摘要：电弧增材制造（WAAM）能够很好地为大型部件的一体化成型提供更高的设计灵活性和制造多样性。然而，在电弧增材制造金属部件的应用中实现高生产率颇具挑战性，因为这需要稳定一致的制造过程、可靠的质量以及可预测的性能。电弧增材制造部件的服役性能常常受到微观结构、广泛分布

长三角G60激光联盟导读

文章摘要：

电弧增材制造（WAAM）能够很好地为大型部件的一体化成型提供更高的设计灵活性和制造多样性。然而，在电弧增材制造金属部件的应用中实现高生产率颇具挑战性，因为这需要稳定一致的制造过程、可靠的质量以及可预测的性能。电弧增材制造部件的服役性能常常受到微观结构、广泛分布的缺陷、较大的残余应力以及复杂的表面粗糙度的影响。在这方面，通过实验和模拟来研究工艺 - 结构 - 性能 - 服役表现（PSPP）之间的关系，已被证实是提升增材制造能力的有效策略。如今，机器学习（ML）也可以成为对这些复杂的非线性关系进行建模的强大工具。本文首先简要概述了电弧增材制造的工艺分类，并对工艺控制进行了一般性描述。然后，文章对部件微观结构、内部缺陷、表面粗糙度和残余应力如何影响电弧增材制造部件的力学性能和疲劳性能进行了全面的回顾和讨论。此外，文章还详细探讨了利用机器学习来预测这些影响的最新进展，重点关注工艺 - 结构 - 性能 - 服役表现（PSPP）建模。最后，本文讨论了机器学习方法在工艺 - 结构 - 性能 - 服役表现（PSPP）建模中目前存在的局限性，并概述了未来的发展趋势和技术前景。

研究背景：

增材制造（AM）以其通过先进的数字设计逐层构建三维物体的能力而闻名，这是一项革命性的技术，与传统的制造工艺，如铸造、锻造和机械加工截然不同。此外，它是新技术变革中的一个代表，这主要是因为它在提升设计自由度、缩短生产周期以及实现近净成型方面具有独特优势，且不再需要昂贵的模具。

在过去的四十年里，相关领域不仅开发出了各种增材制造工艺，还将其广泛应用于汽车、航空航天和生物医学等主要行业，使其成为发展最快的学科之一。世界各地的研究人员正越来越关注这一前沿技术，以实现短周期、高精度、高性能的制造。

随着增材制造技术的发展，出现了各种各样的增材制造工艺。目前，根据 ISO/ASTM 52900:2015 的概述，用于金属部件的增材制造工艺主要有两大类：粉末床熔融（PBF）和定向能量沉积（DED）。在粉末床熔融工艺中，金属粉末颗粒通过热源被选择性地熔合，逐层进行烧结或熔化。粉末床熔融特别适合制造最大尺寸在 200 毫米到 350 毫米之间的小型零件【参考文献 1】。尽管与其他增材制造技术相比，粉末床熔融产品具有更高的精度和更好的表面质量，但对于高价值部件中的优化零件来说，它在经济上也只是在一定范围内可行。与粉末床熔融工艺相比，定向能量沉积具有更高的材料沉积速率，主要用于生产尺寸在 350 毫米到 5000 毫米之间的中大型零件。定向能量沉积能够直接形成高性能的金属部件，通常这些部件几乎不需要进行机械加工。此外，定向能量沉积还被用于对局部损坏的部件和结构进行快速修复和再造。

为了满足大规模、复杂且一体化部件的制造要求，电弧增材制造（WAAM）已经取得了相当大的发展。电弧增材制造因其高效的沉积速率、相对较低的设备成本、出色的材料利用率以及环保特性，在定向能量沉积技术中脱颖而出，因此它也被称为 “绿色技术”。此外，根据部件尺寸的不同，电弧增材制造技术能够分别将制造和后续加工时间缩短 40%-60% 和 15%-20%。这在生产复杂部件（如飞机起落架）时尤为明显，与传统的减材制造工艺相比，它最多可减少 78% 的原材料使用量。到目前为止，电弧增材制造技术已被应用于使用各种工程材料的制造工艺中，这些材料包括钛、铝、镍合金和钢，展现出了巨大的潜力。易等人对线材创新方面的最新进展进行了概述，这些创新拓展了可用于电弧增材制造的材料范围。图 1 对电弧增材制造进行了详细分析，该分析以科学引文索引为依据，按出版年份、研究机构、研究方向、领域和文献类型对数据进行了分类。在过去的几十年里，金属电弧增材制造技术受到了全球众多研究机构的广泛研究，2016 年后相关文献数量大幅激增。这一时期的文献约占所有电弧增材制造文献的 97.16%，突显了它迅速成为一个主要研究领域的趋势。

图1Analysis of research trends in WAAM, (a) based on the Science Citation Index, utilising Data from Web of Science, Google Scholar,(b) affiliated institutions电弧增材制造的研究趋势分析，（a）基于科学引文索引，数据来自 Web of Science 和谷歌学术，（b）所属机构 。

尽管电弧增材制造（WAAM）所制造部件的机械性能可与那些传统制造技术制造的部件相媲美，但电弧增材制造部件的制造过程面临着巨大挑战。在电弧增材制造过程中，快速冷却和热循环会影响材料晶粒的尺寸和形状，而且该过程容易产生诸如气孔、裂纹和高残余拉应力等缺陷。这些问题会严重损害经电弧增材制造处理的部件的机械性能和抗疲劳性能，导致疲劳寿命出现显著差异，同时也给材料设计、制造工艺、性能及表现带来了重大挑战。鉴于疲劳失效是工程部件服役期内最常见且关键的失效模式之一，确保电弧增材制造部件的长期服役可靠性和安全性就成为了首要关注点。因此，一种聚焦于微观结构、缺陷、残余应力以及表面粗糙度对部件使用寿命影响的工艺 - 结构 - 性能 - 表现（PSPP）综合评估方法就显得尤为重要。

