试验设计方法进行三因素五水平的M＝20组激光微槽织构加工试验。每组激光织构实验完成后，沿微槽织构方向等距离取五个截面，每个截面微槽左右两侧距离表面A＝20μm处取两个硬度测量点。记录所选两点的硬度读数，取其平均值作为所在截面的硬度值。去除最大值和最小值后，剩余三个截面硬度值的平均值即为该组工艺参数对应的激光织构化5A06铝合金表面硬度。
第二步建立铝合金激光织构表面硬度与激光加工工艺参数的多元二次响应面回归模型：
根据激光微槽织构加工试验硬度测量数据，利用公式(1)进行多元回归分析，得到硬度对激光单脉冲能量密度、激光重复频率和激光扫描速度的二次回归方程：
Figure BDA0002664454400000071
其中，Hv-铝合金激光织构表面硬度，e-激光单脉冲能量密度，f-激光重复频率，v-激光扫描速度。
第三步预测模型显著性分析及进行验证实验：
根据Design Expert软件显著性分析数据可知，回归模型P值小于0.05，即95％置信水平或α＝0.05，表明回归模型显著；P值大于0.05失拟项不显著，表明回归模型失拟不严重；充分性度量R2接近于1，表明实验值和预测值具有较高的一致性。
同时，为了验证回归模型能否较好地预测响应变量的行为，进行N＝12组验证实验以检查模型有效性，每个实验重复作三遍。根据激光表面织构加工实验硬度测量结果，比较预测值和测量值之间有很好的一致性，实验值和预测值之间的相对误差在5％以内。
第四步根据第一、三步共进行的32组激光表面织构加工实验硬度测量结果，分别从单因素和多因素交互作用角度获得关键工艺参数：激光单脉冲能量密度，激光重复频率和激光扫描速度，对激光织构化铝合金表面硬度的作用规律。实验验证结果分别表示在图2-图7中，下面分别进行说明：
附图2所示为激光织构化铝合金表面硬度随激光单脉冲能量密度e变化关系，其中，X轴为激光单脉冲能量密度(J/cm2)，Y轴为硬度(Hv)。此时设定的激光重复频率f为30kHz，激光扫描速度v为2.5m/min，激光单脉冲能量密度e分别选择20J/cm2、25J/cm2、30J/cm2、35J/cm2、40J/cm2。从附图2中可以看出，激光织构化铝合金表面硬度随着激光单脉冲能量密度e的增加而逐渐增加。
附图3所示为激光织构化铝合金表面硬度随激光重复频率f变化关系，其中，X激光重复频率(kHz)，Y轴为硬度(Hv)。此时设定的激光单脉冲能量密度e为20J/cm2，激光扫描速度v为2.5m/min，激光重复频率f分别选择10kHz、20kHz、30kHz、40kHz、50kHz。从附图3中可以看出，激光织构化铝合金表面硬度随着激光重复频率f的增加而逐渐增加。
附图4所示为激光织构化铝合金表面硬度随激光扫描速度v变化关系，其中，X激光扫描速度(m/min)，Y轴为硬度(Hv)，此时设定的激光单脉冲能量密度e为30J/cm2，激光重复频率f为30kHz，激光扫描速度v分别选择0.5m/min、1.5m/min、2.5m/min、3.5m/min、4.5m/min。从附图4中可以看出，激光织构化铝合金表面硬度随着激光扫描速度v的增加而逐渐减小。
附图5所示为激光单脉冲能量密度e与激光重复频率f交互作用等值线图与响应曲面图，其中，X轴为激光单脉冲能量密度(J/cm2)，Y轴为激光重复频率(kHz)，Z轴为硬度(Hv)。此时设定的激光扫描速度v为2.5m/min，激光单脉冲能量密度e分别选择20J/cm2、25J/cm2、30J/cm2、35J/cm2、40J/cm2，激光重复频率f分别选择10kHz、20kHz、30kHz、40kHz、50kHz。由图5(a)等值线图可以看出，等高线曲率半径较大，表明二者交互作用对硬度的影响不明显。由图5(b)响应曲面图可以看出，激光织构化铝合金表面硬度随着激光单脉冲能量密度e和激光重复频率f的增大而增大。
附图6所示为激光单脉冲能量密度e与激光扫描速度v交互作用等值线图与响应曲面图，其中，X轴为激光单脉冲能量密度(J/cm2)，Y轴为激光扫描速度(m/min)，Z轴为硬度(Hv)。此时设定的激光重复频率f为30kHz，激光单脉冲能量密度e分别选择20J/cm2、25J/cm2、30J/cm2、35J/cm2、40J/cm2，激光扫描速度v分别选择0.5m/min、1.5m/min、2.5m/min、3.5m/min、4.5m/min。由图6(a)等值线图可以看出，等高线曲率半径相对较小，表明二者交互作用对硬度的影响相对明显。由图6(b)响应曲面图可以看出，激光织构化铝合金表面硬度随着激光单脉冲能量密度e的增大和激光扫描速度v的减小而增大。
附图7所示为激光重复频率f与激光扫描速度v交互作用等值线图与响应曲面图，其中，X轴为激光重复频率(kHz)，Y轴为激光扫描速度(m/min)，Z轴为硬度(Hv)。此时设定的激光单脉冲能量密度e为20J/cm2，激光重复频率f分别选择10kHz、20kHz、30kHz、40kHz、50kHz，激光扫描速度v分别选择0.5m/min、1.5m/min、2.5m/min、3.5m/min、4.5m/min。由图7(a)等值线图可以看出，等高线曲率半径相对较小，表明二者交互作用对硬度的影响相对明显。由图7(b)响应曲面图可以看出，激光织构化铝合金表面硬度随着激光重复频率f的增大和激光扫描速度v的减小而增大。
综合图2—图7可见，基于中心复合设计和响应面方法的预测模型可以有效地预测设计区域内激光织构化5A06铝合金表面硬度，预测误差在5％以内。并且，硬度随激光单脉冲能量密度和脉冲频率的增加而增加，随着扫描速度的增加而降低。
该方法能准确可靠实现激光织构化铝合金表面硬度预测，可有效应用于选择合适的激光加工工艺参数制造高性能的激光表面织构，对提高该类激光织构化铝合金表面服役性能具有重要的实际应用意义。

