CN117198443A - 一种连结层强化钛合金耐磨涂层的生产工艺 - Google Patents
一种连结层强化钛合金耐磨涂层的生产工艺 Download PDFInfo
- Publication number
- CN117198443A CN117198443A CN202311475635.2A CN202311475635A CN117198443A CN 117198443 A CN117198443 A CN 117198443A CN 202311475635 A CN202311475635 A CN 202311475635A CN 117198443 A CN117198443 A CN 117198443A
- Authority
- CN
- China
- Prior art keywords
- coating
- wear
- powder
- parameters
- resistant coating
- 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
Links
- 238000000576 coating method Methods 0.000 title claims abstract description 300
- 239000011248 coating agent Substances 0.000 title claims abstract description 299
- 229910001069 Ti alloy Inorganic materials 0.000 title claims abstract description 38
- 238000004519 manufacturing process Methods 0.000 title abstract description 14
- 238000002360 preparation method Methods 0.000 claims abstract description 91
- 238000000034 method Methods 0.000 claims abstract description 49
- 239000000463 material Substances 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 239000000203 mixture Substances 0.000 claims abstract description 16
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 239000000843 powder Substances 0.000 claims description 115
- 239000000047 product Substances 0.000 claims description 42
- 238000000498 ball milling Methods 0.000 claims description 37
- 239000010936 titanium Substances 0.000 claims description 37
- 229910052719 titanium Inorganic materials 0.000 claims description 37
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 claims description 28
- 238000004372 laser cladding Methods 0.000 claims description 28
- 238000000151 deposition Methods 0.000 claims description 26
- 230000008021 deposition Effects 0.000 claims description 24
- 239000002270 dispersing agent Substances 0.000 claims description 24
- 239000013078 crystal Substances 0.000 claims description 22
- 238000000227 grinding Methods 0.000 claims description 15
- 238000001035 drying Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000005299 abrasion Methods 0.000 claims description 10
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 9
- 239000012159 carrier gas Substances 0.000 claims description 9
- 229910052760 oxygen Inorganic materials 0.000 claims description 9
- 239000001301 oxygen Substances 0.000 claims description 9
- 239000000758 substrate Substances 0.000 claims description 9
- 239000000919 ceramic Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical group CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 claims description 6
- MCMNRKCIXSYSNV-UHFFFAOYSA-N Zirconium dioxide Chemical compound O=[Zr]=O MCMNRKCIXSYSNV-UHFFFAOYSA-N 0.000 claims description 6
- 238000005253 cladding Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000011812 mixed powder Substances 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000005498 polishing Methods 0.000 claims description 6