在电弧增材制造领域，传统物理模型的发展以及它们与工艺、结构、性能和表现之间的复杂关系，是一种综合性的多层次系统方法。这涵盖了从微观到宏观的层面，包括实时监测、性能预测、失效分析以及工艺优化。实时监测技术被整合用于优化工艺参数，以确保制造过程的稳定性和产品的高质量。通过深入分析电弧增材制造部件的微观结构、缺陷、残余应力和表面粗糙度，可以精细地评估其宏观机械性能，并能根据服役环境预测疲劳寿命和失效模式。基于冶金理论和模拟方程的工艺 - 结构 - 性能 - 表现模型，不仅能捕捉材料在制造过程中的复杂行为，还为优化工艺和提升性能奠定了坚实的理论基础。这一进步极大地推动了电弧增材制造技术更广泛的应用。

然而，传统的研究往往依赖于实验分析、理论建模和数值求解等方法来构建工艺 - 结构 - 性能 - 表现模型。在探索金属增材制造中工艺参数、影响因素和机械性能之间复杂的多因素耦合关系时，这些方法仍然存在显著的局限性和边界。这导致在预测宏观机械性能时难以满足准确性和效率方面的要求。此外，电弧增材制造过程对工艺参数的变化高度敏感，这些参数包括焊接电流、电压和送丝速度等等。金属在快速熔化、凝固和冷却过程中表现出明显的非线性行为，从而导致诸如热导率和屈服强度等参数发生变化。传统物理模型在处理这种非线性行为时可能会遇到困难，因而难以准确描述真实的材料响应。

在高维空间中确定工艺 - 结构 - 性能 - 表现之间的非线性关系仍然具有挑战性。作为一门数据驱动的科学，机器学习（ML）为处理高维空间内的复杂关系提供了有效的方法。以 “增材制造” 和 “机器学习” 作为关键词在科学网数据库中检索，共检索到 1419 篇学术论文（截至 2024 年 3 月）。在过去四年中，发表的论文数量几乎呈指数级增长，这突显了不同领域对基于机器学习的增材制造技术日益增长的兴趣。

机器学习模型在识别工艺参数、微观结构和机械性能之间的复杂非线性关系方面优于传统物理模型。通过对包含工艺参数、微观结构特征和机械性能数据的大量数据集进行训练，这些模型能够自主识别和学习隐藏的模式和相关性，从而构建出高度准确的预测模型。此外，通过交叉验证和使用独立测试集进行评估等方法，机器学习模型确保了其预测的准确性和可靠性。这些模型整合了来自实验、模拟和现场测试的多源数据，全面地预测和分析从工艺参数、微观结构到机械性能和服役表现等各种因素。这种综合方法不仅加深了我们对电弧增材制造过程的理解，还为工艺参数的精确调整和金属电弧增材制造工艺的智能改进提供了科学依据和技术参考。

图 2 描绘了在电弧增材制造研究中机器学习领域内建立工艺 - 结构 - 性能 - 表现关系的主要研究过程。其目的是推进工艺 - 结构 - 性能 - 表现方法的发展，有助于定制最终的高性能金属部件，实现更广泛的材料选择、更全面的虚拟制造，并辅助实际生产，从而实现更先进的打印。简而言之，阐明工艺 - 结构 - 性能 - 表现之间的关系正成为电弧增材制造技术一项具有前景的发展策略。

图 2. Schematic of establishing PSPP relationships in the field of ML within WAAM research.在电弧增材制造研究中机器学习领域内建立工艺 - 结构 - 性能 - 表现关系的示意图。

电弧增材制造解决方案是一种基于线材的定向能量沉积（DED）方法，该方法通常使用电弧作为熔化源，来熔化线材原料，并逐层堆积成型部件预成型件。根据所施加的热能形式，电弧增材制造（WAAM）工艺大致可分为三类：基于熔化极气体保护焊（GMAW）的工艺、基于钨极惰性气体保护焊（GTAW）的工艺以及基于等离子弧焊（PAW）的工艺。如图 3 所示，每一类电弧增材制造技术都有其独特的特点。基于熔化极气体保护焊的电弧增材制造的沉积速率比基于钨极惰性气体保护焊或基于等离子弧焊的方法高出 2 到 3 倍。然而，由于电流直接作用于原材料，基于熔化极气体保护焊的电弧增材制造方法稳定性较差，并且会产生更多的焊接烟尘和飞溅物。基于这样的分类，电弧增材制造技术的选择会直接影响目标部件的加工条件和生产效率。

图 3. 电弧增材制造所采用的典型金属增材制造工艺概述Overview of typical metal additive manufacturing processes utilised by WAAM

尽管电弧增材制造（WAAM）相较于传统制造方法具有众多优势，但仍然存在一些问题。在使用电弧增材制造工艺时，很难使成品部件具备期望的特性和所需的精度，这阻碍了它在工业中的大规模应用。混合增材制造（Hybrid-AM）最近受到了广泛关注。混合增材制造是指采用两个或更多个连续的工艺步骤来制造成品部件。电弧增材制造的局限性可以通过施加辅助场来克服，这些辅助场包括磁场、声场、热场和变形场。此外，还有一些新颖的外部场辅助技术，它们利用等离子体场、电场以及耦合的多场作为辅助能量场。

图 4（f）至（g）展示了声场辅助的电弧增材制造。添加一组辅助外部声场能够影响材料的沉积和固化过程。声波有助于调整材料颗粒的排列和分布，从而使材料更加均匀和致密，这有助于最大程度地减少孔洞和缺陷，进而提升所制造产品的性能和质量。如图 4（e）所示，在电弧增材制造中使用磁场，由于电磁力和阻尼效应，会对熔池对流产生显著影响，从而导致熔池速度降低、回流受到抑制，并且改变熔池温度梯度。而辅助热场则不会影响熔池动力学。

