2.1.1 特征谱线分析

图3表示激光冲击强化过程(#5下的一次冲击)的特征发射谱线。 从光谱图结合NIST原子发射光谱数据库可知^[12], 激光冲击强化过程中的发射光谱主要是以N、 H、 O的发射谱线为主, 如表5所示。 由于激光冲击强化过程的约束层也就是去离子水的厚度很薄, 只有1~4 mm, 同时激光功率密度极高, 这就导致空气和水同时发生了击穿, 出现了N、 H、 O的特征发射谱线。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 激光冲击强化特征发射谱线Fig.3 Spectral lines of LSP characteristic emissions

表5

Table 5

表5(Table 5)

表5 激光冲击强化特征谱线 Table 5 LSP characteristic emission spectra 谱线 波长/nm N Ⅱ 399.5, 444.7, 463.0, 480.329, 500.515, 567.9, 594.165 N Ⅰ 818.20, 746.83, 818.80, 822.31 O Ⅰ 715.67, 795.08, 844.6 H Ⅰ 656.27

表5 激光冲击强化特征谱线 Table 5 LSP characteristic emission spectra

基线校正能够有效减少外部环境影响及提高信号精度, 为后续分析工作提供良好的基础。 图4是经过非对称最小二乘法平滑基线校正后的光谱, 不对称因子为0.001, 阈值为0.001, 平滑因子为3, 迭代次数为9。 经过校正后连续背景光谱被有效去除, 有效谱峰突出, 基线校正结果良好, 可被用于后续分析。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 基线校正后LSP特征发射光谱Fig.4 LSP characteristic emission spectra after baseline correction

激光冲击强化光谱与常规的空气中LIBS实验的区别是添加了约束层和吸收层。 本研究采用的约束层是去离子水, 吸收层是黑胶带。 图5为有无约束层或者吸收层下的等离子体光谱变化情况。 图5(a)表示无约束层、 无吸收层的谱线, 也就是γ -TiAl的光谱, 结合表1, 谱线主要以Ti、 Al为主, 包含了Ti Ⅰ (319.029、 334.94和350.500 nm)、 Ti Ⅱ (316.158、 337.324、 454.96和457.2 nm)、 Al Ⅰ (309.271和396.152 nm)、 Cr Ⅰ (375.948 nm)。 图5(b)表示无约束层、 有吸收层的谱线, 也就是黑胶带的光谱, 包含了LSP中的光谱线, C Ⅰ (247.856、 422.832、 493.203和589.2 nm)和C Ⅱ (251.207、 280.121、 315.713、 358.498和396.892 nm)。 图5(c)是有约束层、 无吸收层的光谱, 也就是无涂层激光冲击强化的特征谱线, 其谱线与LSP谱线相接近。 图5(d)是有约束层、 有吸收层的光谱, 也就是LSP过程中的谱线。 比较图5(a)和图5(c), 发现大部分金属的发射谱线在水的影响下减弱。 这是因为水吸收了部分激光能量, 导致激光激发的等离子体中金属物质很少, 使得金属元素的发射光谱线几乎不可见。 对比图5(b)和图5(d), 黑胶带的特征发射谱线同样受到了水的影响, 水吸收了部分激光能量, 限制了等离子体的形成, 因此几乎没有观测到黑胶带的发射谱线。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 四种不同情况下的特征发射谱线图(a): 无约束层、 无吸收层; (b): 无约束层、 有吸收层; (c): 有约束层、 无吸收层; (d): 有约束层、 有吸收层Fig.5 Spectral lines of characteristic emission for four different cases(a): Unconstrained layer, no absorption layer; (b): Unconstrained layer, absorption layes; (c): Constrained layer, no absorption layer; (d): Constrained layer, absorption layer

2.1.2 等离子体表观温度

采用Boltzmann双线法进行等离子体表观温度的估算。 当等离子体处于LTE状态(2.1.3节验证), 等离子体满足光学簿条件, 此时不同能级的粒子数分布可以通过Boltzmann方程进行描述。 同时不同能级上的粒子分布状态服从Boltzmann分布, 等离子体的辐射强度可通过式(1)获得^[13]

Iλki=nskAki=AkigkUs(T)nse-EkkBT(1)

式(1)中, I_ki表示光谱信号强度; A_ki表示特征谱线波长从上能级k跃迁到下能级h的几率; g_k为上能级统计权重; U_s(T)表示分立能级权重Boltzmann函数之和, 即配分函数; n_s是总布局密度, E_k是上能级能量, k_B是Boltzmann常数, T表示等离子体温度。

