【技术实现步骤摘要】
本专利技术涉及金属增材制造，具体地，涉及一种基于金属增材制造的原位质量评价方法及系统。
技术介绍
1、增材制造(additive manufacturing，am)俗称3d打印，融合了计算机辅助设计、材料加工与成型技术、以数字模型文件为基础，通过软件与数控系统将专用的金属材料、非金属材料以及医用生物材料，按照挤压、烧结、熔融、光固化、喷射等方式逐层堆积，制造出实体物品的制造技术。
2、金属增材制造是增材制造技术最重要的一个分支。金属增材制造是最前沿和最有潜力的增材制造技术，是先进制造技术的重要发展方向。金属增材制造技术凭借其柔性化定制能力和复杂构件成形优势，有望成为提升航天领域设计与制造能力的一项关键核心技术。但现阶段该方法仍然存在制造过程稳定性不足、制造质量实时检测困难、工艺参数实时调节技术成熟度有待提升等问题。
3、专利文献cn113084193a公开了一种激光选区熔化技术原位质量综合评价方法，包括以下步骤，s1：采集激光选区熔化过程中的激光辐射强度数据和熔池图像；s2：利用激光辐射强度数据分析系统对步骤s1中采集的激光辐射强度数据进行分析；s3：利用基于卷积神经网络的激光选区熔化熔池图像分析系统对步骤s1中采集的熔池图像进行分析；s4：结合步骤s2和步骤s3的分析结果，对激光选区熔化的原位质量进行综合评价。
4、但是，专利文献cn113084193a没有有效分析零件残余应力和精准定位缺陷，从而无法从根本上实现实时监控到slm成形过程中产生的缺陷，而不能达到及时调整并消除缺陷的产生，成形质
技术实现思路
1、针对现有技术中的缺陷，本专利技术的目的是提供一种基于金属增材制造的原位质量评价方法及系统。
2、根据本专利技术提供的一种基于金属增材制造的原位质量评价方法，包括：
3、步骤s1：采集增材制造的零件参量；
4、步骤s2：构建深度学习模型；
5、步骤s3：将所述零件参量输入至所述深度学习模型进行分析处理，对当前零件进行原位智能质量评价，若符合要求，则对下一个零件进行评价；若不符合要求，则执行步骤s4；
6、步骤s4：根据评价结果优化所述深度学习模型。
7、优选地，所述零件参量包括金属增材制造过程中零件的缺陷和残余应力。
8、优选地，所述深度学习模型包括数据分类存储模块、学习模块、调整信息传输模块、调整模块和诊断模块；
9、所述数据分类存储模块接收并存储信号，所述学习模块根据接收到的信号进行深度学，并将学习结果发送至调整信息传输模块进行参数信息调整，同时所述调整模块从外部深度学习系统传输的调整信息来更新模型的参数信息，以及诊断模块根据学习模块和调整模块所优化的模型来判断成形缺陷产生情况。
10、优选地，步骤s3包括通过无损检测或者离线检测对当前零件质量检测，并根据所述检测的结果验证深度学习模型的原位智能评价结果，包括对微观组织中的缺陷以及力学性能的评估。
11、优选地，所述优化所述深度学习模型包括根据评价结果对比，在线调整深度学习模型数据的差异；
12、所述深度学习模型数据包括相含量、织构强度、晶粒、打印缺陷和残余应力。
13、根据本专利技术提供的一种基于金属增材制造的原位质量评价系统，包括：
14、模块m1：采集增材制造的零件参量；
15、模块m2：构建深度学习模型；
16、模块m3：将所述零件参量输入至所述深度学习模型进行分析处理，对当前零件进行原位智能质量评价，若符合要求，则对下一个零件进行评价；若不符合要求，则触发模块m4；
17、模块m4：根据评价结果优化所述深度学习模型。
18、优选地，所述零件参量包括金属增材制造过程中零件的缺陷和残余应力。
19、优选地，所述深度学习模型包括数据分类存储模块、学习模块、调整信息传输模块、调整模块和诊断模块；
20、所述数据分类存储模块接收并存储信号，所述学习模块根据接收到的信号进行深度学，并将学习结果发送至调整信息传输模块进行参数信息调整，同时所述调整模块从外部深度学习系统传输的调整信息来更新模型的参数信息，以及诊断模块根据学习模块和调整模块所优化的模型来判断成形缺陷产生情况。
21、优选地，模块m3包括通过无损检测或者离线检测对当前零件质量检测，并根据所述检测的结果验证深度学习模型的原位智能评价结果，包括对微观组织中的缺陷以及力学性能的评估。