图 4. 具有辅助场的电弧增材制造示意图Schematics of WAAM with assisted field

在线监测和控制-WAAM process and control

在电弧增材制造（WAAM）中，集成制造是加强工艺控制和提高效率的关键。这种集成通常涵盖配备了各种传感器的实时监测系统。这些系统持续跟踪和评估制造过程以及材料特性，如图 5 所示，能够在制造过程的早期检测到任何偏差或潜在缺陷，以便及时采取纠正措施。

图5 Schematic diagram of a closed-loop quality control WAAM system based on multi-sensor data fusion technology 基于多传感器数据融合技术的电弧增材制造闭环质量控制系统示意图

利用传感器数据实时调整诸如电弧功率、行进速度和送丝速率等工艺参数的先进控制算法，对于实现智能化的电弧增材制造至关重要。在整个材料沉积过程中，动态调整参数对于维持最佳工艺条件至关重要，这能够确保最终产品的结构完整性和尺寸精度。此外，机器学习模型可以利用来自实时监测的历史数据进行合理预测，从而提高控制的准确性。电弧增材制造工艺控制有助于开发出完全自动化、自我优化的系统，该系统能够将人工干预降至最低，减少材料浪费，并提高金属电弧增材制造工艺的整体质量和效率。

图6 Schematic diagram of WAAM system电弧增材制造系统示意图

在电弧增材制造（WAAM）中，电弧焊通常与送丝机构相结合。如图 7 所示，金属原料丝材利用电弧产生的热量被熔化，随后，熔化的金属在三维计算机辅助设计（CAD）模型数据引导的焊道堆积作用下，逐层堆积在指定的基底上。机器人或龙门系统被用来持续堆积这些焊道，最终形成一个完整的三维金属部件。

使用电弧增材制造技术制造工程零件通常包括三个主要步骤：工艺规划、堆积成型和后处理。借助给定的 CAD 模型，三维切片和编程软件可以生成必要的机器人运动指令和焊接参数，以实现具有高几何精度的制造。基于针对部件制造所用材料的特定焊接堆积模型，三维切片和编程软件可提供自动路径规划和工艺优化，以避免潜在的工艺缺陷。在制造过程中，机器人精确移动焊枪，逐层构建部件。此外，先进的电弧增材制造系统还可以配备各种传感器，以采集焊接信号、已堆积焊道的几何形状、金属熔滴过渡行为以及温度等信息，从而实现对工艺的监测和控制，以获得更高的产品质量。这项工作描述了当前和未来一个新兴的研究领域，该领域有潜力显著提升电弧增材制造工艺的性能。

电弧增材制造（WAAM）部件是通过逐层堆积的过程来成型的。在这个过程中，单道焊缝紧密排列并堆叠，同时涉及到许多物理过程，包括电弧向焊丝的热传递、焊丝熔化过程中熔滴形态的变化、凝固过程以及焊缝几何形状的变化。这些情况在很大程度上会影响成品的性能和质量。为了在电弧增材制造过程中实现有效控制，在制造过程中实时获取工艺参数是很有必要的。图 8 展示了在电弧增材制造过程中进行不同操作时，可能会影响最终产品的各种参数。现有的研究方法通常是通过物理传感器来监测熔池的几何形状、亮度和热分布情况。然后对监测过程中获得的图像进行量化和分析，并利用收集到的数据来设计控制策略，为模型的创建和修改提供有效的数据支持。有效监测的关键在于对所收集数据进行准确且高效的分析，这些数据一般可分为三类：一维（1D）、二维（2D）和三维（3D）数据。

在电弧增材制造过程中，一维数据相对容易获取，处理速度也快。这类数据通常包括弧焊电流、电压、送丝速度和焊接速度等，并且可以低成本收集。鉴于电弧增材制造过程的复杂性，一维数据通常无法提供足够的信息用于分析。因此，为了获取关于零件形状的更详细信息，就需要二维数据。如图 9 所示，相当多的研究人员致力于离线参数管理以获取二维数据【参考文献 59】。二维数据主要通过传感器获取，这些传感器包括工业相机、光电二极管、激光扫描仪和 X 射线相机等，以便了解表面形貌并检测缺陷。

图7 The decisive factors during WAAM process-电弧增材制造过程中的决定性因素

图8Monitoring and control framework of WAAM-电弧增材制造的监测与控制框架

电弧增材制造部件的离线检测

电弧增材制造（WAAM）面临的主要挑战之一是确保部件不仅具有增强的机械性能，而且还能保持稳固的结构完整性。为了实现这一目标，在整个制造过程中精心控制和优化局部微观结构至关重要。此外，采用多维和多尺度表征技术也必不可少。这些技术能够对不同时空尺度下特定材料区域内的微观结构和局部性能进行详细分析，从而让人深入了解材料的力学行为。最终目标是在工艺 - 结构 - 性能 - 表现（PSPP）框架内建立定量的映射关系，这有助于改进材料加工工艺和微观结构。这种映射关系对高性能金属材料和部件的快速、经济高效的开发与应用起到了重要作用。

因此，为了建立一个全面的工艺 - 结构 - 性能 - 表现体系，有必要利用具有不同空间分辨率的材料表征技术，来获取各个尺度的信息，如位错、析出相、晶粒尺寸、晶界特征、织构、元素偏析以及制造缺陷等。这种数据的多尺度关联可以提供关于材料和结构的良好信息，这对于准确预测其服役性能以及建立理论模型来说是不可或缺的。材料结构表征技术主要分为两类：传统的二维破坏性方法和先进的三维非破坏性方法。伯内特（Burnett）和威瑟斯（Withers）强调，样品制备是材料表征的基础，尤其是对于高分辨率表征而言。

离线成像指的是在试样达到预定的损伤阶段后将其卸载，随后进行微观结构表征，接着再进行循环加载和卸载操作，以便进一步分析。相反，原位成像则允许在施加荷载的同时进行结构表征，从而能够对材料的损伤演变进行实时和动态的评估。图 9 展示了利用多维和多尺度关联成像技术得到的电弧增材制造 Ti6Al4V 合金中孔洞的形核与长大过程。这种可视化展示了损伤演变机制，并且在研究材料退化机制以及构建寿命预测模型时提供了半定量的科学依据。