- 230000006641 stabilisation Effects 0.000 claims description 6
- 238000011105 stabilization Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000005137 deposition process Methods 0.000 claims description 5
- 238000000861 blow drying Methods 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 244000137852 Petrea volubilis Species 0.000 claims description 3
- 239000006004 Quartz sand Substances 0.000 claims description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical group O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 229910000831 Steel Inorganic materials 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 239000006227 byproduct Substances 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 235000019441 ethanol Nutrition 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 claims description 3
- 229910010271 silicon carbide Inorganic materials 0.000 claims description 3
- 239000010959 steel Substances 0.000 claims description 3
- 238000012916 structural analysis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004381 surface treatment Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims 1
- 238000004506 ultrasonic cleaning Methods 0.000 claims 1
- 238000012827 research and development Methods 0.000 abstract description 4
- 239000007769 metal material Substances 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 18
- 238000005457 optimization Methods 0.000 description 6
- 230000002349 favourable effect Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 239000003082 abrasive agent Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000010309 melting process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Other Surface Treatments For Metallic Materials (AREA)
Abstract
本发明涉及金属材料技术领域，具体公开了一种连结层强化钛合金耐磨涂层的生产工艺，所述工艺还包括金相试样制备、涂层物相组成检测、涂层微观组织分析、涂层显微硬度检测、涂层耐磨性能检测、获取多组涂层制备数据以及成品涂层性能数据；本发明能够基于成品材料的显微硬度以及耐磨性能测试数据，涂层制备过程的参数进行调控，利用机器学习算法根据目标涂层性能参数要求，预测涂层制备工艺过程涉及的参数，能够进一步完善制备过程的参数设置，提高制备研发过程的效率，以改良成品材料的显微硬度以及耐磨性能。
Description
技术领域
本发明涉及金属材料技术领域，更具体地说，本发明涉及一种连结层强化钛合金耐磨涂层的生产工艺。
背景技术
钛合金是一种耐腐蚀性好、密度低、比强度高的结构材料，广泛应用于航空航天、武器设备、轨道交通以及人工骨骼等重要领域，但是传统的钛合金耐磨性差，极大程度限制了钛合金的广泛应用，激光熔覆沉积技术以高能束激光作为能量源，熔化同步输送的粉末原料，逐层堆叠形成三维实体构建，具备能量密度集中、冷却速度快、热影响区小、成分体系灵活的优点，申请号为2023104760281的中国发明专利申请（一种连结层强化钛合金耐磨涂层及其制备方法）提出一种拥有均匀微观结构、稳定力学性能和良好耐磨性能的连结层强化钛合金耐磨涂层，且能够根据实际需求生产不同厚度的涂层，成型速度快，并利用激光熔覆沉积技术获得与基材全完冶金结合的涂层，原位自生的陶瓷相更为洁净，与基体相的相容性更好，但是其制备方法只是按照常规的生产工艺在设定的参数范围内完成耐磨涂层的制备，并未基于成品材料的显微硬度以及耐磨性能测试数据，形成具有指导意义的分析数据，进而方便对制备过程的参数进行调控，无法进一步完善制备过程的参数的有效调整，以改良成品材料的显微硬度以及耐磨性能。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种连结层强化钛合金耐磨涂层的生产工艺，能够基于成品材料的显微硬度以及耐磨性能测试数据，涂层制备过程的参数进行调控，利用机器学习算法根据目标涂层性能参数要求，预测涂层制备工艺过程涉及的参数，能够进一步完善制备过程的参数设置，提高制备研发过程的效率，以改良成品材料的显微硬度以及耐磨性能。
为实现上述目的，本发明提供如下技术方案：
一种连结层强化钛合金耐磨涂层的生产工艺，所述工艺制备的强化钛合金耐磨涂层包括钛合金基板、纯钛连结层以及耐磨涂层，纯钛连结层由TA1粉末制成，耐磨涂层由B4C粉末、TiC粉末和TA1粉末制成，所述工艺包括：
步骤一，将耐磨涂层粉末加入分散剂后放入陶瓷球磨罐进行球磨；
步骤二，将TA1粉末通过激光熔覆沉积熔覆在钛合金基板上，形成纯钛连结层；
步骤三，将步骤一中混合粉末通过激光熔覆沉积熔覆在步骤二纯钛连结层上形成耐磨涂层；
步骤四，将步骤三中耐磨涂层进行表面处理以去除表面氧化皮及缺陷，得到强化TC4耐磨涂层；