若两条谱线属于同一电离级次, 那么它们对应的配分函数相同, 且基态的粒子数密度相同, 此时, 结合两条发射光波长λ _ki, λ _nm及它们对应的发射光谱信号强度, 即可得到等离子体表观温度计算式(2)

T=Ek-EnkBlnIλnmgkAkiIλkignAnm(2)

图6表示本研究用于计算五种情况下等离子体宏观温度所采用的两条谱线N Ⅱ 500.515 nm、 N Ⅱ 399.5 nm。 由于二者能级差较小, 计算出的温度值的绝对值可能不够准确, 但通过温度的相对变化能够反映不同参数条件下等离子体的变化趋势。 随着激光功率密度的增加, 整体呈现谱线强度增加的趋势, 但是#3的谱线强度要比#4的谱线强度会稍微大一些, 这说明了激光冲击强化过程中光谱线强度与加工参数之间具有一定的相关性。 表6罗列了用于Boltzmann计算的两条谱线N Ⅱ 500.515 nm、 N Ⅱ 399.5 nm的相关参数。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 五种情况下N Ⅱ 500.515 nm和N Ⅱ 399.5 nm谱线图Fig.6 Spectra of N Ⅱ 500.515 nm and N Ⅱ 399.5 nm for the five cases

表6

Table 6

表6(Table 6)

表6 N Ⅱ 500.515 nm、 N Ⅱ 399.5 nm的相关谱线参数 Table 6 Spectral line parameters for N Ⅱ 500.515 nm and N Ⅱ 399.5 nm λ mn/nm Ek/eV gk Aki/(108 s-1) N Ⅱ 500.515 23.145 9 1.14 N Ⅱ 399.500 21.602 5 1.22

表6 N Ⅱ 500.515 nm、 N Ⅱ 399.5 nm的相关谱线参数 Table 6 Spectral line parameters for N Ⅱ 500.515 nm and N Ⅱ 399.5 nm

图7表示五种激光功率密度下进行激光冲击强化时的表观温度。 随着激光功率密度的增加, 等离子体宏观温度整体呈现上升的趋势。 #1下等离子体宏观温度在16 457.9 K, #5下达到了20 998.4 K。 同时, #3到#4等离子体温度涨幅最快, #2到#3之间涨幅最小。 这也直接验证吸收层的重要性, 可以保护靶材免被烧蚀。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 等离子体表观温度分布图Fig.7 Apparent temperature distribution of plasma

2.1.3 等离子体电子数密度

等离子体电子数密度是等离子体的另一重要特性, 有助于分析等离子体的稳定性及判定是否处于局部热力学平衡状态。 由于LSP过程中Hα 656.27 nm具有极高的强度, 因此采用Hα 用于计算等离子体电子数密度。 本文通过分析Vogit拟合后的Hα 线的Stark展宽来计算电子数密度。 相关的计算公式为式(3)

Ne=C(Ne, T)(Δλ12)32(3)

式(3)中, C(N_e, T)为谱线加宽系数, 取3.88× 10¹⁵, 表示电子数在10¹⁷、 温度在20 000 K下的取值^[14], Δ λ_1/2是半波峰宽FWMH。

图8为五种情况下Hα 656.27 nm的分布情况。 可以看到#1下Hα 的强度最低, 仅有1 196.82, 而随着激光功率密度的增加, 整体Hα 强度是呈上升趋势, 但#3和#4二者相近, 且#3的Hα 强度要稍微大一些。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 五种情况下的Hα 线Fig.8 Hα line intensities at 656.27 nm for the five cases

图9为五种情况下Hα 656.27 nm经过Vogit拟合后的线型。 每一组的Vogit拟合效果都很好, R²均在0.98以上。 采用拟合后的曲线的半波峰宽FWMH来计算电子数密度, 结果如图10所示。 随着激光功率密度的增加, 电子数密度总体呈现增加的趋势, #1下Ne为2.287× 10¹⁶ cm^-3, 最低, #5下电子数密度最大, 达到3.612× 10¹⁶ cm^-3。 #2和#3下Ne波动比较大, 这是LSP过程中等离子体的时空不稳定性所造成的。

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 经过Vogit拟合后的五种情况下的Hα 线Fig.9 Hα lines for the five cases after Vogit fitting

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 等离子体电子数密度分布图Fig.10 Plasma electron density distribution of the five cases

