[发明专利]一种基于深度学习的增材制造制件成形质量监控与预测方法

说明书

本发明实施例公开了一种基于深度学习的增材制造制件成形质量监控与预测方法，包括步骤：使用图像获取模块获取增材制造过程中熔池的几何特征图像和温度特征图像，取得几何特征参数、温度特征参数，将其作为双流卷积神经网络的输入，学习所述几何特征参数、温度特征参数和制件成形质量之间隐藏的对应关系，将所述几何特征参数、温度特征参数和制件成形质量之间隐藏的对应关系对应起来。采用本发明，提取了熔池、羽流和飞溅物三个区域的几何和温度特征参数，更加全面的反映了增材制造技术的动态监控过程与制件的成形质量，使用双流卷积神经网络实现了对制件成形质量的分类，使用长短期记忆神经网络实现了对制件成形质量的提前预测和对工艺参数的及时修正，减少了加工时间，提高了生产质量。

技术领域

本发明涉及材料制造监控与预测技术领域，尤其涉及一种基于深度学习的增材制造制件成形质量监控与预测方法。

背景技术

增材制造是集信息技术、新材料技术与制造技术等多种技术一体的先进制造技术，被誉为有望产生“第三次工业革命”的代表性技术，是大批量制造模式向个性化制造模式发展的引领技术。近20年来，该技术取得了快速的发展，在航空、航天、核电、兵器、船舶等领域都取得了广泛的应用。但是，目前的增材制造技术存在着在加工过程中易产生裂纹、气孔、球化、未熔合孔洞等缺陷的问题，导致制件成形质量不稳定以及过程可重复性难以保证。因此对增材制造过程的状态进行实时监测和预测制件成形质量对于提高生产质量和降低生产成本具有重要意义。

随着大数据时代的到来以及智能制造技术的兴起，将人工智能应用到增材制造领域成为学术界和工业界研究的热点。深度学习属于机器学习的一个分支，深度学习通过学习数据的特征来完成目标任务，利用神经网络算法提取隐藏在数据中的映射关系来完成比如图像分类以及装备寿命预测等工作。但是，在增材制造领域将制件成形质量监测与预测两部分特征结合起来的系统目前还比较少，导致在增材制造过程只是监测过程特征而无法对制件成形质量进行预测，导致制件成形质量无法保证，也无法为后续工艺补偿提供参考，使得增材制造过程可重复性变得不稳定。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于深度学习的增材制造制件成形质量监控与预测方法。可制件成形质量进行监控与预测。

为了解决上述技术问题，本发明实施例提供了一种基于深度学习的增材制造制件成形质量监控与预测方法，包括以下步骤：

S1：使用图像获取模块获取增材制造过程中熔池的几何特征图像和温度特征图像，将所述几何特征图像进行分割为熔池、羽流和飞溅物三个特征分布区域，提取所述熔池、羽流和飞溅物的几何特征参数，将所述温度特征图像分割成与所述几何特征图像相对应的熔池、羽流和飞溅物三个温度特征分布区域，并取得温度特征参数；

S2：将所述几何特征参数与温度特征参数作为双流卷积神经网络的输入，结合所述几何特征参数、温度特征参数学习所述几何特征参数、温度特征参数几和制件成形质量之间隐藏的对应关系，将不同状态下的熔池、羽流、飞溅物的特征与相应的制件成形质量对应起来，进行成形质量类型的分类与监控；

S3：将上述的质量类型分类结果相对应的熔池、羽流和飞溅物几何与温度特征参数输入到训练好的成形质量预测模型中，结合不同的质量分类结果，模型预测出第n秒的成形质量等级。

其中，所述S3还包括装备参数修正单元对预测成形质量等级和标准成形质量等级进行比较，若差值在报警值以内，则判断成形质量合格；若差值在报警值和停机值之间，则判断成形质量存在问题，需修改工艺参数；若差值超过停机值，则判断修改工艺参数无法修复成形质量，需发出警报，并停止加工。

其中，所述S3还包括当判断成形质量存在问题，需修改工艺参数时，装备参数修正模块按照预测成形质量等级和预设成形质量等级的差值大小，调整工艺参数。

其中，所述熔池、羽流和飞溅物三个温度特征分布区域的步骤是使用卡尔曼滤波的目标跟踪方法定位熔池中心位置，并基于熔池中心将所述将几何特征图像进行分割。