所述步骤四之后还包括如下步骤：
步骤五，金相试样制备：利用电火花线切割机将步骤四制备的带有强化TC4耐磨涂层试样加工为尺寸为20mm×20mm×10mm的金相试样，清洗除去表面油污，用碳化硅砂纸对金相试样进行粗磨和细磨，再用抛光机对涂层抛光，直至涂层表面呈现金属镜面效果，最后对涂层表面进行化学腐蚀，清洗吹干获取强化TC4耐磨涂层金相试样；
步骤六，涂层物相组成检测：采用X射线衍射仪对试样中所含有的元素和化合物进行结构分析和定性分析，通过比较X射线衍射仪检测衍射峰位置与标准PDF卡片以强度参考对比法进行比对，获取涂层中相组成；
步骤七，涂层微观组织分析：采用扫描电子显微镜对涂层显微组织、元素分布特征以及磨损形貌进行表征，利用X射线能谱仪分析涂层横截面元素分布及含量；
步骤八，涂层显微硬度检测：采用INSTRON-3382维氏显微硬度计对熔覆层、热影响区域、基体进行测定，载荷质量为500g，载荷时间为15s，硬度从涂层表面开始，沿着横截面每间隔0.2mm进行硬度检测，直至硬度值在基体中逐步稳定；
步骤九，涂层耐磨性能检测：切割规格尺寸为30mm×10mm×10mm的试样作为动载磨料磨损试验的上试样，下试样为45#钢，选取质量为10Kg的冲锤，磨料为平均目数为80目的石英砂磨料，控制流速为1Kg/min，选取2.5J冲击功，对涂层试样进行5min预磨，再用酒精超声清洗并吹干称重，将此时试样质量作为动载磨料磨损试验的原始质量，冲击载荷试验每进行1min，将上试样取下完成清洗、烘干和称重，得到一次磨损后试样质量，与初始质量相减得到动载磨料磨损单位时间涂层失重量，进行30min动载磨料磨损试验，获取30个数据点；
步骤十，重复步骤一至九，获取多组涂层制备数据以及成品涂层性能数据；
步骤十一，训练机器学习模型预测涂层制备参数：利用获取的涂层制备数据以及成品涂层性能数据构成原始数据集，从原始数据集中随机抽取70%的数据训练机器学习模型，机器学习模型的输入参数由成品涂层性能数据构成，输出参数由涂层制备数据构成，抽取30%的数据验证模型，评估模型的性能，调节模型的设定参数，优化模型的性能；
步骤十二，机器学习模型预测：利用训练好的机器学习模型输入目标成品涂层性能数据组成的参数，预测输出涂层制备参数，并利用预测的涂层制备参数应用于涂层制备过程中。
作为本发明进一步的方案，步骤一中耐磨涂层粉末B4C粉末的质量分数（0～35%）和TiC粉末的质量分数（0～35%）总和为40wt%～45wt%，TA1粉末的质量分数为55wt%～60wt%，B4C粉末的纯度为95%～99.9%，粒度为15～53um，TiC粉末的纯度为97.1%～99.9%，粒度为15～53um，TA1粉末的纯度为98.2%～99.9%，分散剂为纯度≥99.7%的无水乙醇，每100g的粉体中加入40～50g的分散剂；陶瓷磨球使用球形95%氧化锆磨球（93%ZrO2/5%Y2O3/2%其他），球磨机工艺参数为球料质量比为1.8:1～2.5:1，转速为175～210r/min，球磨11～14h后经过真空高温干燥机箱在117～127℃下烘干4～6.5h制得混合粉体。
作为本发明进一步的方案，步骤二中，TA1粉末的纯度为95.4%～99.9%，纯钛连结层厚度为0.57mm～1.0mm；步骤二中和步骤三中，激光熔覆沉积工艺参数均为：激光功率为1950W～2250W，扫描速率为7.3～8.8mm/s，送粉速率为1.1～2.6/min，载气流量为2.9～3.6L/min，扫描方式为双向扫描，光斑直径为1.1～3.8mm，氧气含量控制在8%～43%ppm之间，搭接率为44%～56%。
作为本发明进一步的方案，步骤十中，涂层制备数据包括耐磨涂层材料参数、球磨机工艺参数、纯钛连结层制备参数以及激光熔覆沉积参数，其中，耐磨涂层材料参数为构成耐磨涂层的B4C粉末质量分数和TiC粉末质量分数的乘积，除以TA1粉末的质量分数与纯度的乘积，加上B4C粉末纯度与粒度的乘积，减去TiC粉末纯度与粒度的乘积，再加上分散剂纯度与每100g的粉体中加入分散剂质量的乘积，耐磨涂层材料参数的公式为：
;
式中：Knm为耐磨涂层材料参数，mB,1为耐磨涂层中B4C粉末质量分数，k为修正值，mTA1,1为耐磨涂层中TA1粉末的质量分数，sTA1,1为耐磨涂层中TA1粉末的纯度，sB,1为耐磨涂层中B4C粉末的纯度，LB,1为耐磨涂层中B4C粉末的粒度，sTiC,1为耐磨涂层中TiC粉末纯度，LTiC,1为耐磨涂层中TiC粉末粒度，sfsj为分散剂的纯度，Mfsj为每100g的粉体中加入分散剂质量。
球磨工艺参数为球料质量比与转速的乘积，再除以球磨时间，乘以真空高温干燥机箱温度，再加上烘干时间，球磨工艺参数的公式为：
;
式中：Kqm为球磨工艺参数，γql为球料质量比，nqm为球磨转速，tqm为球磨时间，Tgz为真空高温干燥机箱温度，thg为烘干时间。
作为本发明进一步的方案，纯钛连结层制备参数为TA1粉末质量分数与纯度的和，同纯钛连结层厚度的比值，纯钛连结层制备参数的公式为：
Kct=(mTA1+STA1)/hct；
式中：Kct为纯钛连结层制备参数，mTA1为TA1粉末质量分数,STA1为TA1粉末纯度，hct为纯钛连接层厚度；
激光熔覆沉积参数为激光功率、送粉速率和载气流量的乘积，与扫描速率、光斑直径乘积的比值，再加上氧气含量与搭接率的比值，激光熔覆沉积参数的公式为：
;
式中：kjgrc为激光熔覆沉积参数，Pjg、vsf、Qzq分别为激光功率、送粉速率和载气流量，vsm、dgb分别为扫描速率、光斑直径，Syq、γdz分别为氧气含量、搭接率。
作为本发明进一步的方案，步骤十中，成品涂层性能数据包括涂层显微组织参数和涂层耐磨参数，其中显微组织参数为涂层弹性模量、涂层泊松比的乘积，与涂层同钛合金基本的热膨胀系数之差、涂层温度同室温之差乘积的比值，加上X射线入射角度与X射线同晶面的入射夹角正弦值的比值，再减去晶面指数与立方晶包的晶面间距的乘积，显微组织参数的公式为：
;
式中：Wxw为显微组织参数，Etc、μtc分别为涂层弹性模量、涂层泊松比，∇α为涂层同钛合金基本的热膨胀系数之差，∇T为涂层温度同室温之差，室温取22℃，β为X射线入射角度，θ为X射线同晶面的入射夹角，hjm为晶面指数，djm为立方晶包的晶面间距。
作为本发明进一步的方案，涂层耐磨参数为跑合阶段磨损率与激光功率比值的均值，除以稳定阶段磨损率与激光功率比值最大值和最小值之差，涂层磨合参数的公式为：
;
式中：Wnm为涂层磨合参数，i为磨损记录数据点的序号， Vms,i为序号为i的磨损记录数据点对应的磨损率，Pjg,i为序号为i的磨损记录数据点对应的激光功率，(Vms,i/Pjg,i)max为稳定阶段磨损率与激光功率比值的最大值，(Vms,i/Pjg,i)min为稳定阶段磨损率与激光功率比值的最小值，跑合阶段为试验的前5分钟，稳定阶段为试验除跑合阶段的剩余25分钟。
