本发明专利技术公开了一种基于深度学习的SLM在线质量监测、修复方法及系统,属于增材制造技术领域。其中,基于深度学习的SLM在线质量监测方法包括:设计并打印第一缺陷零件;采集第一缺陷零件打印过程中的熔池监测数据,并进行预处理;获取第一缺陷零件缺陷信息分布,构建第一数据集;通过第一数据集训练第一卷积神经网络模型;通过训练后的第一卷积神经网络模型对待测零件进行缺陷信息在线识别。在此基础上,本发明专利技术还提出一种基于深度学习的SLM在线修复方法,用于在识别出打印缺陷后预测修复参数,进行在线缺陷修复。本发明专利技术不仅可以实现SLM在线质量监测,还能够基于在线质量监测的结果实现在线修复,提高打印质量。
【技术实现步骤摘要】
本专利技术属于增材制造,具体涉及一种基于深度学习的slm在线质量监测、修复方法及系统。
技术介绍
1、slm(selective laser melting,选择性激光熔化)是增材制造的方式之一,目前,对增材制造成形过程中的质量监测和预测方法大多是基于lens这种增材制造方法提出的。而slm作为更能够发挥增材制造优势的打印方法,其监控和预测的精度和数据量要远远大于lens,且由于slm的熔池更加微小(200um左右),往往难以通过某种特定的监测方式来准确的获得缺陷信息。
2、现有的质量监测方法只是提出了通过在线监测设备获取打印缺陷并且修复打印缺陷的这种思路,并没有提出用何种打印参数来对缺陷进行修复。此外,考虑到熔池融化和凝固时的深度和宽度,增材制造过程中当前位置的打印质量不仅受到当前熔池的影响,周围的其他熔池情况也会对当前的打印质量产生影响,并且在相同位置处,后续层中的熔池情况也会对当前的打印质量产生影响;相同情况的,当前打印位置的熔池对周围没有打印的层的位置的打印质量、以及已经打印的层中相同位置的打印质量也会产生影响。现有的增材制造技术中的质量监测方法并未考虑到这一点,导致在线质量检监测的准确度不高。
技术实现思路
1、有鉴于此,本专利技术提出了一种基于深度学习的slm在线质量监测、修复方法及系统,用于解决现有的增材制造技术中质量监测、修复的准确度不高的问题。
2、本专利技术第一方面,公开了一种基于深度学习的slm在线质量监测方法,所述方法包括:
<
p>3、设计并打印第一缺陷零件;4、采集第一缺陷零件打印过程中的熔池监测数据,并对熔池监测数据进行预处理;
5、对第一缺陷零件进行扫描成像和三维重构,得到缺陷信息分布;
6、根据第一缺陷零件预处理后的熔池监测数据与缺陷信息分布构建第一数据集;
7、通过第一数据集训练第一卷积神经网络模型,用于识别是否存在缺陷;
8、实时获取待测零件打印过程中的熔池监测数据,并通过训练后的卷积神经网络模型对待测零件进行缺陷信息在线识别。
9、在以上技术方案的基础上,优选的,所述熔池监测数据包括每个打印位置的温度云图、熔池轮廓大小、熔池飞溅信息、熔池反射光强弱信号和激光器的实际功率偏差值;
10、在以上技术方案的基础上,优选的,所述设计并打印第一缺陷零件具体包括:
11、确定零件的整体形状,开始打印时,采用标准打印参数w0打印n0层作为基底;
12、调整打印参数,得到缺陷打印参数;
13、采用若干层缺陷打印参数与若干层标准打印参数w0交替打印的方式打印剩余部分,得到第一缺陷零件;
14、当第一缺陷零件有多个时,重复以上打印基底、调整打印参数、交替打印的过程,得到多个第一缺陷零件。
15、在以上技术方案的基础上,优选的,所述对熔池监测数据进行预处理具体包括:
16、将采集到的熔池监测数据按照熔池位置分别打包整理为特征向量zi,j,k,其中,i、j分别代表在当前层中熔池位置xi,j,k的横、纵坐标,k代表当前的打印层数;
17、当前位置xi,j,k处的熔池的特征向量zi,j,k定义为:
18、zi,j,k=(xi,j,k,1,xi,j,k,2,xi,j,k,3,xi,j,k,4,xi,j,k,5)
19、其中,xi,j,k,1代表当前位置的温度云图;xi,j,k,2代表当前位置的熔池轮廓大小;xi,j,k,3代表当前位置的熔池飞溅信息;xi,j,k,4代表熔池反射光强弱信号;xi,j,k,5代表激光器的实际功率偏差值。
20、在以上技术方案的基础上,优选的,所述根据第一缺陷零件预处理后的熔池监测数据与缺陷信息分布构建第一数据集具体包括:
21、提取第一缺陷零件每个熔池位置xi,j,k处以及xi,j,k位置附近的若干采样点的特征向量构建样本属性数据;
22、根据缺陷信息分布判断每个熔池位置xi,j,k处是否有缺陷,以是否有缺陷作为样本标签;
23、根据每个熔池位置处的样本属性数据和样本标签构建训练样本和测试样本,以此建立第一数据集。
