一种激光立体成形过程检测方法及系统和应用技术方案

本发明专利技术属于增材制造过程检测领域，具体涉及激光立体成形过程检测系统及方法，其主要包括CCD熔池检测、高温计温度检测、结构光三维形貌检测、数据融合评价模型、数据管理系统等。所述CCD熔池检测是对熔池形态、羽流和飞溅进行数据采集；所述高温计温度检测是对熔池中心点平均温度进行采集；所述结构光三维形貌检测是对成形过程中零件或当前层或熔池区域及其附近的三维形貌进行数据采集；所述数据融合评价模型是对前述数据进行融合分析和相互比较评价，获得融合特征数据；所述数据管理系统是对所有过程数据包括检测数据、成形过程速度数据、材料数据以及运动坐标数据等进行采集并按关系模型进行存储管理并根据实时状态推送优选工艺参数。

【技术实现步骤摘要】
一种激光立体成形过程检测方法及系统和应用
本专利技术涉及智能制造领域，具体涉及一种激光立体成形过程检测方法及系统和应用。
技术介绍
激光立体成形技术是增材制造技术中的一种，也是目前唯一的增材制造技术中其直接制造的力学性能能够相当于金属材料的铸件或者锻件水平的工艺，其本质是将快速成形的原理与同步送粉激光熔覆技术相结合的激光立体成形技术。因不同的命名规则，其也被简称为LMD工艺、LMDF工艺、LENS工艺或者LSF工艺。当前，基于该工艺的增材制造技术主要用途是解决复杂结构零件的制造、提高产品的极致性能，解决一些高性能、大尺寸或者高难度零件的设计加工等问题。该工艺实现过程中的稳定性和过程控制是制约最终产品性能和批量应用的关键所在。近年来，国内外众多科研机构和高校都致力于建立增材过程的检测系统及其控制方法来实现增材过程的控形控性。目前采用的主要检测手段有：CCD图像检测、红外热成像技术、原位X射线技术等技术。在2018年以来，针对增材制造过程的质量检测与控制技术成为全球的研究热点，这也促进了增材制造过程的质量控制的发展。但是在这些控制方法中，普遍存在一个致命的问题，检测过程大多是在成形完成后，也不是打印过程实时检测，而是层间检测或者完成后检测；原位X射线技术可用于在线检测，但使用成本和现场要求均很高，不适应于工业生产现场。这就导致了很难根本性的提高增材制造现场的质量水平，以及实现工业领域的大规模实际应用。
技术实现思路
本专利技术目的在于提供一种激光立体成形过程检测系统及方法和天线，本专利技术引入了一种激光立体成过程检测系统及方法，在激光成形过程中引入了激光环境下的热态结构光检测三维形貌、熔池形貌与温度融合的智能检测系统及方法，能够实现在线实时的对激光成形过程沉积状态和质量状态进行及时分析和反馈，并对下一步的动作给出一定的指导意见。本专利技术的具体技术方案为：一种激光立体成形过程检测方法，其特征在于，包括以下步骤：步骤1：通过设备运行状态检测装置获得各设备运行状态的工艺参数数据、通过结构光三维形貌检测装置获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，通过CCD熔池检测装置获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据，通过高温计温度检测装置获得激光立体成形过程的熔池中心点平均温度的温度数据；步骤2:利用数据融合评价模型对热构件表面形貌数据、熔池数据、温度数据进行深度学习网络训练；深度学习网络训练包括步骤21、步骤22、步骤23；步骤21：利用精度标签、缺陷标签、力学性能标签将热构件表面形貌数据、熔池数据、温度数据进行标签化处理获得标签化的样本数据；并对标记有缺陷的样本数据结合相互比较评价剔除明显的错误数据和误差较大的样本数据；步骤22：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；步骤23：利用特征融合层对步骤22获取的精度和质量特征进行融合处理，再通过平均池化层、全连接层、回归层的深度学习网络训练决策处理；步骤3：利用数据管理系统按照采样时间点和控制时序无差别的将热构件表面形貌数据、熔池数据、温度数据与工艺参数数据、精度和质量特征进行映射存储在结构化数据中；且该结构化数据通过融合处理后深度学习网络训练决策处理获得的精度和质量特征数据与零件过程质量特征建立的关系模型。所述精度和质量特征包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。所述结构光三维形貌检测装置为在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测装置包括单或双数字光栅投影设备、带特定波长的线滤光片和衰减片的高速摄影成像系统、背景图像衰减和条纹增强和修复系统。所述单或双数字光栅投影设备的光源的波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。单或双数字光栅投影设备的光源为紫外线光源或中长红外光源，并避开963nm左右波长的光源。针对钛合金成形时，单或双数字光栅投影设备的光源波长选择为830nm±10nm或300nm±10nm；针对铁基高强度钢材料时，其单或双数字光栅投影设备的光源波长为300nm±10nm或中长红外光源，且高速摄影成像系统的线滤光片和衰减片的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于或等于10-5。铁基高强度钢材料为30CrNi2MoVE或30CrMnSiNi2A。实现一种激光立体成形过程检测方法的系统，包括成形过程多源异构信息实时监控装置、数据融合评价模型、数据管理系统，所述成形过程多源异构信息实时监控装置包括：设备运行状态检测装置、结构光三维形貌检测装置、CCD熔池检测装置、高温计温度检测装置；设备运行状态监控装置：用于获得各设备运行状态的工艺参数数据；所述的结构光三维形貌检测装置:用于获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，结构光三维形貌检测装置包括单或双数字光栅投影设备、带特定波长的线滤光片和衰减片的高速摄影成像系统、背景图像衰减和条纹增强和修复系统；所述的CCD熔池检测装置:用于获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据；所述的高温计温度检测:用于获得激光立体成形过程的熔池中心点平均温度的温度数据；数据融合评价模型：用于对热构件表面形貌数据、熔池数据、温度数据的数据进行相互比较评价剔除明显的错误数据和误差较大的数据、再进行融合分析；数据管理系统：用于对过程数据进行存储管理，过程数据包括检测获得的热构件表面形貌数据、熔池数据、温度数据，过程数据还包括含有成形过程的速度数据、材料数据以及运动坐标数据的工艺参数数据，过程数据还包括融合评价模型的所有数据；用于将热构件表面形貌数据、熔池数据、温度数据、数据融合评价模型的所有数据按照采样时间点和控制时序无差别的与工艺参数数据进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的精度和质量特征与零件过程质量特征建立关系模型。所述数据融合评价模型包括：标签化处理模块：用于将热构件表面形貌数据、熔池数据、温度数据进行标签化处理，使得热构件表面形貌数据、熔池数据、温度数据具有精度标签、缺陷标签、力学性能标签；筛选模块：将具有缺陷标签的热构件表面形貌数据、熔池数据、温度数据进行结合相互比较评价剔除明显的错误数据和误差较大的数据；特征提取模块：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；特征融合模块：利用特征融合层将提取到的不同精度和质量特征进行融合；决策层模块：利用平均池化层、全连接层、回归层对融合后的精度和质量特征进行深度学习网络本文档来自技高网...