接下来对局部热力学平衡LTE状态采用Mc-Whirter准则判断^[15], 如式(4)

Ne≥1.6×1012T12ΔE)3(4)

式(4)中, N_e是电子数密度(cm^-3), T是温度(K), Δ E是所选谱线是上下最大能级差(eV), 为1.89eV。 表7列出了每种情况下的表观温度和电子数密度, 经验证五种情况均满足LTE判据。

表7

Table 7

表7(Table 7)

表7 每种情况下的表观温度和电子数密度 Table 7 Apparent temperature and electron density for each case 组号 Temputure/K Ne/(1016 cm-3) #1 16 457.9 2.287 37 #2 18 040.9 2.749 24 #3 18 603 3.177 85 #4 20 998.4 3.353 77 #5 21 826.5 3.612 47

表7 每种情况下的表观温度和电子数密度 Table 7 Apparent temperature and electron density for each case

采用430SVD数显维氏显微计γ -TiAl试样进行表面维氏硬度的测试, 图11(a)为每种情况和基体的硬度对比。 五种经过LSP后的试样, 硬度显著高于基体, 并随激光功率密度增加而递增。 在LSP处理试样中, #1表面硬度最低, 为352.375 HV, 比基体硬度大了34.575 HV。 #5表面硬度最高, 达到了385.5 HV。

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 (a)表面维氏硬度图; (b)表面维氏硬度与谱线比的拟合曲线图Fig.11 (a) Surface Vickers hardness of γ -TiAl specimens for different cases; (b) Surface Vickers hardness fitted to the spectral line ratio

等离子体发射光谱作为等离子体的特性之一, 可以直接反映激光冲击强化过程中参数的变化, 能够被用于量化表面完整性相关参数, 因此可采用等离子体光谱对LSP过程进行在线监测。 本研究采用Hα 线与N Ⅱ 500.515 nm线之比为横坐标, 考虑这两条谱线的原因是这两条谱线在LSP过程中其光谱强度较高, 同时采用谱线之比可以避免使用绝对强度, 减少环境波动影响。 图11(b)为经过二次方程拟合后表面硬度与谱线比的关系。 建立的表面硬度与等离子体光谱线强度比(I_Hα /I_{N Ⅱ 500.515 nm})信号之间的经验式(5)为

y1=9.6015x2-17.4498x+361.2502(5)

式(5)中, y₁为表面维氏硬度值, x为Hα 线与N Ⅱ 500.515 nm 线强度之比。

表面残余应力作为激光冲击强化重要的评价指标, 直接影响材料的抗疲劳性能和抗磨损性能^[16]。 本研究采用PROTO LXRD MG2000残余应力测试分析系统对γ -TiAl试样进行表面残余应力的测试。 在激光冲击波的高压作用下, 材料表层发生塑性变形。 塑性变形后材料会产生残余压应力。 图12(a)为强化后表面残余应力分布图。 可以发现残余应力提升最低的#1也是基体的4.35倍。 提升最大是#5, 相比基体引入了382 MPa的残余压应力。

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 (a) 每种情况下的残余应力分布图; (b) 表面残余应力与谱线比的拟合曲线图Fig.12 (a) Residual stress distribution for each case; (b) Plot of fitted surface residual stress versus spectral ratio

和表面硬度一样, 等离子体光谱也可以用于表征表面残余应力。 图12(b)为经过二次方程拟合后表面残余应力与谱线比的关系。 建立的表面残余应力与等离子体光谱线强度比(I_Hα /I_{N Ⅱ 500.515 nm})信号之间的经验式(6)为

y2=-39.8587x2+54.5807x-292.1486(6)

式(6)中, y₁为表面残余应力值, x为Hα 线与N Ⅱ 500.515 nm线强度之比。

卷积神经网络是一种在计算机视觉、 图像处理、 光谱领域广泛应用的深度学习模型^[17]。 其基本结构包括卷积层、 池化层、 激活函数、 全连接层。 Transformer模型由Vaswani等于2017年提出, 旨在改进自然语言处理中序列建模的效率和性能^{[18, 19, 20]}。 Transformer通过自注意力机制能够在不依赖序列顺序的情况下建立远程依赖关系, 从而在并行性和计算效率方面显著优于传统模型。 模型主要由编码器和解码器两部分组成, 每个编码器和解码器层由自注意力机制、 多头注意力、 前馈神经网络、 残差连接及层归一化组成。