作为本发明进一步的方案，步骤十一中，机器学习模型选择支持向量机模型，模型的输入参数为Y，Y=(Wxm,Wnm),模型的输出参数为B,B=(Knm,Kqm,Kct,Kjgrc)。
本发明的技术效果和优点：本发明能够基于成品材料的显微硬度以及耐磨性能测试数据，形成具有指导意义的分析数据，进而方便对制备过程的参数进行调控，能够深入了解涂层的微观组织、相组成以及硬度的性能，从而更好地评估涂层的质量和性能；有助于确认涂层中所含的元素和化合物，能够定量评估涂层在不同部位的硬度差异；通过动载磨料磨损试验能够模拟实际工作环境下的磨损情况，评估涂层在复杂条件下的耐磨性能；能够基于成品材料的显微硬度以及耐磨性能测试数据，对涂层制备过程的参数进行调控；利用机器学习算法根据目标涂层性能参数要求，预测涂层制备工艺过程涉及的参数，能够进一步完善制备过程的参数设置，提高制备研发过程的效率，以改良成品材料的显微硬度以及耐磨性能。
附图说明
图1为本发明一种连结层强化钛合金耐磨涂层的生产工艺流程图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的技术方案仅仅是本发明一部分，而不是全部。基于本发明中的技术方案，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他技术方案，都属于本发明保护的范围。
本发明提出的一种连结层强化钛合金耐磨涂层的生产工艺，能够深入了解涂层的微观组织、相组成以及硬度的性能，从而更好地评估涂层的质量和性能，利用X射线衍射仪对涂层中的物相组成进行分析，有助于确认涂层中所含的元素和化合物，进一步了解涂层的结构特征，通过显微硬度测试能够定量评估涂层在不同部位的硬度差异，揭示涂层的硬度分布情况，为涂层的耐磨性能提供重要依据，通过动载磨料磨损试验能够模拟实际工作环境下的磨损情况，评估涂层在复杂条件下的耐磨性能，为应用提供参考，能够基于成品材料的显微硬度以及耐磨性能测试数据，涂层制备过程的参数进行调控，利用机器学习算法根据目标涂层性能参数要求，预测涂层制备工艺过程涉及的参数，能够进一步完善制备过程的参数设置，提高制备研发过程的效率，以改良成品材料的显微硬度以及耐磨性能。
如图1所示，本发明提出的工艺制备的连结层强化钛合金耐磨涂层包括钛合金基板、纯钛连结层以及耐磨涂层，纯钛连结层由TA1粉末制成，耐磨涂层由B4C粉末、TiC粉末和TA1粉末制成，所述工艺包括：
步骤一，将耐磨涂层粉末加入分散剂后放入陶瓷球磨罐进行球磨；
步骤二，将TA1粉末通过激光熔覆沉积熔覆在钛合金基板上，形成纯钛连结层；
步骤三，将步骤一中混合粉末通过激光熔覆沉积熔覆在步骤二纯钛连结层上形成耐磨涂层；
步骤四，将步骤三中耐磨涂层进行表面处理以去除表面氧化皮及缺陷，得到强化TC4耐磨涂层；
具体的，本发明在钛合金基板上激光熔覆沉积纯钛连结层过程为：利用激光束在激光熔覆沉积制造头的内部熔化TA1粉末，并将熔化的TA1粉末利用送料装置均匀的输送至钛合金基板的上表面，形成纯钛连结层。
本发明在已沉积完的纯钛层继续沉积耐磨层的过程为：利用激光束在激光熔覆沉积制造头的内部继续熔化球磨后的耐磨涂层粉末与分散剂的混合物，并将熔化的耐磨涂层粉末与分散剂混合物利用送料装置均匀的输送至纯钛连结层上，继续沉积星光城耐磨涂层。
进一步地，所述步骤四之后还包括如下步骤：
步骤五，金相试样制备：利用电火花线切割机将步骤四制备的带有强化TC4耐磨涂层试样加工为尺寸为20mm×20mm×10mm的金相试样，清洗除去表面油污，用碳化硅砂纸对金相试样进行粗磨和细磨，再用抛光机对涂层抛光，直至涂层表面呈现金属镜面效果，最后对涂层表面进行化学腐蚀，清洗吹干获取强化TC4耐磨涂层金相试样；
步骤六，涂层物相组成检测：采用X射线衍射仪对试样中所含有的元素和化合物进行结构分析和定性分析，通过比较X射线衍射仪检测衍射峰位置与标准PDF卡片以强度参考对比法进行比对，获取涂层中相组成；
步骤七，涂层微观组织分析：采用扫描电子显微镜对涂层显微组织、元素分布特征以及磨损形貌进行表征，利用X射线能谱仪分析涂层横截面元素分布及含量；
步骤八，涂层显微硬度检测：采用INSTRON-3382维氏显微硬度计对熔覆层、热影响区域、基体进行测定，载荷质量为500g，载荷时间为15s，硬度从涂层表面开始，沿着横截面每间隔0.2mm进行硬度检测，直至硬度值在基体中逐步稳定；
步骤九，涂层耐磨性能检测：切割规格尺寸为30mm×10mm×10mm的试样作为动载磨料磨损试验的上试样，下试样为45#钢，选取质量为10Kg的冲锤，磨料为平均目数为80目的石英砂磨料，控制流速为1Kg/min，选取2.5J冲击功，对涂层试样进行5min预磨，再用酒精超声清洗并吹干称重，将此时试样质量作为动载磨料磨损试验的原始质量，冲击载荷试验每进行1min，将上试样取下完成清洗、烘干和称重，得到一次磨损后试样质量，与初始质量相减得到动载磨料磨损单位时间涂层失重量，进行30min动载磨料磨损试验，获取30个数据点；
步骤十，重复步骤一至九，获取多组涂层制备数据以及成品涂层性能数据；
步骤十一，训练机器学习模型预测涂层制备参数：利用获取的涂层制备数据以及成品涂层性能数据构成原始数据集，从原始数据集中随机抽取70%的数据训练机器学习模型，机器学习模型的输入参数由成品涂层性能数据构成，输出参数由涂层制备数据构成，抽取30%的数据验证模型，评估模型的性能，调节模型的设定参数，优化模型的性能；
步骤十二，机器学习模型预测：利用训练好的机器学习模型输入目标成品涂层性能数据组成的参数，预测输出涂层制备参数，并利用预测的涂层制备参数应用于涂层制备过程中。
利用机器学习模型能够通过涂层性能数据预测出最佳的制备参数，从而在涂层制备过程中实现性能的优化和稳定，能够节省涂层制备研究的时间和资源，避免盲目的试错，通过重复步骤一至九，收集多组涂层制备数据和性能数据，能够不断积累经验和知识，优化涂层制备工艺和性能。
需要说明的是，步骤一中耐磨涂层粉末B4C粉末的质量分数（0～35%）和TiC粉末的质量分数（0～35%）总和为40wt%～45wt%，TA1粉末的质量分数为55wt%～60wt%，B4C粉末的纯度为95%～99.9%，粒度为15～53um，TiC粉末的纯度为97.1%～99.9%，粒度为15～53um，TA1粉末的纯度为98.2%～99.9%，分散剂为纯度≥99.7%的无水乙醇，每100g的粉体中加入40～50g的分散剂；陶瓷磨球使用球形95%氧化锆磨球（93%ZrO2/5%Y2O3/2%其他），球磨机工艺参数为球料质量比为1.8:1～2.5:1，转速为175～210r/min，球磨11～14h后经过真空高温干燥机箱在117～127℃下烘干4～6.5h制得混合粉体。
相对于公开的申请号为2023104760281的中国发明专利申请，本申请中对涂层制备过程的材料参数以及工艺参数的限定范围进行扩增，以获得更宽广的研究范围和试错范围，有助于研发出更加科学和合理的配比组合方式，能够提升涂层的显微硬度性能和耐磨性能数据。