图9. 电弧增材制造 Ti6Al4V 合金疲劳损伤行为的多维和多尺度关联成像表征- Multidimensional and multiscale correlated imaging characterisation of fatigue damage behaviour in WAAM Ti6Al4 V alloy

电弧增材制造（WAAM）为满足灵活的设计需求和提升产品性能提供了广阔的机会。尽管具有这样的潜力，但人们对于电弧增材制造过程中涉及的动态且复杂的过程（例如微观结构的形成、气孔、残余应力以及表面粗糙度（SR）等），以及这些因素对最终产品服役性能的影响，仍然存在着严重的认识不足。这极大地阻碍了电弧增材制造技术的广泛应用。为了增进对电弧增材制造的理解，确定工艺 - 结构 - 性能 - 表现（PSPP）之间的关系至关重要。

最近，研究人员一直在开发多尺度模型来定义工艺 - 结构 - 性能 - 表现之间的关系，旨在从定量角度理解增材制造过程。这些模型专门分析了增材制造独特的逐层制造技术在局部和整体尺度上对材料演变的影响。这种分析为结构特征的优化提供了指导，进而提升了最终产品的机械性能和服役性能。如图 10 所示，微观结构的演变和性能都会受到工艺参数以及缺陷的影响。尽管许多类型的缺陷可以通过后续的热处理来减轻，但合理设计制造阶段能够显著改善微观结构，并提高机械性能。因此，传统的冶金模型仍然是理解这些复杂的工艺 - 结构关系的有价值的工具。

图 10. 电弧增材制造金属材料主要的工艺 - 结构 - 性能 - 表现关系示意图-Schematic of the principal PSPP relationships for metallic materials produced by WAAM

微观结构与性能的关联及控制

在 Wire Arc Additive Manufacturing（电弧增材制造，WAAM）工艺中，材料逐层堆积，熔化后沉积到固态基底上。该过程在不存在界面热阻的情况下发生，从而导致热传导迅速。因此，由于高温梯度和快速冷却速率，会发生非平衡凝固。在这样的条件下，凝固热力学和动力学变得复杂。每一次沉积都经历短暂而剧烈的加热和冷却循环，会发生快速的变温转变，这与传统制造工艺中的情况不同。这会形成独特的、多层且不均匀的微观结构，其特征是存在粗大的柱状晶粒。尽管这些晶粒有利于提高高温下的抗蠕变性能，但与细小的等轴晶粒相比，在正常工作温度下，它们通常具有较低的强度、韧性和耐腐蚀性。

在电弧增材制造中获得细小的等轴晶体极具挑战性。这些晶粒的生长通常会超出基底的外延生长区域，从而形成竞争环境。在竞争环境中，由于晶粒总数减少，会形成数量较少但尺寸较大的晶粒。一般来说，晶粒生长与最强的热梯度方向一致。然而，电弧增材制造的低能量密度电弧产生的热梯度较弱，凝固速率较慢，再加上基底的散热能力，促使粗大的柱状晶粒沿垂直于焊接方向生长。电弧增材制造中，新晶粒形核机制有限，使得这种晶粒生长不受限制地持续进行，从而导致形成较差且各向异性的力学性能。因此，由于局部热输入高和温度梯度大，在电弧增材制造中实现柱状晶向等轴晶的转变（CET）是一项重大挑战。

电弧增材制造与焊接工艺类似，形核起始于位于熔合线上的母材晶粒，这些晶粒充当基底。然后，这些晶粒通过外延生长向焊缝中心扩展（图 11 (a)）。与这些母材晶粒紧密接触的熔融熔池，由于其完全润湿的特性，会使母材晶粒完全饱和。图 11 (b) 表明，凝固是定向发生的，在固态基底方向的热损失驱动下，从先前沉积的基底向熔融液体方向进行。异质形核的障碍极小，这使得晶粒生长在最终微观结构的形成过程中起主导作用。随着晶粒扩展，溶质原子被排出到周围的液体中，在向前推进的固液界面前方形成富溶质层。这种积累拓宽了凝固范围，如图 12 所示。因此，由微观偏析引发了成分过冷。这种过冷现象的发生，再加上固液界面的形态稳定性，显著影响了快速凝固过程的结果。

图 11. 示意图展示了增材制造过程中快速凝固时生长条件对微观结构的影响。(a) 增材制造过程中的外延生长，类似于传统焊接 [参考文献 79]；(b) 快速凝固过程中固液界面处的晶粒生长、溶质偏析和成分过冷的动态过程 [参考文献 80]；(c) 温度梯度 G 和生长速率 R 对凝固微观结构的形态和尺寸的影响 [参考文献 79]；(d) 热梯度和凝固速率对凝固微观结构的综合影响 [参考文献 81]。Schematic illustrations demonstrate the impact of growth conditions on microstructure during rapid solidification in AM processes.

图12Schematic illustration of the flow and grain evolution in the melt pool of OL-WAAM-在线激光送粉式电弧增材制造（OL-WAAM）熔池中熔流和晶粒演变的示意图

缺陷与疲劳性能的关系

在电弧增材制造（WAAM）过程中，诸如热源参数、扫描参数、材料成分和零件结构等众多因素，都会对最终零件的质量产生显著影响。这些因素会导致缺陷的产生，其特点是分布广泛、形式多样、尺寸范围大且成因复杂。这些缺陷会严重降低零件的疲劳强度，并导致其疲劳寿命的离散性增大。因此，了解电弧增材制造中缺陷的形成机制至关重要。将这些缺陷降至最低，并精确预测它们对疲劳性能的影响，能够为工艺参数的优化提供指导，进而提高增材制造零件在工程应用中的可靠性和适用性。

