【技术实现步骤摘要】
监控金属基复材的激光熔覆过程的监控方法及系统与平台
[0001]本专利技术涉及增材制造过程监测领域中的一种监控方法、采用所述监控方法的监控系统、具有所述监控系统的实验平台，尤其涉及一种基于全深度可分离卷积的监控金属基复材在激光熔覆过程中的监控方法、采用所述监控方法的监控系统、具有所述监控系统的实验平台。
技术介绍
[0002]随着产品零件服役环境的日益复杂及苛刻，在基体材料中添加硬质陶瓷颗粒，形成陶瓷增强金属基复合材料(CRMMC)可以进一步提升激光定向能量沉积的产品硬度、耐磨性等力学性能。但在沉积过程中陶瓷颗粒会发生不同程度的偏聚和溶解，影响CRMMC成形质量的稳定性，而陶瓷颗粒的溶解与偏聚与熔池特性密切相关。因此，对CRMMC在沉积过程中产生的熔池状态监测是提升最终产品性能的有效手段。
[0003]相关研究表明，熔池图像包含重要的工艺信息，可用于零件的缺陷识别和质量监测。目前，熔池图像的处理方法中，机器学习技术应用的越来越广泛。但是传统的机器学习算法，比如BP神经网络、SVM以及随机森林等，需要依靠人工提取熔池的...
【技术保护点】
【技术特征摘要】
1.一种基于全深度可分离卷积的监控金属基复材在激光熔覆过程中的监控方法，所述监控方法包括以下步骤：S1，捕捉在连续时间下金属基复材在激光熔覆过程中的实时激光熔覆动态视频；S2，将所述实时激光熔覆动态视频分解为多张单独帧的实时激光熔覆图像；S3，将每张实时激光熔覆图像依次送入一个神经网络的网络模型中，通过所述网络模型实时识别所述金属基复材在激光熔覆过程中的激光熔覆状态；其特征在于，所述神经网络为基于CNN框架建立的基于全深度可分离卷积神经网络FD
‑
Net；所述神经网络的建立方法包括以下步骤：S31，利用深度可分离卷积和通道清洗建立多个全深度可分离卷积模块，S32，将所述多个全深度可分离卷积模块进行不同数量的堆叠建立所述网络模型，所述模型表征基于CNN框架建立的基于全深度可分离卷积神经网络FD
‑
Net；其中，每个全深度可分离卷积模块的建立方法包括以下步骤：S311，将每个全深度可分离卷积模块的输入通道进行等分，两条分路分别进行深度可分离卷积，使用不同大小的卷积核提取特征，形成两路维度；S312，利用Concat操作将所述两路维度拼接；S313，拼接后的两路维度进行通道清洗操作，实现不同通道间的特征融合，形成所述全深度可分离卷积模块。2.如权利要求1所述的基于全深度可分离卷积的监控金属基复材在激光熔覆过程中的监控方法，其特征在于：在S311中，所述全深度可分离卷积模块分别利用3
×
3和7
×
7大小的卷积核进行特征提取。3.如权利要求1所述的基于全深度可分离卷积的监控金属基复材在激光熔覆过程中的监控方法，其特征在于：在S32中，按照1:1:3:1的数量比堆叠所述全深度可分离卷积模块建立所述网络模型。4.如权利要求1所述的基于全深度可分离卷积的监控金属基复材在激光熔覆过程中的监控方法，其特征在于：所述网络模型在使用前，需要进行训练、调优和测试：开展多组不同激光能量输入下，所述金属基复材的激光直接能量沉积实验，采集对应的多组实验激光熔覆动态视频；将每组实验激光熔覆动态视频分解为多张单独帧的实验激光熔覆图像；对所有实验激光熔覆图像均进行预处理和数据增强操作，并均添加图像标签，由此建立原始数据集；将原始数据集中的所有实验激光熔覆图像，按照目标比例随机分为训练集、验证集和测试集；将所述训练集、所述验证集以及所述测试集分别送入所述网络模型进行训练、调优和测试，并保存最好的模型参数，由此更新所述网络模型。5.如权利要求4所述的基于全深度可分离卷积的监控金属基复材在激光熔覆过程中的监控方法，其特征在于：所述网络模型进行训练、调优和测试时：经过模型卷积、ReLU激活函数激活以及BN归一化堆叠操作，不断的对所述原始数据集的每张实验激光熔覆图像中的熔池状态图像特征进行深度提取，得到高维抽象的输出特征图；
将所述输出特征图经过所述网络模型的全连接层展开为一维向量，然后输入到所述网络模型的softmax分类层，并利用损失函数计算损失；通过一阶梯度的随机优化算法ADAM不断更新所述网络模型的权重参数，从而最小化所...
【专利技术属性】
技术研发人员：黄海鸿，陈颖，徐鸿蒙，刘志峰，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。