需要说明的是，步骤二中，TA1粉末的纯度为95.4%～99.9%，纯钛连结层厚度为0.57mm～1.0mm；步骤二中和步骤三中，激光熔覆沉积工艺参数均为：激光功率为1950W～2250W，扫描速率为7.3～8.8mm/s，送粉速率为1.1～2.6/min，载气流量为2.9～3.6L/min，扫描方式为双向扫描，光斑直径为1.1～3.8mm，氧气含量控制在8%～43%ppm之间，搭接率为44%～56%。
需要说明的是，步骤十中，涂层制备数据包括耐磨涂层材料参数、球磨机工艺参数、纯钛连结层制备参数以及激光熔覆沉积参数，其中，耐磨涂层材料参数为构成耐磨涂层的B4C粉末质量分数和TiC粉末质量分数的乘积，除以TA1粉末的质量分数与纯度的乘积，加上B4C粉末纯度与粒度的乘积，减去TiC粉末纯度与粒度的乘积，再加上分散剂纯度与每100g的粉体中加入分散剂质量的乘积，耐磨涂层材料参数的公式为：
;
式中：Knm为耐磨涂层材料参数，mB,1为耐磨涂层中B4C粉末质量分数，k为修正值，mTA1,1为耐磨涂层中TA1粉末的质量分数，sTA1,1为耐磨涂层中TA1粉末的纯度，sB,1为耐磨涂层中B4C粉末的纯度，LB,1为耐磨涂层中B4C粉末的粒度，sTiC,1为耐磨涂层中TiC粉末纯度，LTiC,1为耐磨涂层中TiC粉末粒度，sfsj为分散剂的纯度，Mfsj为每100g的粉体中加入分散剂质量。
耐磨涂层材料参数的计算公式涵盖了耐磨涂层中不同材料的质量分数、纯度和粒度多个因素，以及分散剂的影响，使得制备过程中的各个关键参数都得到了综合性的考虑，有助于实现更精确和稳定的涂层性能，通过耐磨涂层材料参数的计算公式，能对涂层的材料组成进行定量化的分析，为优化涂层性能提供方向性指导，帮助确定最佳的材料组成，从而提高涂层的性能和耐久性，引入参数模型和计算公式使得涂层制备过程更具有理论基础和科学指导，而不仅仅是经验的累积，有助于减少试错成本，提高制备工艺的效率和可控性，通过计算公式中的各项参数，能够对不同参数组合进行定量评估，从而指导制备过程的优化，这种数据驱动的方法能够加速制备工艺的优化，提高涂层性能，耐磨涂层材料参数的计算公式能够帮助确定最佳参数组合，从而提高生产的一致性，制备过程中，遵循这些优化参数能够更稳定地获得具有一致性的高性能涂层。
进一步地，球磨工艺参数为球料质量比与转速的乘积，再除以球磨时间，乘以真空高温干燥机箱温度，再加上烘干时间，球磨工艺参数的公式为：
;
式中：Kqm为球磨工艺参数，γql为球料质量比，nqm为球磨转速，tqm为球磨时间，Tgz为真空高温干燥机箱温度，thg为烘干时间。
球磨工艺参数计算公式综合考虑了球料质量比、转速、球磨时间、真空高温干燥机箱温度以及烘干时间多个关键因素，有助于将球磨过程的各个要素综合考虑，找到最佳的工艺参数组合，通过球磨工艺参数的计算公式，能够对不同工艺参数进行量化评估，从而指导球磨工艺的优化，找到最适合的球磨条件，有助于获得更均匀和合适的涂层材料粉末，利用计算公式，能够确定稳定的球磨工艺参数范围，从而实现涂层制备的一致性，降低了工艺波动性，提高生产过程的可控性，引入球磨工艺参数计算公式能够提供科学依据，帮助节省试验时间和资源，避免了盲目的试错，使制备过程更加高效，这种数据驱动的方法能够帮助找到涂层制备过程中的最佳工艺参数，从而优化涂层的性能，提高工艺的效率，引入参数计算公式使涂层制备过程更具有科学性和理论基础，这有助于更深入地理解工艺影响因素，为实际生产提供更可靠的指导。
进一步地，纯钛连结层制备参数为TA1粉末质量分数与纯度的和，同纯钛连结层厚度的比值，纯钛连结层制备参数的公式为：
Kct=(mTA1+STA1)/hct；
式中：Kct为纯钛连结层制备参数，mTA1为TA1粉末质量分数,STA1为TA1粉末纯度，hct为纯钛连接层厚度。
通过纯钛连结层制备参数的计算公式，能够确定纯钛连结层的最佳组成和厚度比例，有助于确保连结层的均匀性和牢固性，为涂层提供更稳定的基础，引入连结层参数的计算公式能够更准确地控制连结层的质量，连结层在涂层结构中起到连接作用，质量和均匀性的提高直接影响整个涂层的性能，通过优化连结层的组成和厚度，能够增强涂层与基板的结合强度，提高了涂层的附着力和稳定性，从而更好地抵抗外界的力和磨损，通过计算公式确定的最佳连结层参数，能够实现制备工艺参数的稳定性，有助于生产过程的一致性和可控性，制备人员能更精确地确定连结层的制备参数，减少人为误差的影响，提高涂层的一致性，引入参数计算公式使涂层制备过程更有科学依据，有助于更好地理解连结层的制备原理，为实际制备过程提供指导。
进一步地，激光熔覆沉积参数为激光功率、送粉速率和载气流量的乘积，与扫描速率、光斑直径乘积的比值，再加上氧气含量与搭接率的比值，激光熔覆沉积参数的公式为：
;
式中：kjgrc为激光熔覆沉积参数，Pjg、vsf、Qzq分别为激光功率、送粉速率和载气流量，vsm、dgb分别为扫描速率、光斑直径，Syq、γdz分别为氧气含量、搭接率。
通过激光熔覆沉积参数的计算公式，能够确定激光熔覆沉积过程中各个关键参数之间的最佳组合，有助于优化涂层的结构和性能，提高制备效率，引入激光熔覆沉积参数计算公式能更准确地控制涂层的熔化和沉积过程，通过精确控制各个参数，能够实现涂层的均匀性、致密性和稳定性，通过优化激光熔覆沉积参数，能够研究涂层的显微组织和晶粒尺寸，有助于提高涂层的力学性能、耐磨性能和其他关键性能指标。
需要说明的是，步骤十中，成品涂层性能数据包括涂层显微组织参数和涂层耐磨参数，其中显微组织参数为涂层弹性模量、涂层泊松比的乘积，与涂层同钛合金基本的热膨胀系数之差、涂层温度同室温之差乘积的比值，加上X射线入射角度与X射线同晶面的入射夹角正弦值的比值，再减去晶面指数与立方晶包的晶面间距的乘积，显微组织参数的公式为：
;
式中：Wxw为显微组织参数，Etc、μtc分别为涂层弹性模量、涂层泊松比，∇α为涂层同钛合金基本的热膨胀系数之差，∇T为涂层温度同室温之差，室温取22℃，β为X射线入射角度，θ为X射线同晶面的入射夹角，hjm为晶面指数，djm为立方晶包的晶面间距。
进一步地，涂层耐磨参数为跑合阶段磨损率与激光功率比值的均值，除以稳定阶段磨损率与激光功率比值最大值和最小值之差，涂层磨合参数的公式为：
;
式中：Wnm为涂层磨合参数，i为磨损记录数据点的序号， Vms,i为序号为i的磨损记录数据点对应的磨损率，Pjg,i为序号为i的磨损记录数据点对应的激光功率，(Vms,i/Pjg,i)max为稳定阶段磨损率与激光功率比值的最大值，(Vms,i/Pjg,i)min为稳定阶段磨损率与激光功率比值的最小值，跑合阶段为试验的前5分钟，稳定阶段为试验除跑合阶段的剩余25分钟。