Claims (1)

1.一种激光织构化铝合金表面硬度预测方法，其特征在于，该方法首先基于中心复合试验设计方法进行铝合金激光表面织构加工实验，测量获取不同激光工艺参数下激光织构化铝合金表面的硬度值；其次，建立激光织构化铝合金表面硬度与激光加工工艺参数的多元二次响应面回归模型，根据模型及各工艺参数显著性分析结果，确定激光织构化铝合金表面预测硬度模型，并进行验证实验检验预测模型的正确性；最后，结合铝合金激光表面织构加工实验结果及硬度预测模型，获得关键工艺参数对激光织构化材料表面硬度的影响规律，以及确定工艺参数之间交互作用关系；方法的具体步骤如下：
步骤1：基于中心复合试验设计方法的铝合金激光表面织构实验；
运用中心复合试验设计方法进行响应面分析试验，通过执行结构化的测试集节省实验过程的时间和成本，获得理想的激光表面织构试验结果；选择对铝合金激光织构表面硬度有显著影响的三个关键激光加工工艺参数：激光单脉冲能量密度、激光重复频率和激光扫描速度，进行三因素五水平的M组激光微槽织构加工试验；每组激光织构实验完成后，沿微槽织构方向等距离取五个截面，每个截面微槽左右两侧距离表面A处取两个硬度测量点；记录所选两点的硬度读数，取其平均值作为所在截面的硬度值；去除最大值和最小值后，剩余三个截面硬度值的平均值即为该组工艺参数对应的激光织构化铝合金表面硬度；
步骤2：建立激光织构化铝合金表面硬度与加工工艺参数的多元二次响应面回归模型；针对铝合金表面激光织构化实验的响应曲面建模，采用广义二阶多元回归方程式来逼近相对小区域内的真正函数形式：
Figure FDA0002664454390000021
式中，η-响应变量，xi-自变量，i＝1,2,.....k，α0，αi，αii，和αij分别代表截距，线性，二次和相互作用项的回归系数；ε-误差项，通常假设服从正态分布N(0,σ2)；
步骤3：预测模型显著性分析，并进行验证实验检验预测模型的正确性；
利用统计分析软件Design Expert基于步骤1加工试验测量数据对步骤2获得的预测模型进行显著性分析，检验所建模型能否反映加工工艺参数与激光织构化表面硬度之间的关系；要进行N组验证实验以检查模型有效性，每个实验重复三遍；比较实验值和预测值之间的相对误差；
步骤4：确定关键激光加工工艺参数对激光织构化铝合金表面硬度的单因素和多因素交互作用规律；
根据步骤1、步骤3共进行的M+N组激光表面织构加工实验硬度测量结果，分别从单因素和多因素交互作用角度获得关键工艺参数对激光织构化铝合金表面硬度的作用规律；根据激光微槽织构加工试验硬度测量数据，利用公式(1)进行多元回归分析，得到硬度对激光单脉冲能量密度、激光重复频率和激光扫描速度的二次回归方程：
Figure FDA0002664454390000022
其中，Hv-铝合金激光织构表面硬度，e-激光单脉冲能量密度，f-激光重复频率，v-激光扫描速度。
CN202010914257.3A 2020-09-03 2020-09-03 一种激光织构化铝合金表面硬度预测方法 Active CN112199632B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010914257.3A CN112199632B (zh) 2020-09-03 2020-09-03 一种激光织构化铝合金表面硬度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010914257.3A CN112199632B (zh) 2020-09-03 2020-09-03 一种激光织构化铝合金表面硬度预测方法

Publications (2)

Publication Number Publication Date
CN112199632A true CN112199632A (zh) 2021-01-08
CN112199632B CN112199632B (zh) 2022-09-20

Family

ID=74005670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010914257.3A Active CN112199632B (zh) 2020-09-03 2020-09-03 一种激光织构化铝合金表面硬度预测方法