电弧增材制造技术涉及多物理场的界面过程，其复杂、瞬态且不平衡的物理、化学和冶金特性，容易受到不合适的工艺参数的影响。在零件制造过程中，加工条件的变化可能会导致内部缺陷的产生。此外，增材制造过程中杂质的混入也会导致缺陷的形成，从而削弱零件的力学性能。图 13 显示，电弧增材制造的金属通常会呈现出各种缺陷，包括内部问题，如气孔和晶间裂纹，以及外部问题，如球化、表面光洁度问题和裂纹等 。为了获得高质量的增材制造产品，需要深入了解缺陷的形成机制，并严格控制工艺参数，以尽量减少缺陷的产生和发展。

图 13. 电弧增材制造金属中的各种缺陷，包括内部气孔和裂纹，以及球化、表面光洁度和裂纹等外部问题 Various defects in WAAM metal, including internal pores and cracks, and external issues like balling, surface finish, and crack

图14 Porosity influencing factors of WAAM-WAMM中气孔形成的影响因素

残余应力的形成及影响

增材制造（AM）过程中，表面材料会经历快速局部熔化和快速凝固，同时亚表面基体也会有一定程度的重熔。由熔化 - 凝固 - 重熔热循环所引起的不均匀塑性变形是增材制造中残余应力的主要来源 。德布罗伊（Debroy）等人描述了三个关键因素：（1）由于移动热源的局部加热和冷却所产生的空间温度梯度；（2）多次加热和冷却导致的热胀冷缩；（3）塑性应力和流动应力。图 15 展示了电弧增材制造（WAAM）过程中具有代表性的残余应力分布情况以及随后观察到的变形情况。在基于电弧增材制造的制造过程中，很明显，过高的能量输入、较高的沉积速率以及较大的温度梯度通常会在增材制造零件的顶部、底部和表面区域产生残余拉应力。这些应力会显著降低零件抵抗疲劳裂纹萌生和扩展的能力，从而降低其力学性能，并缩短零件的疲劳寿命。因此，控制并尽量减小残余应力尤为重要。

图 15. 电弧增材制造中典型的残余应力分布及由此产生的变形：（a）夹持状态下的残余应力分布；（b）松开夹持后的面外变形；（c）松开夹持后重新分布并达到平衡的残余应力分布。

图16 增材制造（AM）部件中残余应力预测的有限元建模和简化计算方法：一种多尺度模拟建模方法-Finite element modelling and simplified computational approaches for residual stress prediction in AM components: a multiscale simulation modelling approach

表面粗糙度的影响及评估

尽管增材制造（AM）的优势之一是能够制造出近净形的零件，但逐层熔化和沉积的过程会使材料表面呈现出一些缺陷特征。这些特征包括表面的球形附着、局部凹陷、表面不平整、上下表面的不对称缺陷，以及比传统制造方法更高的表面粗糙度。表面粗糙度会影响材料或零件的性能和功能。粗糙的表面是常见的应力集中源，会促使疲劳裂纹萌生，显著降低疲劳强度和寿命。此外，它还会削弱材料的耐磨性和耐腐蚀性。

沉积态材料的表面粗糙度可能受到一系列加工参数的影响，这些参数包括填充丝材、保护气体、焊接速度（TS）、送丝速度（WFS）、送丝速度与焊接速度之比、热积累以及凝固时间。邱（Qiu）等人证明了磁弧振荡（MAO）在改善电弧增材制造（WAAM）制备材料的表面光洁度方面的有效性。李（Li）等人指出，超声纳米晶表面改性处理能够降低表面粗糙度，同时使表面硬度提高约 100%。为了解决材料表面质量较差的相关问题，可以对增材制造的金属零件采用多种表面后处理方法 ，如图17 所示。

图17. 应用于增材制造金属材料的表面后处理分类 Categorisation of the surface post-treatments applied to AM metallic materials

近年来，电弧增材制造（WAAM）工艺对微观结构、缺陷、残余应力、粗糙度以及力学性能的影响已得到广泛研究。电弧增材制造成型合金的微观结构往往呈现出粗大且具有织构的柱状晶体，这种微观结构特征可能会导致材料在力学性能方面表现出各向异性。此外，弧焊过程中产生的过热会导致较高的残余应力或变形。众所周知，残余拉应力会对材料的力学性能以及抗疲劳裂纹扩展能力产生不利影响，因为它们会促使裂纹的萌生和扩展。而且，必须认识到，由于其较高的表面粗糙度，电弧增材制造并非一种净成型的增材制造工艺，通常需要进行后处理。

这里的主要关注点是阐明这些材料的工艺 - 结构 - 性能特征。疲劳损伤是工程构件在服役过程中最常见且最主要的失效形式之一。确保疲劳断裂性能的可靠性需要一种可靠的评估和准确的预测方法。如果要将电弧增材制造应用扩展到实际服役中的工程构件，通过实施可靠的评估和准确的预测方法来确定疲劳断裂性能的可靠性是至关重要的。经验证据表明，在静态载荷条件下，电弧增材制造材料的力学性能与传统制造工艺所生产材料的力学性能相当，而提高材料的抗疲劳性能是该领域的一个重要研究方向 。

然而，电弧增材制造工艺使材料经历复杂的热历程，并且复杂多变的热力学和几何边界条件可能会在沉积层之间产生冶金缺陷（气孔、夹杂物和裂纹等）。此外，包括电弧能量、冷却速率、送丝速率等在内的工艺参数设置不当，可能会导致材料内部微观结构的不均匀性，从而产生一系列缺陷，包括组织各向异性、残余应力、表面粗糙度等 。显然，这些特性会影响材料的宏观性能，进而对构件在实际应用中的可靠性产生不利影响。在这些特性中，缺陷尺寸、形态和分布的复杂性是不可避免且难以消除的，它们在决定构件的疲劳性能和服役可靠性方面起着关键作用。人们已经尝试在增材制造材料中建立疲劳强度与缺陷尺寸之间的关联。北川（Kitagawa）和高桥（Takahashi）提出了应力强度因子和临界短裂纹尺寸的概念，在此基础上，埃尔哈达德（El Haddad） 推导出了一个数学模型，可用于描述疲劳强度与短裂纹尺寸之间的关系。村上（Murakami）观察到，缺陷对疲劳性能的影响与短裂纹的影响类似。基于这一观察，贝雷塔（Beretta）等人在埃尔哈达德模型中用小缺陷尺寸替代了短裂纹尺寸，旨在使用改进后的模型来预测较小尺寸范围内增材制造材料和构件的性能。尽管如此，电弧增材制造工艺对疲劳性能的影响是复杂的，缺陷尺寸和位置的变化会导致疲劳寿命的离散性增加，以至于没有通用的理论或模型能够完全描述这些影响。

