基于卷积神经网络的多传感融合制造技术

本发明专利技术提供了一种基于卷积神经网络的多传感融合

【技术实现步骤摘要】
基于卷积神经网络的多传感融合SLM质量监测方法


[0001]本专利技术涉及选区激光熔化过程质量监测领域，具体来说涉及一种基于卷积神经网络的多传感融合
SLM
质量监测方法
。

技术介绍

[0002]SLM(
英文
Selective Laser Melting
的简写，选区激光熔化
)
技术被认为是最具应用前景的增材制造技术之一，可以有效地制造复杂的三维结构
。
在
PBF(
英文
Laser Powder Bed Fusion
的简写，激光粉末床熔融
)
工艺中，零件的三维模型被切割成薄层，通过重涂机构将金属粉末铺展到粉末床和储层中，加工系统利用高功率密度激光选择性地逐层熔化金属
。
但是在加工过程中，具有高斯能量分布的激光光斑与粉末相互作用，粉末颗粒瞬间熔化凝固，涉及许多复杂的非平衡化学和物理冶金过程，容易导致各类缺陷产生
。
[0003]目前，如何确保构件质量的可靠性和制造的可重复性是
SLM
面临的最大挑战，已被认为是限制
SLM
及其他金属增材制造技术发展和工业应用的最大障碍之一
。
研究表明，智能监测是解决这一挑战的重要方法
。
此外，过程监控可以尽早地识别和预测缺陷，从而减少废品率和后处理工序
、
缩短研制周期
。
[0004]根据原位传感传感器的种类，
SLM
过程监测技术可大致分为两大类：基于光学的监测和基于声学的监测
。
光学传感器
(
如相机和光电二极管
)
最常被选择来实现原位监测，因为它们具有非接触
、
高灵活性的独特优势，但存在缺乏空间分辨率，只能检测到表面信息的缺点；基于声学的监测方法可以弥补光学传感器的不足，不但可以感知打印过程的体积信息，且具有很高的时间分辨率
。
[0005]采用单一的传感信号仅能反映加工过程中的某一方面信息，不能全面地反映加工状态和缺陷信息，导致监测的信息不全
。
而集成多种类型的传感器可以提供全面的测量，实现更高的监测准确性和可靠性
。
然而，目前激光选区熔化过程监测领域仍缺乏有效的多传感器融合方法，能够实现将多源异构传感器信号集成到原位质量监测中
。

技术实现思路

[0006]针对上述存在的问题，本专利技术提供了一种基于卷积神经网络的多传感融合
SLM
质量监测方法
。
[0007]为了实现上述目的，本专利技术提供如下技术方案：
[0008]基于卷积神经网络的多传感融合
SLM
质量监测方法，包括以下步骤：
[0009]在不同打印参数的组合下，采集选区激光熔化过程每个打印层的熔池图像
、
光电信号和声信号，通过信号处理将熔池图像
、
光电信号和声信号处理成相同的维度与尺度，得到熔池图像
、
光电信号和声信号的一维信号；
[0010]S2
：将得到的熔池图像
、
光电信号和声信号的一维信号逐行填充到二维矩阵中，并对所述二维矩阵中的数据进行归一化处理，经变换后分别得到熔池图像
、
光电信号和声信号的二维灰度图像；
[0011]S3
：在
Torch
框架
(
深度学习框架
)
下通过
Python
语言
(
计算机编程语言
)
构建基于卷积神经网络的多传感融合选区激光熔化质量监测网络模型，将所述熔池图像
、
光电信号和声信号的二维灰度图像进行融合，并打上不同的标签进行分类，对所述多传感融合选区激光熔化质量监测网络进行训练，得到训练好的基于卷积神经网络的多传感融合选区激光熔化质量监测网络模型；
[0012]S4
：将实时获取的熔池图像
、
光电信号和声信号经处理后生成熔池图像
、
光电信号和声信号的实时二维灰度图像，将熔池图像
、
光电信号和声信号的实时二维灰度图像融合，并输入到所述基于卷积神经网络的多传感融合选区激光熔化质量监测网络模型进行质量判断，获取质量判断结果
。
[0013]进一步地，所述步骤
S1
中，所述打印参数包括：激光功率
、
扫描速度
、
扫描间距和打印层厚，通过调整打印参数的不同组合可以获得不同的单位体积能量密度，打印不同质量水平的样品
。
[0014]进一步地，所述步骤
S1
中，所述步骤
S1
中，所述熔池图像由高速相机以
2000fps
的帧率进行采集，所述光电信号和所述声信号分别由光电二极管和麦克风采集，采集频率为
10kHz。
[0015]进一步地，所述步骤
S1
中，使熔池图像
、
光电信号和声信号得到相同维度与尺度的所述信号处理包括如下步骤：
[0016]步骤
S1
‑1：利用
OpenCV(
跨平台计算机视觉和机器学习软件库
)
对所述熔池图像进行灰度处理
、
高斯滤波
、
腐蚀膨胀
、
二值化和边缘检测操作，提取熔池轮廓的面积作为熔池特征，再将所述熔池轮廓的面积按原始特征样本的序号顺序排列成一维序列，得到与所述光电信号和声信号相同维度的熔池面积信号；
[0017]步骤
S1
‑2：设计尺寸为1×5的滑动窗口，以步长为5遍历所述光电信号和声信号，每次滑动窗口仅保留所在滑动窗口内的最大值，舍去其余四个值，一方面摒弃了信号中大量冗余信息，另一方面解决所述熔池图像，光电信号和声信号采集频率不一致的问题，使多源异构信号得到相同的尺度
。
[0018]进一步地，所述步骤
S2
中，所述将熔池图像
、
光电信号和声信号的一维信号转化为二维灰度图像的方法包括如下步骤：
[0019]S2
‑1：从得到的熔池图像
、
光电信号和声信号的一维信号中分别截取长度为
L2的信号，并逐行堆叠到尺寸为
L
×
L
的二维矩阵中；
[0020]S2
‑2：对二维矩阵中的数据进行归一化处理；
[0021]S2
‑3：再对所述二维矩阵做镜像变换，得到熔池图像
、
光电信号和声信号的二维灰度图像
。
[0022]进一步地，所述步骤
S2
中，采用
min...