Country Status (1)

Country Link
CN (1) CN112199632B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112935465A (zh) * 2021-02-08 2021-06-11 湖北文理学院 一种改善焊接质量和熔宽的工艺参数优化方法
CN114891995A (zh) * 2022-05-20 2022-08-12 西安必盛激光科技有限公司 一种动态控制激光淬火参数的方法
CN116083823A (zh) * 2022-12-21 2023-05-09 常州工学院 关于铝合金铸件振动时效与深冷处理低应力耐蚀制备系统
CN118471363A (zh) * 2024-04-30 2024-08-09 西南交通大学 一种激光冲击强化锆合金耐电化学腐蚀性能的预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104308368A (zh) * 2014-09-03 2015-01-28 大连理工大学 多脉冲激光烧蚀金属覆层定量去除方法
CN108491352A (zh) * 2018-02-07 2018-09-04 大连理工大学 基于激光能量动态分布模型的烧蚀深度求解方法
CN109190273A (zh) * 2018-09-13 2019-01-11 合肥工业大学 一种产品等离子喷焊修复工艺参数优化方法
CN109948288A (zh) * 2019-04-01 2019-06-28 大连理工大学 一种纳秒激光烧蚀微槽截面轮廓预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104308368A (zh) * 2014-09-03 2015-01-28 大连理工大学 多脉冲激光烧蚀金属覆层定量去除方法
CN108491352A (zh) * 2018-02-07 2018-09-04 大连理工大学 基于激光能量动态分布模型的烧蚀深度求解方法
CN109190273A (zh) * 2018-09-13 2019-01-11 合肥工业大学 一种产品等离子喷焊修复工艺参数优化方法
CN109948288A (zh) * 2019-04-01 2019-06-28 大连理工大学 一种纳秒激光烧蚀微槽截面轮廓预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张明军等: "硬质合金激光辅助二维超声切削的表面质量", 《机械设计与研究》 *
练国富等: "激光熔覆单层单道轨迹成形控制方法", 《激光与红外》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112935465A (zh) * 2021-02-08 2021-06-11 湖北文理学院 一种改善焊接质量和熔宽的工艺参数优化方法
CN112935465B (zh) * 2021-02-08 2022-08-23 湖北文理学院 一种改善焊接质量和熔宽的工艺参数优化方法
CN114891995A (zh) * 2022-05-20 2022-08-12 西安必盛激光科技有限公司 一种动态控制激光淬火参数的方法
CN114891995B (zh) * 2022-05-20 2024-03-15 西安必盛激光科技有限公司 一种动态控制激光淬火参数的方法
CN116083823A (zh) * 2022-12-21 2023-05-09 常州工学院 关于铝合金铸件振动时效与深冷处理低应力耐蚀制备系统
CN118471363A (zh) * 2024-04-30 2024-08-09 西南交通大学 一种激光冲击强化锆合金耐电化学腐蚀性能的预测方法
CN118471363B (zh) * 2024-04-30 2025-02-14 西南交通大学 一种激光冲击强化锆合金耐电化学腐蚀性能的预测方法