22、优选地，所述优化所述深度学习模型包括根据评价结果对比，在线调整深度学习模型数据的差异；
23、所述深度学习模型数据包括相含量、织构强度、晶粒、打印缺陷和残余应力。
24、与现有技术相比，本专利技术具有如下的有益效果：
25、1、本专利技术通过利用在线检测技术，将采集到的缺陷、残余应力等信号导入深度学习模型进行智能原位质量评估，同时根据无损检测的对比结果实现进一步的优化，达到实时精准预测增材制造过程中的不利信号的效果，及时修复，提高增材制造质量。
26、2、本专利技术通过采用集成高速摄像机、光电探测器采集成形零件的质量信息，解决了增材制造过程中在线监测的问题，从而实现质量信息的及时反馈。
27、3、本专利技术通过采用深度学习模型的智能神经网络模型处理采集到的信息，并预测工艺参数-成形质量-加工性能之间的关系，解决了原位质量信息识别分析的问题，从而实现在线监测、数据采集、在线修正的闭环处理。
本文档来自技高网...【技术保护点】
1.一种基于金属增材制造的原位质量评价方法，其特征在于，包括：
2.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，所述零件参量包括金属增材制造过程中零件的缺陷和残余应力。
3.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，所述深度学习模型包括数据分类存储模块、学习模块、调整信息传输模块、调整模块和诊断模块；
4.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，步骤S3包括通过无损检测或者离线检测对当前零件质量检测，并根据所述检测的结果验证深度学习模型的原位智能评价结果，包括对微观组织中的缺陷以及力学性能的评估。
5.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，所述优化所述深度学习模型包括根据评价结果对比，在线调整深度学习模型数据的差异；
6.一种基于金属增材制造的原位质量评价系统，其特征在于，包括：
7.根据权利要求6所述的基于金属增材制造的原位质量评价系统，其特征在于，所述零件参量包括金属增材制造过程中零件的缺陷和残余应
8.根据权利要求6所述的基于金属增材制造的原位质量评价系统，其特征在于，所述深度学习模型包括数据分类存储模块、学习模块、调整信息传输模块、调整模块和诊断模块；
9.根据权利要求6所述的基于金属增材制造的原位质量评价系统，其特征在于，模块M3包括通过无损检测或者离线检测对当前零件质量检测，并根据所述检测的结果验证深度学习模型的原位智能评价结果，包括对微观组织中的缺陷以及力学性能的评估。
10.根据权利要求6所述的基于金属增材制造的原位质量评价系统，其特征在于，所述优化所述深度学习模型包括根据评价结果对比，在线调整深度学习模型数据的差异；
...【技术特征摘要】
1.一种基于金属增材制造的原位质量评价方法，其特征在于，包括：
2.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，所述零件参量包括金属增材制造过程中零件的缺陷和残余应力。
3.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，所述深度学习模型包括数据分类存储模块、学习模块、调整信息传输模块、调整模块和诊断模块；
4.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，步骤s3包括通过无损检测或者离线检测对当前零件质量检测，并根据所述检测的结果验证深度学习模型的原位智能评价结果，包括对微观组织中的缺陷以及力学性能的评估。
5.根据权利要求1所述的基于金属增材制造的原位质量评价方法，其特征在于，所述优化所述深度学习模型包括根据评价结果对比，在线调整深度学习模型数据的差异；
...【专利技术属性】
技术研发人员：时云，吴烈权，任斐，张春岩，毛晨曦，
申请(专利权)人：上海航天设备制造总厂有限公司，
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。