显微组织参数和涂层耐磨参数的计算公式涵盖了多个性能指标，包括弹性模量、泊松比、热膨胀系数、温度差、X射线入射角度、晶面指数等显微组织特征，以及涂层磨损率和激光功率的关系，使得涂层性能评估更加全面，能更精确地描述涂层的显微组织和耐磨性能，有助于深入了解涂层的物理和力学性质，为性能优化提供更准确的指导，计算公式中涵盖了多个参数之间的比值和差值，能够帮助分析不同参数之间的关联性，有助于识别性能影响因素，进一步优化涂层制备和性能，能够将复杂的性能数据转化为可比较的数值，从而更容易进行数据分析和比较，有助于更深入地了解涂层的性能变化和趋势，通过精确描述涂层性能，能指导制备工艺的优化，通过调整制备参数，能够实现更好的显微组织和耐磨性能，提高涂层的整体性能，这些参数公式帮助建立涂层质量控制标准，确保不同批次涂层的一致性和稳定性，从而提供更可靠的产品，使涂层性能评估更具有科学依据，有助于更深入地理解涂层的特性，为实际应用提供更好的指导。
进一步地，步骤十一中，机器学习模型选择支持向量机模型，模型的输入参数为Y，Y=(Wxm,Wnm),模型的输出参数为B,B=(Knm,Kqm,Kct,Kjgrc)。
支持向量机是一种强大的机器学习方法，适用于复杂的数据建模和预测。将这些复杂的涂层性能参数与制备数据关联起来，能够更准确地描述涂层的性能，通过使用多个输入参数进行模型训练，实现了多维度的关联分析，有助于揭示不同参数之间的复杂关系，深入了解影响涂层性能的因素，支持向量机模型通过学习数据之间的关系，帮助确定影响涂层性能的最重要参数，有助于优化涂层制备的参数选择，从而提高涂层的性能，利用训练好的支持向量机模型，预测特定输入参数下涂层的性能，使得在实际制备涂层之前就能够预测其性能，从而优化制备工艺，通过机器学习模型，能够更加科学地分析涂层性能与制备参数之间的关系，有助于制备人员基于数据驱动的决策，优化涂层的性能，能在相对较短的时间内进行大量参数组合的性能预测，从而避免了耗费大量时间和资源进行实际制备和测试的需要，指导制备人员选择最优的制备参数组合，实现涂层性能的精细化调优，提高涂层的整体性能，积累大量的数据和知识，为未来的涂层制备和性能优化提供经验和参考，实现不断迭代和提高。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选方案而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种连结层强化钛合金耐磨涂层的生产工艺，所述工艺制备的钛合金耐磨涂层包括钛合金基板、纯钛连结层以及耐磨涂层，纯钛连结层由TA1粉末制成，耐磨涂层由B4C粉末、TiC粉末和TA1粉末制成，所述工艺包括：
步骤一，将耐磨涂层粉末加入分散剂后放入陶瓷球磨罐进行球磨；
步骤二，将TA1粉末通过激光熔覆沉积熔覆在钛合金基板上，形成纯钛连结层；
步骤三，将步骤一中混合粉末通过激光熔覆沉积熔覆在步骤二纯钛连结层上形成耐磨涂层；
步骤四，将步骤三中耐磨涂层进行表面处理以去除表面氧化皮及缺陷，得到强化TC4耐磨涂层；
其特征在于，所述步骤四之后还包括如下步骤：
步骤五，金相试样制备：利用电火花线切割机将步骤四制备的带有强化TC4耐磨涂层试样加工为金相试样，清洗除去表面油污，用碳化硅砂纸对金相试样进行粗磨和细磨，再用抛光机对涂层抛光，直至涂层表面呈现金属镜面效果，最后对涂层表面进行化学腐蚀，清洗吹干获取强化TC4耐磨涂层金相试样；
步骤六，涂层物相组成检测：对试样中所含有的元素和化合物进行结构分析和定性分析，通过比较X射线衍射仪检测衍射峰位置与标准PDF卡片以强度参考对比法进行比对，获取涂层中相组成；
步骤七，涂层微观组织分析：采用扫描电子显微镜对涂层显微组织、元素分布特征以及磨损形貌进行表征，利用X射线能谱仪分析涂层横截面元素分布及含量；
步骤八，涂层显微硬度检测：采用硬度计对熔覆层、热影响区域、基体进行测定，载荷质量为500g，载荷时间为15s，硬度从涂层表面开始，沿着横截面每间隔0.2mm进行硬度检测，直至硬度值在基体中逐步稳定；
步骤九，涂层耐磨性能检测；
步骤十，重复步骤一至九，获取多组涂层制备数据以及成品涂层性能数据；
步骤十一，训练机器学习模型预测涂层制备参数；
步骤十二，机器学习模型预测：利用训练好的机器学习模型输入目标成品涂层性能数据组成的参数，预测输出涂层制备参数，并利用预测的涂层制备参数应用于涂层制备过程中。
2.根据权利要求1所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，步骤十中，涂层制备数据包括耐磨涂层材料参数、球磨机工艺参数、纯钛连结层制备参数以及激光熔覆沉积参数，其中，耐磨涂层材料参数为构成耐磨涂层的B4C粉末质量分数和TiC粉末质量分数的乘积，除以TA1粉末的质量分数与纯度的乘积，加上B4C粉末纯度与粒度的乘积，减去TiC粉末纯度与粒度的乘积，再加上分散剂纯度与每100g的粉体中加入分散剂质量的乘积，耐磨涂层材料参数的公式为：
;
式中：Knm为耐磨涂层材料参数，mB,1为耐磨涂层中B4C粉末质量分数，k为修正值，mTA1,1为耐磨涂层中TA1粉末的质量分数，sTA1,1为耐磨涂层中TA1粉末的纯度，sB,1为耐磨涂层中B4C粉末的纯度，LB,1为耐磨涂层中B4C粉末的粒度，sTiC,1为耐磨涂层中TiC粉末纯度，LTiC,1为耐磨涂层中TiC粉末粒度，sfsj为分散剂的纯度，Mfsj为每100g的粉体中加入分散剂质量；
球磨工艺参数为球料质量比与转速的乘积，再除以球磨时间，乘以真空高温干燥机箱温度，再加上烘干时间，球磨工艺参数的公式为：
;
式中：Kqm为球磨工艺参数，γql为球料质量比，nqm为球磨转速，tqm为球磨时间，Tgz为真空高温干燥机箱温度，thg为烘干时间。
3.根据权利要求2所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，纯钛连结层制备参数为TA1粉末质量分数与纯度的和，同纯钛连结层厚度的比值，纯钛连结层制备参数的公式为：
Kct=(mTA1+STA1)/hct；
式中：Kct为纯钛连结层制备参数，mTA1为TA1粉末质量分数,STA1为TA1粉末纯度，hct为纯钛连接层厚度；
激光熔覆沉积参数为激光功率、送粉速率和载气流量的乘积，与扫描速率、光斑直径乘积的比值，再加上氧气含量与搭接率的比值，激光熔覆沉积参数的公式为：
;
式中：kjgrc为激光熔覆沉积参数，Pjg、vsf、Qzq分别为激光功率、送粉速率和载气流量，vsm、dgb分别为扫描速率、光斑直径，Syq、γdz分别为氧气含量、搭接率。
4.根据权利要求3所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，步骤十中，成品涂层性能数据包括涂层显微组织参数和涂层耐磨参数，其中显微组织参数为涂层弹性模量、涂层泊松比的乘积，与涂层同钛合金基本的热膨胀系数之差、涂层温度同室温之差乘积的比值，加上X射线入射角度与X射线同晶面的入射夹角正弦值的比值，再减去晶面指数与立方晶包的晶面间距的乘积，显微组织参数的公式为：
;