建立缺陷特征与潜在疲劳寿命之间的定性联系对于确保材料在服役过程中的安全性能至关重要。谢（Xie）等人 采用了一种新颖的方法，将峰值超过阈值法与改进的 NASGRO 模型相结合，来预测受缺陷控制的疲劳材料的疲劳寿命。王（Wang）等人 [参考文献 184] 针对包含等间距夹杂物尺寸线的强度 - 韧性坐标系，建立了一个具有特定物理意义的疲劳开裂准则，以便在考虑不同夹杂物类型时，基于断裂力学揭示抗拉强度、断裂韧性和临界夹杂物尺寸之间的关系。这一概念经过调整后可以加深我们对电弧增材制造材料结构 - 性能关系的理解。通过这样做，它为处理电弧增材制造构件中由各种类型夹杂物引起的疲劳断裂提供了一个可靠的理论框架。

图18 疲劳强度关系以及疲劳机制随抗拉强度变化的示意图- Schematic diagram of fatigue strength relationship and fatigue mechanism with tensile strength change

基于机器学习的工艺 - 结构 - 性能 - 服役表现（PSPP）映射

线弧增材制造（WAAM）的成功取决于两个关键因素：部件性能的提升以及使用寿命的延长。然而，尽管人们对这一领域的兴趣日益浓厚，但线弧增材制造背后的基础科学原理尚未完全确立，许多方面仍依赖经验处理，且方式零散。缺乏一种能够系统解决线弧增材制造技术所涉及的各种挑战和复杂性的统一方法，这使得情况更加复杂，这些挑战和复杂性包括电弧与打印材料之间的介观尺度相互作用，以及部件成型过程的宏观实现、性能控制和服役性能等方面。

如今，人们越来越认识到，预测性机器学习（ML）可以加速线弧增材制造技术的发展，它允许积累数据集，并将物理知识与模型结合使用。此外，它还能利用机器学习模型找到数据中蕴含的工艺 - 结构 - 性能 - 服役表现（PSPP）之间的联系，从而以 PSPP 联系的形式完成工艺 - 结构 - 性能 - 服役表现这一过程。因此，一些研究已开始将机器学习技术融入线弧增材制造中，目的是预测数据集中的各种关系，以便优化制造工艺并提高产品的服役性能。预测性机器学习算法的例子包括神经网络、决策树、多项式回归和支持向量机。如图 19 所示，可以看出，将预测性机器学习研究融入线弧增材制造的趋势仍在上升，其目的是加深对线弧增材制造过程的理解，并优化有关部件质量和控制方面的决策。

图19 所提出的机器学习 - 线弧增材制造（ML-WAAM）框架的模型训练和过程中更新。Finite element modelling and simplified computational approaches for residual stress prediction in AM components: a multiscale simulation modelling approach

工艺 - 结构优化
晶体结构的精确建模在线性增材制造（AM）工艺的优化中起着至关重要的作用。然而，基于机器学习（ML）对线弧增材制造（WAAM）晶粒建模的研究相对较少。李等人 提出了一种人工神经网络（ANN）方法，用于预测定向能量沉积（DED）过程中晶粒的竞争性生长行为。人工神经网络被用于研究晶界倾角与热梯度、晶体取向以及马兰戈尼效应之间的关系。卡茨等人 采用有限体积法（FVM）来推导温度场，并将其与金属元胞自动机相结合，以模拟熔池的内部晶粒结构。随后，通过神经网络将温度梯度和冷却速率与晶粒尺寸和形态联系起来，然后将该神经网络与有限体积法相结合，以便预测定向能量沉积过程中在给定工艺参数下的微观结构特征。这最终促成了一种基于物理知识的机器学习算法的开发，该算法能够快速、准确地预测定向能量沉积过程中的晶粒结构。如图 20 所示。

图 20. 机器学习预测晶粒结构的示意图

图21基于机器学习（ML）的机器人电弧增材制造（WAAM）系统的自动化工艺规划- Automated process planning based on ML for robotic WAAM system

残余应力控制
线弧增材制造（WAAM）中高度局部化的热源会产生显著的温度梯度，导致明显的残余应力，这可能引发热裂纹和变形，进而损害部件完整性。理解 WAAM 工艺（尤其是温度分布）对其更广泛的工业应用至关重要。Le 等人 开发了一种高效的机器学习框架，该框架与数值模拟相结合，用于预测单焊道 WAAM 工艺过程中的热历史。类似地，Xie 等人将物理原理与数据驱动方法相结合，利用物理信息神经网络（PINN）对镍铬合金的三维温度场进行建模。该模型通过偏微分方程近似计算热导率，并将激光功率、扫描速度、时间和坐标作为数据驱动组件，与纯数据驱动模型相比，只需极少数据即可实现高精度预测。此外，Fagersand 等人 利用有限元数据训练和测试了多层感知器模型，重点预测温度演变并评估 WAAM 工艺中热历史的可迁移性。

在 WAAM 过程中，相邻焊道之间的不连续性会导致温度分布不均，并在后续产生显著残余应力。因此，优化连续刀具路径的热机械性能至关重要。Zhou 等人采用数据驱动方法，对任意部件几何形状和连续刀具路径下的残余热应力场进行了预测。该方法为金属增材制造中刀具路径规划的优化提供了一种高效且合理的工具，尤其针对残余应力问题。值得注意的是，该方法无需在在线预测中使用传统有限元模拟，显著提升了预测效率，如图 22所示。

