制造业是国家生产力的体现,是国民经济的砥柱中流。再制造产业是解决资源浪费、推进绿色制造的新兴动力,其中激光熔覆再制造已经有了长足的发展。目前对重大装备的关键易损件实施激光再制造已经成为绿色制造研究领域中的热点之一,激光熔覆对具有复杂曲面特征的大型零部件的损伤修复和表面强化发挥着不可或缺的作用。对零部件表面进行高精度激光熔覆再制造是亟需解决的难题,所以对激光熔覆产生的熔覆层形貌预测研究就格外重要。激光熔覆形貌研究中工艺参数与形貌特征之间是复杂的非线性关系,对工艺参数进行实时优化则能更加精确地控制输入参数,进而得到期望的熔覆层;熔覆过程的闭环控制系统则能提高熔覆质量和效率,捕获熔池的清晰图像有助于对实现激光熔覆过程进行实时反馈控制。本文利用机器学习的优良算法实现对不同姿态下生成的熔覆层进行形貌预测研究,并提出了熔覆过程中熔覆层高度实时监测模型。主要研究内容如下:(1)标准姿态下的单道熔覆层形貌预测。基于遗传算法优化的BP神经网络,使用铁基18Ni300粉末进行单道激光熔覆实验获取形貌特征数据,将工艺参数作为神经网络输入,熔层覆形貌高度、宽度作为输出,建立截面形貌预测模型,并对仿真模型精准度进行验证。(2)柔性姿态下激光熔覆形貌预测研究。针对复杂曲面上无法实现激光头与基板保持垂直状态问题,将柔性姿态进行归类并分别建立理论模型,提出柔性姿态下熔覆层峰值点偏移量(35)的概念;通过具体实验验证理论模型的准确性,并首次通过多元线性回归分析方法预测柔性姿态下熔覆形貌。(3)熔覆过程中熔覆层形貌高度的实时监测模型。提出熔覆过程将熔池几何形貌作为反馈信号的闭环控制系统,设计三目摄像机结构解决了捕获熔池图像的路径依赖问题;利用模糊C均值聚类的图像阈值,将模糊性的度量降到最低;使用透视变换将熔池图像边界由图像平面转到工作平面,提取投影图像的特征作为输入变量,利用递归神经网络对熔覆层形貌高度进行预测。该论文有图76幅,表15个,参考文献80篇。