积层制造方法技术

本发明专利技术提供一种积层制造方法。此方法包含在粉层上进行激光粉床熔融(L

【技术实现步骤摘要】
积层制造方法


[0001]本专利技术是关于一种积层制造(additive manufacturing，AM)方法，特别是关于一种以重熔制程参数的最佳数值进行激光重熔制程(laser re
‑
melting process)的积层制造方法。

技术介绍

[0002]积层制造(additive manufacturing，AM)，即俗称的3D列印，是建立数字化计算机模型文件后，通过加热金属粉末或塑胶材料，使其呈熔融可塑状态，再透过一层层堆叠以制得工件的技术。近年来，积层制程技术已快速地成长，因为积层制造技术具有快速、多样化且可以最少化金属粉末的浪费而降低成本的方式制造具高度复杂结构的功能性组件的能力。激光粉床熔融(laser powder bed fusion，L
‑
PBF)制程即是最常见的积层制造技术之一。
[0003]在激光粉床熔融制程中，具有复杂几何形状的3D组件是以一层接一层的方式来制造，其通过使用控制激光光束以选择性地熔融金属粉床的特定区域。然而，由于激光粉床熔融制程的随机性质，即使是在制造平板上的不同位置使用最佳化的制程条件下，每一层固化层(solidified layer)的顶表面粗糙度仍会有所不同。如此一来，所制作组件的机械性质频繁地随着组件改变而有变化。因此，激光研磨(laser polishing)技术或激光重熔制程(laser re
‑
melting process)是用以减少每一层固化层的表面粗糙度。
[0004]然而，用于每一层的激光重熔制程的参数通常是透过实验试误法(trial
‑
and
‑
error)来决定。有鉴于此，亟须提供一种积层制造方法，以最佳化的重熔制程参数值来进行激光重熔制程。