图22 热场历史与残余应力场预测方法示意图

缺陷与粗糙度控制
在工业应用前，线弧增材制造（WAAM）需要进行表面处理。这是由于沉积过程中复杂的质量与热传递动力学，导致焊接质量不均匀，伴随显著的表面波动和质量下降。即使经过机械加工，表面和亚表面的残余缺陷仍可能存在，且通常无法通过目视检测发现。忽视这些缺陷会引发重大问题，进而影响产品性能、使用寿命和安全性。裂纹、气孔、变形和熔合不足等常见问题会直接影响材料的力学性能和服役行为。因此，制造过程中针对缺陷分析的产品检测至关重要。然而，传统检测方法和无损检测技术往往难以帮助质量工程师有效解决这些缺陷问题。

因此，开发智能缺陷检测系统对确保产品质量至关重要。这类系统需能够预测和优化 WAAM 的工艺参数，可通过创新的机器学习建模技术实现 —— 将工艺参数与产品质量及服役性能相关联。例如，He 等人 利用机器学习模型，提出了一种针对 WAAM 产品的智能缺陷分类方法。该方法在实际检测中仅需少量缺陷样本，即可高效检测并识别磁光图像中的缺陷。Cheepu 等人采用机器学习模型分析 WAAM 初始层及后续层的数据缺陷，实现了对后续沉积层缺陷的预测。其预测模型在检测和分类 WAAM 沉积层缺陷时，准确率达到了 99.78% 的优异水平。此外，Surovi 等人 提出了一种基于声传感的几何缺陷检测模型构建方法，通过监测焊道段并根据平均曲率阈值对数据集进行标注，识别 WAAM 过程中焊丝段的缺陷，从而区分合格与不合格的焊道段。该研究的主要创新点在于聚焦几何缺陷，实现了缺陷的精确定位并便于早期干预。

在 WAAM 逐层沉积过程中，每层的质量显著影响最终成品质量。Li 等人 结合表面质量、材料利用率和效率，系统评估了混合 WAAM 工艺中沉积与铣削参数的相互作用。为提升性能，研究人员借助二阶回归模型预测 WAAM 部件的表面粗糙度（SR），力求确定沉积与铣削参数的最优组合。Xia 等人 比较了极限学习机、自适应神经模糊推理系统和支持向量回归三种机器学习算法对表面粗糙度的预测效果，发现表面粗糙度与工具速度、送丝速率之间存在非线性关联，这对传统建模方法构成了挑战。Yaseer 等人 利用随机森林（RF）和人工神经网络（ANN）预测 WAAM 的表面粗糙度，结果表明两种算法均能有效建模层粗糙度，且随机森林在预测精度和计算效率上优于人工神经网络。Kazmi 等人 引入了包括随机森林、人工神经网络和 XGBoost 在内的三种机器学习算法（如图 29 所示），用于预测 WAAM 沉积铝合金焊道的表面粗糙度，其中 XGBoost 和人工神经网络的结果显示出显著的表面粗糙度预测能力。

图 23. 实验与数据采集装置流程图及机器学习在数据集上的应用

工艺 - 结构 - 性能 - 服役表现（PSPP）跨尺度建模
研究表明，金属材料的性能与其加工工艺、化学成分和微观结构特征密切相关。理解工艺条件（如工艺参数、热历史）对力学性能的影响，已成为先进制造和材料科学的核心目标。然而，准确预测这些性能仍是一项重大挑战。

近年来，机器学习技术与材料科学工程的结合为理解和优化制造工艺带来了重要突破。特别是，机器学习在描述工艺、微观结构、力学性能与服役表现之间的复杂关联中发挥了关键作用。这些进展可大致分为三类：工艺 - 性能建模、工艺 - 微观结构 - 性能建模，以及工艺 - 结构 - 性能 - 服役表现（PSPP）建模。这种分类反映了所考虑因素的复杂性和整合度不断提升，对应了研究相关性的深度与广度。

（1）工艺 - 性能建模：该建模主要聚焦于制造参数与线弧增材制造（WAAM）部件最终性能之间的直接关联。此类研究利用回归分析、神经网络等预测模型，将温度、压力、时间等工艺参数映射到强度、延展性、硬度等力学性能。其核心目标是在无需中间微观结构表征的情况下，通过优化工艺条件获得所需性能。Xie 等人 提出了一种数据驱动的监督学习方法，以热图像的红外测量值作为输入，捕捉局部热历史与最终力学性能之间复杂的非线性关系。这种方法在工业应用中具有重要价值，可基于目标性能快速调整工艺参数。

（2）工艺 - 结构 - 性能建模：该建模将分析扩展至包含微观结构特征作为工艺参数与性能之间的中间变量。它研究不同制造条件如何影响材料的微观结构（如晶粒尺寸、相分布、缺陷密度），以及这些微观结构特征如何反作用于材料性能。该领域的机器学习模型通常更为复杂，可能结合图像分析技术表征微观结构，并通过预测模型将这些特征与性能关联。Brooke 等人利用机器学习模型，基于工艺参数预测制造层高度和晶粒尺寸。Fang 等人采用卷积神经网络（CNN）从模拟热历史中提取特征并预测力学性能，以研究定向能量沉积（DED）过程中 Inconel 718 合金的热历史、微观结构与力学性能的相关性。整个过程如图 30 所示。Zhang 等人 针对 WAAM 工艺制备的 Ti-6Al-4V 合金，开发了微观结构与拉伸性能的预测模型。

图24 模拟热过程数据、微观结构及实测力学性能的工艺 - 结构 - 性能（PSP）关系分析The simulated thermal process data, microstructure, and measured mechanical properties are analysed for process-structure-properties (PSP) relationship