【技术保护点】
1.一种激光立体成形过程检测方法，其特征在于，包括以下步骤：/n步骤1：通过设备运行状态检测装置获得各设备运行状态的工艺参数数据、通过结构光三维形貌检测装置(3)获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，通过CCD熔池检测装置(1)获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据，通过高温计温度检测装置(2)获得激光立体成形过程的熔池中心点平均温度的温度数据；/n步骤2:利用数据融合评价模型(4)对热构件表面形貌数据、熔池数据、温度数据进行深度学习网络训练；深度学习网络训练包括步骤21、步骤22、步骤23；/n步骤21：利用精度标签、缺陷标签、力学性能标签将热构件表面形貌数据、熔池数据、温度数据等进行标签化处理获得标签化的样本数据；并对标记有缺陷的样本数据结合相互比较评价剔除明显的错误数据和误差较大的样本数据；/n步骤22：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；/n步骤23：利用特征融合层对步骤22获取的精度和质量特征进行融合处理，再通过深度学习网络训练决策处理；/n步骤3：利用数据管理系统(5)按照采样时间点和控制时序无差别的将热构件表面形貌数据、熔池数据、温度数据与工艺参数数据、精度和质量特征进行映射存储在结构化数据中；且该结构化数据通过融合处理后深度学习网络训练决策处理获得的精度和质量特征数据与零件过程质量特征建立的关系模型。/n...

【技术特征摘要】
1.一种激光立体成形过程检测方法，其特征在于，包括以下步骤：
步骤1：通过设备运行状态检测装置获得各设备运行状态的工艺参数数据、通过结构光三维形貌检测装置(3)获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，通过CCD熔池检测装置(1)获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据，通过高温计温度检测装置(2)获得激光立体成形过程的熔池中心点平均温度的温度数据；
步骤2:利用数据融合评价模型(4)对热构件表面形貌数据、熔池数据、温度数据进行深度学习网络训练；深度学习网络训练包括步骤21、步骤22、步骤23；
步骤21：利用精度标签、缺陷标签、力学性能标签将热构件表面形貌数据、熔池数据、温度数据等进行标签化处理获得标签化的样本数据；并对标记有缺陷的样本数据结合相互比较评价剔除明显的错误数据和误差较大的样本数据；
步骤22：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；
步骤23：利用特征融合层对步骤22获取的精度和质量特征进行融合处理，再通过深度学习网络训练决策处理；
步骤3：利用数据管理系统(5)按照采样时间点和控制时序无差别的将热构件表面形貌数据、熔池数据、温度数据与工艺参数数据、精度和质量特征进行映射存储在结构化数据中；且该结构化数据通过融合处理后深度学习网络训练决策处理获得的精度和质量特征数据与零件过程质量特征建立的关系模型。


2.根据权利要求1所述的一种激光立体成形过程检测方法，其特征在于，
所述精度和质量特征包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。


3.根据权利要求1所述的一种激光立体成形过程检测方法，其特征在于，
所述结构光三维形貌检测装置(3)为在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测装置(3)包括单或双数字光栅投影设备(301)、带特定波长的线滤光片和衰减片(304)的高速摄影成像系统(302)、背景图像衰减和条纹增强和修复系统。


4.根据权利要求3所述的一种激光立体成形过程检测方法，其特征在于，所述单或多数字光栅投影设备(301)的光源(303)的波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。


5.根据权利要求4所述的一种激光立体成形过程检测方法，其特征在于，
单或双数字光栅投影设备(301)的光源(303)为紫外线光源或中长红外光源，并避开963nm左右波长的光源。


6.根据权利要求4所述的一种激光立体成形过程检测方法，其特征在于，
针对钛合金成形时，单或双数字光栅投影设备(301)的光源(303)波长选择为830nm±10nm或300nm±40nm；
针对铁基高强度钢材料时，其单或双数字光栅投影设备(301)的光源(303)波长为300nm±10nm或中长红外光源，且高速摄影成像系统(302)的线滤光片和衰减片(304...

【专利技术属性】
技术研发人员：王敏，刘广志，张震，陈波，张馨月，郎军，
申请(专利权)人：中国兵器装备集团自动化研究所，
类型：发明
国别省市：四川;51