Also Published As

Publication number Publication date
CN112199632B (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
CN112199632A (zh) 一种激光织构化铝合金表面硬度预测方法
Yasa et al. A study on the stair stepping effect in direct metal laser sintering of a nickel-based superalloy
CN112372372B (zh) 一种高效铣刀累积摩擦磨损边界识别与验证方法
Venkateshwar Reddy et al. Multi-response optimization in machining Inconel-625 by abrasive water jet machining process using WASPAS and MOORA
Beghini et al. Recent advances in the hole drilling method for residual stress measurement
Yao et al. Machining deformation prediction of large fan blades based on loading uneven residual stress
CN107794362B (zh) 一种在线实时变脉宽的叶片激光冲击强化控形方法
Ezilarasan et al. Modeling and analysis of surface roughness on machining of Nimonic C-263 alloy by PVD coated carbide insert
Takahashi et al. Thickness evaluation of thermal spraying on boiler tubes by eddy current testing
CN115659529A (zh) 综合考虑加工精度与气动性能的离心压气机叶轮再设计方法
Yang et al. Study on surface work hardening of titanium alloy milled by micro-textured ball milling cutter
Zhou et al. Empirical modeling of residual stress profile for multi-axis milling GH4169G
Zhang et al. Optimization of shot peening parameters for blades based on the constraint of equivalent residual stress-induced deformation
Wang et al. Design of a novel cold expansion tool for deep small holes based on FEM simulations and experimental study
Zhao et al. Research on intelligent prediction of surface roughness in cutting 42CrMo steel by using particle swarm optimization-based support vector machine
Zhuang et al. Multi-axis ball-end milling force prediction model considering the influence of cutting edge
Zhang et al. A data-driven method for prediction of surface roughness with consideration of milling tool wear
Leleń et al. Modeling and Machine Learning of Vibration Amplitude and Surface Roughness after Waterjet Cutting
Lv et al. Investigation on surface integrity and fatigue performance in abrasive waterjet peening
Cao et al. Numerical simulation for investigating the impact of shot peening process parameters via surface reconstruction
Li et al. Quality prediction and discussion of an abrasive flow precision polishing baffle servo valve nozzle based on orthogonal experiments
CN109490334B (zh) 一种运用残余应力预测模型的t字型锻件无损测试方法
CN106529129A (zh) 一种宽带激光作用下熔覆层截面轮廓曲线及其建模方法
CN117874991A (zh) 一种基于残余应力分布的鲁棒性工艺参数域优化方法
CN110361121A (zh) 一种激光冲击强化诱导残余应力场精确预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant