选择常规低碳高铬铁基熔覆粉末为原始材料,利用激光熔覆技术制备了不同Mo加入量的铁基熔覆层,分析了金属Mo对熔覆层组织和服役行为的影响。结果表明随着Mo元素的加入,马氏体不锈钢熔覆层逐渐出现残余奥氏体和M23(C,B)6相。同时,熔覆层发生胞状晶-柱状晶-等轴晶的组织转变。此外,随着Mo含量的增加,马氏体不锈钢熔覆层的自腐蚀电位、自腐蚀电流和阻抗均呈现先升高后降低的变化,熔覆层的耐蚀性呈现先增加后降低的改变;同时,熔覆层硬度逐渐降低,且腐蚀介质下熔覆层的润滑与耐磨性均出现了不同程度的恶化。提高马氏体不锈钢熔覆层的Mo含量虽造成熔覆层耐磨性稍有降低,但明显改善了材料的耐蚀性,可以满足苛刻的煤矿液压支架防护要求。

液压支架是煤矿开采作业中常用的设备。井下作业面的工况条件恶劣,液压支架易发多种故障,影响到井下安全生产。结合液压支架在使用中易发生的故障进行分析,并且结合无损检测技术的应用,提出了维修措施,以利于节省维修时间,降低维修成本,提升维修效果。

激光熔覆再制造是实现绿色开采的重要环节。实现激光熔覆材料组分对熔覆层性能影响的预测可以减少材料设计过程中的试错成本,提高研发效率。针对矿用液压油缸激光熔覆材料,通过灰色关联度分析法,筛选出Fe基激光熔覆材料中对熔覆层性能影响较大的组分,建立3层反向传递(back propagation,BP)神经网络模型进行训练和预测;利用遗传优化算法对BP神经网络初始权值和阈值进行优化,并将优化后的遗传算法-反向传递(genetic algorithms-backpropagation,GA-BP)神经网络模型与BP神经网络模型的预测结果进行对比。结果表明:遗传优化算法可以大幅度提高BP神经网络模型的预测精度,在少量训练样本条件下,模型输出的预测值与实际值接近,预测误差从5.60%~710.37%降低至2.04%~18.43%,证明了GA-BP神经网络用于液压油缸激光熔覆层性能预测的可行性。

针对液压油缸内壁镀铜层存在结合力及耐蚀性不足的问题,内壁电弧熔铜技术逐渐应用于油缸再制造。选择铝、镍青铜焊丝为原料,选择调质27SiMn钢为基体,通过电弧熔覆技术在液压油缸内壁制备了内壁熔铜层。结果表明,合金元素对铝青铜耐蚀性有明显改善。此外,在干摩擦及乳化液工况下,有一定合金元素的内壁铜层同样表现出优异的抗摩擦磨损性能,可为液压油缸内壁熔铜的性能提升提供技术支持。