[发明专利]一种激光选区熔化技术原位质量综合评价方法

说明书

本发明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。本发明的评价方法智能化程度高，同时对激光选区熔化过程中采集的海量数据进行实时处理，处理速度快，基于大量数据的评价结果精确度高，方便对激光选区熔化过程中的工艺参数进行实时调整，能很好地避免或减少缺陷的生成，从而大大提高激光选区熔化产品的质量。

技术领域

本发明涉及金属增材制造技术领域，尤其涉及一种激光选区熔化技术原位质量综合评价方法。

背景技术

不同于铸造和锻造部件中出现的缺陷，金属增材制造部件尤其是激光选区熔化制造的部件存在许多独有的缺陷，例如孔隙率大、熔合不良、形状畸变等，这些缺陷的形成与增材制造过程中粉末的冶金参数、打印工艺等密不可分。因此，研究者必须更好地理解金属增材制造中各种加工参数与产品性能之间的复杂关系，才能实现减少产品缺陷、提高制造质量的目的。

为了理解这些参数与最终制造质量之间的关系，目前学者提出了两种驱动方式：一种是物理驱动，即研究人员通过建立各种物理模型，以一种清晰、准确的方式对这种关系进行描述，但是由于缺乏对增材制造的深入理解，这些模拟研究只能集中于整个制造过程的一个或两个方面，通过这些物理驱动的方法不可能在短时间内快速准确地预测整个增材制造过程；除了上述物理驱动模型外，数据驱动的模型也已广泛应用于增材制造领域，这些模型统一称为机器学习算法(Machine Learning，ML)。数据驱动的优势在于其不需要构建一系列基于物理过程的方程，而是根据以前的数据自动学习输入特征和输出目标之间的关系。在机器学习方法中，神经网络(Neural Network，NN)算法最为广泛使用，并且由于当前大量可用的数据和计算资源，以及其先进的算法结构，该算法目前正在快速发展。

激光增材制造在线监测硬件可以从多个传感器获得大量过程参数信息与数据，将这些加工参数信息数据作为神经网络的输入，经过神经网络的数据清洗、特征提取、特征选择、数据挖掘等过程，就可实现加工参数与产品质量之间复杂的非线性关系的表征，最终可以进行缺陷判别和质量分析，进而就能实现对制造过程的全闭环控制。

目前，国内乃至国外都还没有一套完整的能够对增材制造过程中激光发射强度数据和熔池图像进行评价分析的方法，在进行增材制造原位质量评价分析时往往需要人为去处理一些参数才能够得到最终的分析结果，不仅耗时较长，还可能存在人为因素导致的分析结果不精确等问题。

发明内容

针对上述存在的问题，本发明旨在提供一种激光选区熔化原位质量综合评价方法，不仅可以对激光选区熔化过程中的熔池辐射激光强度数据进行全方位、高精度的分析，还能够基于深度学习的卷积神经网络对熔池图像进行分析，从而实现从加工参数与过程监测数据到产品质量之间关系的评价分析，对增材制造过程中的缺陷进行识别，最终实现对增材制造过程的全闭环控制。

为了实现上述目的，本发明所采用的技术方案如下：

一种激光选区熔化技术原位质量综合评价方法，其特征在于，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。

进一步的，步骤S2中所述的激光辐射强度数据分析系统包括数据预处理模块、用户输入模块和数据分析模块；