图25在电弧增材制造（WAAM）中所采用的基于工艺 - 结构 - 性能 - 加工（PSPP）的建模方法-The PSPP modelling approach employed in WAAM

技术挑战与策略
线弧增材制造（WAAM）具有沉积速率高、材料利用率好、可扩展性强等优势，使其特别适合生产中等复杂度的大型部件。此外，由于效率高、成本低且能够制造高质量金属部件，WAAM 已在航空航天、汽车等多个行业得到广泛应用。金属部件送丝增材制造的研究本质上是跨学科的，涉及材料科学、热机械工程和工艺规划的交叉融合。尽管已取得显著进展，但仍有若干领域需要进一步研究和理解，以推动 WAAM 技术的持续发展与优化。基于该领域的大量研究 ，以下关于 WAAM 部件完整性评估的问题对未来研究尤为重要。

PSPP（工艺 - 结构 - 性能 - 服役表现）关联是理解和优化 WAAM 的核心，它描述了工艺参数如何影响材料结构，进而影响材料性能，最终决定部件的服役表现。值得注意的是，冶金学中的 PSPP 关联通常复杂且未必可量化。在 WAAM 中建立合理的 PSPP 关联是一项多维度挑战，涉及热、机械和材料科学原理的复杂相互作用。WAAM 工艺参数的固有波动性、材料行为的不确定性，以及实时监测和数据采集的难度，均加剧了这一挑战。尽管机理模型和机器学习（ML）等先进建模技术是解决这些复杂性的关键，但它们也需要大量数据支持和验证工作。

幸运的是，冶金学、机理模型与机器学习方法的融合，对于 WAAM 部件的设计、工艺规划、生产、表征和性能评估至关重要。从部件设计与工艺规划到过程监测与控制，机器学习可帮助减少缺陷、实现优异的微观结构与性能，并助力产品质量检测，从而加速产品认证。如图 26 所示，机理模型和机器学习均能为理解部件的冶金特性提供量化框架。通过联合应用这些先进方法，WAAM 可实现部件质量的提升，推动各行业高性能组件的制造。

图 26. 机器学习与机理模型在解析增材制造工艺物理冶金特性中的相互作用

线弧增材制造（WAAM）的实时监控与控制
WAAM 是一个涵盖多重物理效应和多尺度的复杂领域，微观尺度的焊丝 - 电弧相互作用、介观尺度的熔池动态与柱状晶演化，以及宏观尺度的热机械耦合在此交织。该过程在广阔的空间和时间维度上运行 ——WAAM 结构的体积可达米级，而金属晶粒尺寸仅为微米级；打印大型 WAAM 结构或部件需耗时数小时，而原材料的加热和冷却却在数秒内完成。这些广泛的空间和时间尺度给 WAAM 过程的监测和控制带来了重大挑战。

实时监控与控制对确保高质量、一致性生产至关重要，但其实施通常面临诸多挑战，主要包括应对恶劣的操作环境、复杂的热循环、材料与工艺的变异性、高数据采集与处理需求、缺陷检测难度、控制系统复杂性以及传感器可靠性问题。如图 27 所示，机器学习（ML）预测可实现前瞻性过程控制，确保增材制造（AM）过程符合必要规范以满足性能标准 [参考文献 218]。

图27机器学习在增材制造实时 / 近实时诊断 - 预测闭环控制中的应用示例 Example of ML application in real-time and near-real-time diagnostic-prognostic closed loop control for AM

线弧增材制造（WAAM）是一种用于制造实体自由成形部件的重要技术，以其高沉积速率和几乎不受限的构建尺寸著称。这些特性显著提升了中大型关键部件的生产速度。然而，由于热机械过程中固有的复杂非线性关系，WAAM 部件的使用寿命预测仍具挑战性。传统上，物理建模聚焦于疲劳关键要素（如微观结构、内部缺陷、残余应力和表面粗糙度），并将这些要素整合到完整的 PSPP（工艺 - 结构 - 性能 - 服役表现）模型中，以捕捉全范围的相互作用。另一方面，机器学习（ML）提供了强有力的替代方案，为精确预测和结果优化提供了稳健框架。借助历史数据、实时输入数据和先进算法，ML 模型擅长刻画影响 WAAM 产品服役性能的物理因素，从而建立细致的跨尺度 PSPP 关联。

本研究首先全面回顾了当前 WAAM 技术，包括标准与混合 WAAM 工艺，以及检测与控制方法。实时监控对于解析物理机制、管理工艺过程和验证 ML 模型至关重要。为实现多维多尺度关联成像，需在结构上部署大量传感器以实时监测设备运行。WAAM 部件的离线检测则为微观结构、缺陷、残余应力和表面粗糙度分析提供了依据。研究进一步探讨了这些关键因素（微观结构、内部缺陷、残余应力、表面粗糙度）如何影响服役性能，通过物理建模建立了这些变量与性能结果之间的关联关系。最终，通过将这些认知与 ML 相结合，可挖掘非线性 PSPP 关联，从而改善 WAAM 生产质量控制并预测服役性能。

PSPP 关联的构建显著提升了 WAAM 部件的评估能力。然而，在 PSPP 框架内实现跨时空尺度建模、原位监测和标准化数据建模仍面临挑战。尽管存在这些挑战，在 WAAM 中应用 PSPP 有望大幅降低时间和人力成本，同时提升材料性能与服役表现。展望未来，WAAM 制造的部件有望在航空航天、汽车、重型机械等行业发挥关键作用。

文章来源：State-of-art review on the process-structure-properties-performance linkage in wire arc additive manufacturing，Article: e2390495

| Received 31 May 2024, Accepted 31 Jul 2024, Published online: 05 Sep 2024：https://doi.org/10.1080/17452759.2024.2390495

长三角G60激光联盟陈长军转载

热忱欢迎参加我们在2025年5-27-29日举办的两机展和激光在两机（飞机发动机和燃气轮机）及低空经济中的应用大会

来源：江苏激光联盟