24、在以上技术方案的基础上,优选的,所述xi,j,k位置附近的若干采样点包括:xi,j,k位置所在的立体空间中,在经过xi,j,k位置的水平截面上,xi,j,k位置周围的若干熔池,以及与xi,j,k位置和xi,j,k位置周围的若干熔池的横、纵坐标相同但层数不同的若干熔池。
25、本专利技术第二方面,在本专利技术第一方面的基础上,公开了一种基于深度学习的slm在线修复方法,所述方法包括:
26、设计并打印第二缺陷零件;
27、采集第二缺陷零件打印过程中的熔池监测数据,并对熔池监测数据进行预处理;
28、对第二缺陷零件进行扫描成像和三维重构,得到缺陷信息分布;
29、根据第二缺陷零件预处理后的熔池监测数据构建样本属性数据;
30、根据缺陷信息分布,比对第一缺陷零件与第二缺陷零件在相同熔池位置处或相似样本属性数据下的缺陷情况,判断对应的缺陷是否被修复,如果是,提取对应的样本属性数据和修复参数建立第二数据集;所述修复参数包括修复层数和对应的打印参数;
31、通过第二数据集训练第二卷积神经网络模型,用于预测修复参数;
32、如果待测零件在打印过程中出现缺陷,通过第二卷积神经网络模型预测当前缺陷的修复参数;
33、按照当前缺陷的修复参数对待测零件进行修复打印,当前缺陷被修复后,若打印完成则结束打印,否则继续打印,并重新进行缺陷信息在线识别和修复。
34、在以上技术方案的基础上,优选的,所述设计并打印第二缺陷零件具体包括:
35、确定零件的整体形状,开始打印时,采用标准打印参数w0打印n0层作为基底;
36、调整打印参数,得到与第一缺陷零件相同的缺陷打印参数;
37、调整打印参数,得到标准打印参数w0
38、调整打印参数,得到补偿打印参数;
39、采用若干层缺陷打印参数、若干层标准打印参数w0、若干层补偿打印参数和若干层标准打印参数w0依次交替打印的方式打印剩余部分,得到第二缺陷零件;
40、当第二缺陷零件有多个时,重复以上打印基底、调整打印参数、交替打印的过程,得到多个第二缺陷零件。
41、在以上技术方案的基础上,优选的,所述缺陷打印参数、补偿打印参数均是在标准打印参数w0的基础上,更改激光功率、扫描间距、扫描速度和/或铺粉厚度得到。
42、本专利技术第三方面,公开了一种基于深度学习的slm在线质量监测、修复系统,所述系统包括:
43、第一零件打印模块:用于设计并打印第一缺陷零件;
44、第一数据构建模块:用于采集第一缺陷零件打印过程中的熔池监测数据,并对熔池监测数据进行预处理;本文档来自技高网
...
【技术保护点】
1.一种基于深度学习的SLM在线质量监测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于深度学习的SLM在线质量监测方法,其特征在于,所述熔池监测数据包括每个打印位置的温度云图、熔池轮廓大小、熔池飞溅信息、熔池反射光强弱信号和激光器的实际功率偏差值。
3.根据权利要求1所述的基于深度学习的SLM在线质量监测方法,其特征在于,所述设计并打印第一缺陷零件具体包括:
4.根据权利要求2所述的基于深度学习的SLM在线质量监测方法,其特征在于,所述对熔池监测数据进行预处理具体包括:
5.使用权利要求1~4任一项所述方法的一种基于深度学习的SLM在线修复方法,其特征在于,所述方法包括:
6.根据权利要求5所述的基于深度学习的SLM在线修复方法,其特征在于,所述设计并打印第二缺陷零件具体包括:
7.根据权利要求6所述的基于深度学习的SLM在线修复方法,其特征在于,所述缺陷打印参数、补偿打印参数均是在标准打印参数W0的基础上,更改激光功率、扫描间距、扫描速度和/或铺粉厚度得到。
8.一种基于深度学习的SLM在线质量监测、修复系统,其特征在于,所述系统包括:
...
【技术特征摘要】
1.一种基于深度学习的slm在线质量监测方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于深度学习的slm在线质量监测方法,其特征在于,所述熔池监测数据包括每个打印位置的温度云图、熔池轮廓大小、熔池飞溅信息、熔池反射光强弱信号和激光器的实际功率偏差值。
3.根据权利要求1所述的基于深度学习的slm在线质量监测方法,其特征在于,所述设计并打印第一缺陷零件具体包括:
4.根据权利要求2所述的基于深度学习的slm在线质量监测方法,其特征在于,所述对熔池监测数据进行预处理具体包括:...
【专利技术属性】
技术研发人员:芦相宇,东芳,张国庆,程坦,杨梓晗,高昇,
申请(专利权)人:湖南珞佳智能科技有限公司,
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。