先通过CNN进行光谱局部特征提取, 然后输入到Transformer模型, 充分利用CNN的局部特征提取和Transformer对全局信息处理的优势。 图13为网络的整体模型。 经过CNN和Transformer层后, 网络运用了两层全连接层, 在最后输出分类的结果。 表8为基于CNN-Transformer模型的网络参数。 表9表示网络的其余超参数部分。 并比较了batchsize为16, 32, 64, 128下模型的性能, 当batchsize为32时准确率、 召回率、 精确率、 F1均为最高值。

图13

Fig.13

	Figure Option ViewDownloadNew Window
	图13 基于CNN-Transformer的LSP在线监测模型Fig.13 CNN-Transformer-based model for online monitoring of LSP

表8

Table 8

表8(Table 8)

表8 CNN-Transformer模型参数表 Table 8 Parameter list of CNN-Transformer model 网络结构 参数 输入 (1, 2 048) CNN 卷积核大小: 3, 步长: 1, 扩充: 1, 残差连接:卷积核大小: 1, 步长: 1 LeakyReLU: a=0.01 卷积通道数: 32, 32, 64, 64 Transformer dmodel =64, head: 8, feedforward: 2 048 全连接层 Linear1: (8 192, 128), dropout: 0.5, Linear2: (128, 5)

表8 CNN-Transformer模型参数表 Table 8 Parameter list of CNN-Transformer model

表9

Table 9

表9(Table 9)

表9 网络中的超参数 Table 9 Hyperparameters in the network 超参数 值 准确率 召回率 精确率 F1 Batch size 16 0.990 0 0.990 0 0.990 1 0.990 0 32 0.993 0 0.993 0 0.993 2 0.993 0 64 0.991 0 0.991 0 0.991 0 0.991 0 128 0.990 0 0.990 0 0.990 2 0.990 0 损失函数 交叉熵损失 学习率 1× 10-5 学习率衰减 1× 10-6 优化器 Adam 训练回合 1 000

表9 网络中的超参数 Table 9 Hyperparameters in the network

在模型训练之前, 对每类光谱数据进行了线性数据增强。 首先通过实验获取每类光谱数据约400组样本, 然后使用总和为1的随机比例系数, 将5条同类别的光谱线性叠加。 通过这种方式, 每类光谱数据扩充至2 000条, 从而增强了训练数据的多样性和模型的泛化能力。 然后将5类带标签的光谱数据按照比例划分为: 70%训练集、 20%验证集、 10%测试集。 模型运行平台为Windows 11, Nvidia GeForce RTX 4060, CUDA 12.1, torch 2.2.1。 采用准确率、 召回率、 精确率、 F1分数来评价模型性能。 相关的表达式为

Accuracy=TP+TNTP+TN+FP+FN

Recall=TPTP+FN(7)

Precision=TPTP+FP

F1=2×Precision×RecallPrecision+Recall

式(7)中, TP表示真正例, 预测为正类且实际为正类; TN表示真负例, 预测为负类且实际为负类; FP表示假正例, 预测为正类但实际为负类; FN表示假负例, 预测为负类但实际为正类。

图14(a)为训练过程中的准确率和损失随回合增加的变化趋势。 在200回合时验证集的准确率已经达到了99%, 表明模型很快进行收敛。 同时整体曲线相对平滑, 说明模型在这段时间内收敛良好, 且没有明显的过拟合迹象。 验证损失在后期有一定波动, 可能是由于模型在某些批次上验证性能有所波动, 但整体波动幅度较小。 图14(b)为测试集的混淆矩阵。 模型对#3和#4的分类准确率达到了100%。 1#和#2出现了个别样本之间的相互混淆。 #5有3个样本误判到#4中。 模型在测试集上的准确率到达了99.3%, 模型在测试集中的表现非常好, 绝大多数测试样本被正确分类。 模型的召回率为99.3%, 意味着模型能够非常准确地识别真实正类样本, 几乎没有漏检。 模型的精确率为99.32%, 当模型预测某个样本为某一类别时, 几乎所有这些预测都是正确的。 F1分数99.3%, 表示模型在精确率和召回率之间找到了良好的平衡, 既能减少假阳性, 又能避免漏检。

图14

Fig.14

	Figure Option ViewDownloadNew Window
	图14 (a)训练集和验证集的准确率和损失图; (b)测试集的混淆矩阵图Fig.14 (a) Accuracy and loss curves for training and validation sets; (b) Confusion matrix for the test set