技术实现思路

[0005]本揭露的一目的是提供一种积层制造方法，通过模拟的方式以获得最佳化的重熔制程参数值，故可有效地进行激光重熔制程，以减少激光粉床熔融制程后的粉层的表面粗糙度。
[0006]根据上述的目的，本揭露的一态样提供一种积层制造方法。在积层制造方法中，首先，提供粉床，其中粉床包括基材及设置在基材上的粉层。接着，在粉层上使用一组熔融参数数据进行激光粉床熔融(laser powder bed fusion，L
‑
PBF)制程。此组熔融参数数据包括第一激光功率值、第一扫描速度值及第一扫描间距(hatching space)值。获得关于粉床的一组性质数据。此组性质数据包括粉层的顶表面的材料性质及光学性质。然后，获得激光粉床熔融制程后的粉层的顶表面的第一表面粗糙度值，且第一表面轮廓是自第一表面粗糙度值基于高斯概率假设(Gaussian probability assumption)所产生。随后，根据双向反射分布函数(bidirectional distribution reflection function，BRDF)，并通过使用第一表面轮廓及此组性质数据，以获得粉层的吸收度。提供一组重熔制程参数数据，以在粉层上进行重熔制程。此组重熔制程参数数据包括第二激光功率值、第二扫描速度值及第二扫描
间距值。然后，通过使用此组重熔制程参数数据、此组性质数据及粉层的吸收度，来进行热传模拟操作，以模拟重熔制程，借以获得熔池区域中的温度分布及平均熔化时间。通过使用平均熔化时间及此组性质数据，来计算截止频率(cut
‑
off frequency)，借以获得低通滤波器(low pass filter)。接着，通过使用第一表面轮廓及低通滤波器，以获得激光重熔制程后的粉层的顶表面的第二表面轮廓。然后，基于第二表面轮廓，预测激光重熔制程后的粉层的顶表面的第二表面粗糙度值。重复调整此组重熔制程参数数据，以进行热传模拟操作，直至第二表面粗糙度值小于或等于表面粗糙度阈值。然后，以此组重熔制程参数数据在激光粉床熔融制程后的粉层的顶表面上进行激光重熔制程。
[0007]根据本揭露的一实施例，上述第一表面粗糙度值是通过虚拟量测方法获得。
[0008]根据本揭露的一实施例，上述虚拟量测方法是基于类神经网络演算法、倒传递类神经网络(Back Propagation Neural Network；BPNN)演算法、通用回归类神经网络(General Regression Neural Network；GRNN)演算法、径向基底类神经网络(Radial Basis Function Neural Network；RBFNN)演算法、简单回归性网络(Simple Recurrent Network；SRN)、支持向量数据描述(Support Vector Data Description；SVDD)演算法、支持向量机(Support Vector Machine；SVM)演算法、复回归(Multiple Regression；MR)演算法、部分最小平方(Partial Least Squares；PLS)演算法、非线性替代偏最小平方法(Nonlinear Iterative Partial Least Squares；NIPALS)演算法或广义线性模式(Generalized Linear Models；GLMs)。
[0009]根据本揭露的一实施例，上述预测第二表面粗糙度值的步骤包含通过快速傅立叶转换(fast Fourier transform，FFT)演算法，将第一表面轮廓自空间域(spatial domain)转换成频率域(frequency domain)。接着，对频率域的第一表面轮廓施加低通滤波器，借以获得频率域的第二表面轮廓。通过快速傅立叶转换演算法，再将第二表面轮廓自频率域转换成空间域。然后，自空间域的第二表面轮廓计算第二表面粗糙度值。
[0010]根据本揭露的一实施例，上述方法还包含通过使用温度分布，以获得对应熔池区域中多个节点的多个熔化时间。然后，通过使用熔化时间及此些节点，来计算平均熔化时间。
[0011]根据本揭露的一实施例，上述热传模拟操作为有限元素热传模拟操作。
[0012]根据本揭露的另一态样，提供一种进行激光重熔制程的积层制造方法。方法包含获得至少一粉层的多个第一表面粗糙度值，其中至少一粉层已被使用一组熔融参数数据的激光粉床熔融制程所处理。此组熔融参数数据包括第一激光功率值、第一扫描速度值及第一扫描间距值。然后，进行关于每一个至少一粉层的每一个第一表面粗糙度值的模拟操作，借以获得重熔操作表。重熔操作表包括以一对一的方式对应第一表面粗糙度值的多组重熔制程参数数据。模拟操作包含获得关于至少一粉层其中的一者的一组性质数据，其中此组性质数据包括至少一粉层其中的每一者的材料性质及光学性质。基于高斯概率假设，自其中的一个第一表面粗糙度值产生第一表面轮廓。然后，根据双向反射分布函数，并通过使用第一表面轮廓及此组性质数据，以获得至少一粉层其中的一者的吸收度。提供一组重熔制程参数数据，以在粉层上进行重熔制程，其中此组重熔制程参数数据包括第二激光功率值、第二扫本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种积层制造方法，其特征在于，包含：提供一粉床，其中该粉床包括一基材及一粉层，且该粉层设置在该基材上；使用一组熔融参数数据在该粉层上进行一激光粉床熔融(laser powder bed fusion，L
‑
PBF)制程，其中该组熔融参数数据包括一第一激光功率值、一第一扫描速度值及一第一扫描间距(hatching space)值；获得关于该粉床的一组性质数据，其中该组性质数据包括该粉层的一顶表面的多个材料性质及多个光学性质；获得该激光粉床熔融制程后的该粉层的该顶表面的一第一表面粗糙度值；基于一高斯概率假设(Gaussian probability assumption)，自该第一表面粗糙度值产生一第一表面轮廓；根据一双向反射分布函数(bidirectional distribution reflection function，BRDF)，并通过使用该第一表面轮廓及该组性质数据，来获得该粉层的一吸收度；提供一组重熔制程参数数据，以在该粉层上进行一重熔制程，其中该组重熔制程参数数据包括一第二激光功率值、一第二扫描速度值及一第二扫描间距值；通过使用该组重熔制程参数数据、该组性质数据及该粉层的该吸收度，来进行一热传模拟操作，以模拟该重熔制程，而获得一熔池区域中的一温度分布及一平均熔化时间；通过使用该平均熔化时间及该组性质数据，来计算一截止频率(cut
‑
off frequency)，借以获得一低通滤波器(low pass filter)；通过使用该第一表面轮廓及该低通滤波器，以获得该激光重熔制程后的该粉层的该顶表面的一第二表面轮廓；基于该第二表面轮廓，预测该激光重熔制程后的该粉层的该顶表面的一第二表面粗糙度值；重复调整该组重熔制程参数数据，以进行该热传模拟操作，直至该第二表面粗糙度值小于或等于一表面粗糙度阈值；以及在该激光粉床熔融制程之后，以该组重熔制程参数数据在该粉层的该顶表面上进行一激光重熔制程。2.根据权利要求1所述的积层制造方法，其特征在于，该第一表面粗糙度值是通过一虚拟量测方法来获得。3.根据权利要求2所述的积层制造方法，其特征在于，该虚拟量测方法是基于类神经网络演算法、倒传递类神经网络(Back Propagation Neural Network；BPNN)演算法、通用回归类神经网络(General Regression Neural Network；GRNN)演算法、径向基底类神经网络(Radial Basis Function Neural Network；RBFNN)演算法、简单回归性网络(Simple Recurrent Network；SRN)、支持向量数据描述(Support Vector Data Description；SVDD)演算法、支持向量机(Support Vector Machine；SVM)演算法、复回归(Multiple Regression；MR)演算法、部分最小平方法(Partial Least Squares；PLS)演算法、非线性替代偏最小平方法(Nonlinear Iterative Partial Least Squares；NIPALS)演算法或广义线性模式(Generaliz...

【专利技术属性】
技术研发人员：陈红章，罗裕龙，杨浩青，郑芳田，
申请(专利权)人：郑芳田，
类型：发明
国别省市：