【技术保护点】

【技术特征摘要】
1.
一种基于卷积神经网络的多传感融合
SLM
质量监测方法，其特征在于包括如下步骤：
S1
：在不同打印参数的组合下，采集选区激光熔化过程每个打印层的熔池图像
、
光电信号和声信号，通过信号处理将熔池图像
、
光电信号和声信号处理成相同的维度与尺度，得到熔池图像
、
光电信号和声信号的一维信号；
S2
：将得到的熔池图像
、
光电信号和声信号的一维信号逐行填充到二维矩阵中，并对所述二维矩阵中的数据进行归一化处理，经变换后分别得到熔池图像
、
光电信号和声信号的二维灰度图像；
S3
：在
Torch
框架下通过
Python
语言构建基于卷积神经网络的多传感融合选区激光熔化质量监测网络模型，将所述熔池图像
、
光电信号和声信号的二维灰度图像进行融合，并打上不同的标签进行分类，对所述多传感融合选区激光熔化质量监测网络进行训练，得到训练好的基于卷积神经网络的多传感融合选区激光熔化质量监测网络模型；
S4
：将实时获取的熔池图像
、
光电信号和声信号经处理后生成熔池图像
、
光电信号和声信号的实时二维灰度图像，将熔池图像
、
光电信号和声信号的实时二维灰度图像融合，并输入到所述基于卷积神经网络的多传感融合选区激光熔化质量监测网络模型进行质量判断，获取质量判断结果
。2.
根据权利要求1所述的一种基于卷积神经网络的多传感融合
SLM
质量监测方法，其特征在于，所述步骤
S1
中，所述打印参数包括：激光功率
、
扫描速度
、
扫描间距和打印层厚
。3.
根据权利要求1所述的一种基于卷积神经网络的多传感融合
SLM
质量监测方法，其特征在于，所述步骤
S1
中，所述熔池图像由高速相机以
2000fps
的帧率进行采集，所述光电信号和所述声信号分别由光电二极管和麦克风采集，采集频率为
10kHz。4.
根据权利要求1所述的一种基于卷积神经网络的多传感融合
SLM
质量监测方法，其特征在于，所述步骤
S1
中，使熔池图像
、
光电信号和声信号得到相同维度与尺度的所述信号处理包括如下步骤：步骤
S1
‑1：利用
OpenCV
对所述熔池图像进行灰度处理
、
高斯滤波
、
腐蚀膨胀
、
二值化和边缘检测操作，提取熔池轮廓的面积作为熔池特征，再将所述熔池轮廓的面积按原始特征样本的序号顺序排列成一维序列，得到与所述光电信号和声信号相同维度的熔池面积信号；步骤
S1<...

【专利技术属性】
技术研发人员：吴倩茹，杨帆，杨森，唐文来，方振宇，赵世宇，
申请(专利权)人：南京师范大学，
类型：发明
国别省市：