式中：Wxw为显微组织参数，Etc、μtc分别为涂层弹性模量、涂层泊松比，∇α为涂层同钛合金基本的热膨胀系数之差，∇T为涂层温度同室温之差，室温取22℃，β为X射线入射角度，θ为X射线同晶面的入射夹角，hjm为晶面指数，djm为立方晶包的晶面间距。
5.根据权利要求4所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，涂层耐磨参数为跑合阶段磨损率与激光功率比值的均值，除以稳定阶段磨损率与激光功率比值最大值和最小值之差，涂层磨合参数的公式为：
;
式中：Wnm为涂层磨合参数，i为磨损记录数据点的序号， Vms,i为序号为i的磨损记录数据点对应的磨损率，Pjg,i为序号为i的磨损记录数据点对应的激光功率，(Vms,i/Pjg,i)max为稳定阶段磨损率与激光功率比值的最大值，(Vms,i/Pjg,i)min为稳定阶段磨损率与激光功率比值的最小值，跑合阶段为试验的前5分钟，稳定阶段为试验除跑合阶段的剩余25分钟。
6.根据权利要求5所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，步骤十一中，利用获取的涂层制备数据以及成品涂层性能数据构成原始数据集，从原始数据集中随机抽取70%的数据训练机器学习模型，机器学习模型的输入参数由成品涂层性能数据构成，输出参数由涂层制备数据构成，抽取30%的数据验证模型，评估模型的性能，调节模型的设定参数，优化模型的性能；机器学习模型选择支持向量机模型，模型的输入参数为Y，Y=(Wxm,Wnm),模型的输出参数为B,B=(Knm,Kqm,Kct,Kjgrc)。
7.根据权利要求1所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，步骤一中耐磨涂层粉末B4C粉末的质量分数和TiC粉末的质量分数总和为40wt%～45wt%，TA1粉末的质量分数为55wt%～60wt%，B4C粉末的纯度为95%～99.9%，粒度为15～53um，TiC粉末的纯度为97.1%～99.9%，粒度为15～53um，TA1粉末的纯度为98.2%～99.9%，分散剂为纯度≥99.7%的无水乙醇，每100g的粉体中加入40～50g的分散剂；陶瓷磨球使用球形95%氧化锆磨球，球磨机工艺参数为球料质量比为1.8:1～2.5:1，转速为175～210r/min，球磨11～14h后经过真空高温干燥机箱在117～127℃下烘干4～6.5h制得混合粉体。
8.根据权利要求1所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，步骤二中，TA1粉末的纯度为95.4%～99.9%，纯钛连结层厚度为0.57mm～1.0mm；步骤二中和步骤三中，激光熔覆沉积工艺参数均为：激光功率为1950W～2250W，扫描速率为7.3～8.8mm/s，送粉速率为1.1～2.6/min，载气流量为2.9～3.6L/min，扫描方式为双向扫描，光斑直径为1.1～3.8mm，氧气含量控制在8%～43%ppm之间，搭接率为44%～56%。
9.根据权利要求1所述的一种连结层强化钛合金耐磨涂层的生产工艺，其特征在于，步骤九中，切割规格尺寸为30mm×10mm×10mm的试样作为动载磨料磨损试验的上试样，下试样为45#钢，选取质量为10Kg的冲锤，磨料为平均目数为80目的石英砂磨料，控制流速为1Kg/min，选取2.5J冲击功，对涂层试样进行5min预磨，再用酒精超声清洗并吹干称重，将此时试样质量作为动载磨料磨损试验的原始质量，冲击载荷试验每进行1min，将上试样取下完成清洗、烘干和称重，得到一次磨损后试样质量，与初始质量相减得到动载磨料磨损单位时间涂层失重量，进行30min动载磨料磨损试验，获取30个数据点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475635.2A CN117198443B (zh) | 2023-11-08 | 2023-11-08 | 一种连结层强化钛合金耐磨涂层的生产工艺 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311475635.2A CN117198443B (zh) | 2023-11-08 | 2023-11-08 | 一种连结层强化钛合金耐磨涂层的生产工艺 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117198443A true CN117198443A (zh) | 2023-12-08 |
| CN117198443B CN117198443B (zh) | 2024-01-26 |
Family
ID=88987312
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311475635.2A Active CN117198443B (zh) | 2023-11-08 | 2023-11-08 | 一种连结层强化钛合金耐磨涂层的生产工艺 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117198443B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933828A (zh) * | 2024-03-20 | 2024-04-26 | 上海强华实业股份有限公司 | 一种精烧工艺闭环质量反馈与过程参数自适应调节方法 |
| CN118130205A (zh) * | 2024-04-30 | 2024-06-04 | 江苏省沙钢钢铁研究院有限公司 | 用于ebsd测试的合金样品制作方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019171498A1 (ja) * | 2018-03-07 | 2019-09-12 | 日立化成株式会社 | 塗布制御システム、塗布制御方法、および塗布制御プログラム |
| CN114283112A (zh) * | 2020-09-17 | 2022-04-05 | 赢创运营有限公司 | 涂层表面的定性或定量表征 |
| CN116219433A (zh) * | 2023-04-28 | 2023-06-06 | 烟台核电智能技术研究院有限公司 | 一种连结层强化钛合金耐磨涂层及其制备方法 |
| CN116426783A (zh) * | 2023-03-30 | 2023-07-14 | 武汉科技大学 | 一种提高AlxCoCrFeNi系高熵合金致密度的制备方法 |
| CN116987922A (zh) * | 2023-09-22 | 2023-11-03 | 烟台核电智能技术研究院有限公司 | 一种复合陶瓷颗粒增强钛合金耐磨涂层的制备方法 |
-
2023
- 2023-11-08 CN CN202311475635.2A patent/CN117198443B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019171498A1 (ja) * | 2018-03-07 | 2019-09-12 | 日立化成株式会社 | 塗布制御システム、塗布制御方法、および塗布制御プログラム |
| CN114283112A (zh) * | 2020-09-17 | 2022-04-05 | 赢创运营有限公司 | 涂层表面的定性或定量表征 |
| CN116426783A (zh) * | 2023-03-30 | 2023-07-14 | 武汉科技大学 | 一种提高AlxCoCrFeNi系高熵合金致密度的制备方法 |
| CN116219433A (zh) * | 2023-04-28 | 2023-06-06 | 烟台核电智能技术研究院有限公司 | 一种连结层强化钛合金耐磨涂层及其制备方法 |
| CN116987922A (zh) * | 2023-09-22 | 2023-11-03 | 烟台核电智能技术研究院有限公司 | 一种复合陶瓷颗粒增强钛合金耐磨涂层的制备方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933828A (zh) * | 2024-03-20 | 2024-04-26 | 上海强华实业股份有限公司 | 一种精烧工艺闭环质量反馈与过程参数自适应调节方法 |
| CN118130205A (zh) * | 2024-04-30 | 2024-06-04 | 江苏省沙钢钢铁研究院有限公司 | 用于ebsd测试的合金样品制作方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117198443B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117198443B (zh) | 一种连结层强化钛合金耐磨涂层的生产工艺 | |
| Özel et al. | Modelling of surface finish and tool flank wear in turning of AISI D2 steel with ceramic wiper inserts | |
| Mandal et al. | Development of flank wear prediction model of Zirconia Toughened Alumina (ZTA) cutting tool using response surface methodology | |
| Balamurugan et al. | Predicting correlations in abrasive waterjet cutting parameters of Lanthanum phosphate/Yttria composite by response surface methodology | |
| JP6521127B2 (ja) | 被覆切削工具 | |
| Surya et al. | Prediction of machining characteristics using artificial neural network in wire EDM of Al7075 based in-situ composite | |
| CN102352512B (zh) | 一种采用脉冲激光制备高附着力金刚石涂层的方法 | |
| KR20180128531A (ko) | 표면 피복 절삭 공구 및 그 제조 방법 | |
| KR20150001680A (ko) | 코팅된 절삭 공구 | |
| KR20180135497A (ko) | 표면 피복 절삭 공구 및 그 제조 방법 | |
| CN105940141A (zh) | 氧化铝涂层切削工具 | |
| CN109207995B (zh) | 一种高通量耐磨蚀材料等离子熔覆制备系统及其实现方法 | |
| KR20130010887A (ko) | 코팅된 세라믹 절삭 인서트 및 이의 제조방법 | |
| Jackson et al. | A comparison of 316 L stainless steel parts manufactured by directed energy deposition using gas-atomized and mechanically-generated feedstock | |
| Ganesan et al. | Prediction and optimization of cylindrical grinding parameters for surface roughness using Taguchi method | |
| JPWO2018088114A1 (ja) | 被覆切削工具 | |
| Li et al. | Surface residual stresses in additive/subtractive manufacturing and electrochemical corrosion | |
| Sun et al. | Study on predictive modeling for thermal wear of uncoated carbide tool during machining of Ti–6Al–4V | |
| Liu et al. | Finite element analysis and wear mechanism of B4C–TiB2 ceramic tools in turning AISI 4340 workpieces | |
| Liang et al. | Research on hybrid remanufacturing process chain of laser cladding, CNC machining and ultrasonic rolling for aero-engine blades | |
| CN102251204A (zh) | 一种用于电弧喷涂制备含非晶相涂层的含磷铁基粉芯丝材及涂层制备方法 | |
| CN108018553B (zh) | 被覆切削工具 | |
| JP6229911B1 (ja) | 被覆切削工具 | |
| JP6229912B1 (ja) | 被覆切削工具 | |
| CN115283693B (zh) | 一种具有优异耐磨高硬度镍基复合涂层制备方法 |
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 |