CN109582990B - 生成增材制造部件认证模型的方法、装置和存储介质 - Google Patents
生成增材制造部件认证模型的方法、装置和存储介质 Download PDFInfo
- Publication number
- CN109582990B CN109582990B CN201710911428.5A CN201710911428A CN109582990B CN 109582990 B CN109582990 B CN 109582990B CN 201710911428 A CN201710911428 A CN 201710911428A CN 109582990 B CN109582990 B CN 109582990B
- Authority
- CN
- China
- Prior art keywords
- component
- data
- microstructure
- model
- performance data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Collating Specific Patterns (AREA)
Abstract
本发明实施方式公开了生成增材制造部件认证模型的方法、装置和存储介质。方法包括:确定非增材制造部件的微结构特征数据与部件性能数据,并基于所述非增材制造部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型(101);获取增材制造样品部件的微结构特征数据与部件性能数据,并基于所述增材制造样品部件的微结构特征数据与部件性能数据,对所述关联模型进行校正(102);将校正后的所述关联模型,确定为增材制造部件认证模型(103)。本发明实施方式建立适用于增材制造部件的微结构和部件质量之间的关联模型,对增材制造部件实现快速认证,还可以确定待生产增材制造部件的目标微结构特征数据。
Description
技术领域
本发明涉及增材制造(Additive Manufacturing,AM)技术领域,特别是涉及生成增材制造部件认证模型的方法、装置和存储介质。
背景技术
AM是融合了计算机辅助设计和材料加工与成形技术,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。不同于传统的对原材料去除、切削、组装的加工模式,AM是一种自下而上通过材料累加的制造方法,这使得过去受到传统制造方式约束而无法实现的复杂结构件制造变为可能。基于不同的分类原则和理解方式,AM技术还有快速原型、快速成形、快速制造、3D打印等多种称谓,其内涵仍在不断深化,外延也不断扩展。
与传统制造工艺不同,AM制造部件的性能和质量强烈依赖于大量的非标准因素。如果依据传统的材料认证方法,需要对AM制造部件逐个进行认证。
然而,对于在实际工业应用中广泛实施的AM技术来说,逐个认证方式将耗时并显著增加成本。目前迫切需要对AM制造部件进行快速认证的方法。
发明内容
本发明实施方式提出生成AM部件认证模型的方法、装置和存储介质。
本发明实施方式的技术方案如下:
生成AM部件认证模型的方法,包括:
确定非AM部件的微结构特征数据与部件性能数据,并基于所述非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型;
获取AM样品部件的微结构特征数据与部件性能数据,并基于所述AM样品部件的微结构特征数据与部件性能数据,对所述关联模型进行校正;
将校正后的所述关联模型,确定为增材制造部件认证模型。
可见,本发明实施方式通过非AM部件的微结构特征数据与部件性能数据确定关联模型,然后基于AM样品部件的微结构特征数据与部件性能数据对关联模型进行校正,可以建立适用于AM部件的微结构和部件质量之间的关联模型,为后续的各种应用提供了关键性的可用模型。
在一个实施方式中,所述确定非AM部件的微结构特征数据与部件性能数据包括下列中的至少一个:
从网页中检索所述非AM部件的微结构特征数据与部件性能数据;
基于图像识别处理,从图片中获取所述非AM部件的微结构特征数据与部件性能数据;
从第三方数据库获取所述非AM部件的微结构特征数据与部件性能数据。
可见,可以通过各种数据挖掘方式获取非AM部件的微结构特征数据与部件性能数据,从而降低工作量。
在一个实施方式中,所述基于非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型包括:
绘制所述非AM部件的微结构特征数据与部件性能数据的散点图;
基于所述散点图确定包含未知参数的函数表达式,所述函数表达式用于描述所述微结构特征与所述部件性能之间的对应关系;
基于拟合算法确定所述函数表达式中的未知参数,将利用已确定参数替换所述未知参数的函数表达式确定为所述关联模型。
可见,可以基于拟合算法确定关联模型,实施方式简便。
在一个实施方式中,所述获取AM样品部件的微结构特征数据与部件性能数据包括下列中的至少一个:
从网页中检索所述AM样品部件的微结构特征数据与部件性能数据;
基于图像识别处理,从图片中获取所述AM样品部件的微结构特征数据与部件性能数据;
从第三方数据库获取所述AM样品部件的微结构特征数据与部件性能数据;
对所述AM样品部件执行测试,以获取所述增材制造样品部件的微结构特征数据与部件性能数据。
可见,可以通过各种数据挖掘方式获取AM部件的微结构特征数据与部件性能数据,从而降低工作量。
在一个实施方式中,
所述关联模型为单个模型,所述基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正,包括:基于AM样品部件的微结构特征数据与部件性能数据,对所述关联模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的关联模型;或
所述关联模型包括多个加权子模型;所述基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正,包括:基于AM样品部件的微结构特征数据与部件性能数据确定相对应的加权子模型,利用AM样品部件的微结构特征数据与部件性能数据对所述相对应的加权子模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的加权子模型;或,基于AM样品部件的微结构特征数据与部件性能数据,对每个加权子模型的权重进行校正。
可见,可以基于AM样品部件的微结构特征数据与部件性能数据对单个的关联模型进行重新拟合校正,还可以对包含多个加权子模型的关联模型中的相应加权子模型进行重新拟合校正,可以对每个加权子模型的权重进行校正,因此本发明实施方式的校正方式具有多种实施方式,应用范围广泛。
在一个实施方式中,该方法还包括:
获取待测AM部件的微结构特征数据,将所述待测AM部件的微结构特征数据输入所述AM部件认证模型以确定待测AM部件的部件性能预测数据;
基于所述部件性能预测数据,认证所述待测AM部件。
可见,基于AM部件认证模型实现了针对待测AM部件的快速认证,无需再执行各种检测试验,不仅降低了成本,还显著节约了认证时间。
在一个实施方式中,该方法还包括:
确定待生产AM部件的目标部件性能数据;
将所述目标部件性能数据输入所述AM部件认证模型,以确定所述待生产AM部件的目标微结构特征数据。
可见,基于AM部件认证模型实现了确定目标微结构特征数据,针对AM部件设计工作提供辅助性的数据。
在一个实施方式中,其特征在于,
对应于所述微结构特征数据的微结构特征包括下列中的至少一个:孔;晶粒;强化相;和/或
对应于所述部件性能数据的部件性能包括下列中的至少一个:拉伸机械性能;压缩机械性能;高温蠕变性能;疲劳性能;寿命。
可见,微结构特征和部件性能具有多种实施方式,因此关联模型可以包含多种对应关系,从而增加了关联模型的适用性。
生成AM部件认证模型的装置,包括:
关联模型确定模块,用于确定非AM部件的微结构特征数据与部件性能数据,并基于所述非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型;
校正模块,用于获取AM样品部件的微结构特征数据与部件性能数据,并基于所述AM样品部件的微结构特征数据与部件性能数据,对所述关联模型进行校正;
模型确定模块,用于将校正后的所述关联模型,确定为AM部件认证模型。
可见,本发明实施方式通过非AM部件的微结构特征数据与部件性能数据确定关联模型,然后基于AM样品部件的微结构特征数据与部件性能数据对关联模型进行校正,可以建立适用于AM部件的微结构和部件质量之间的关联模型,为后续的各种应用提供了关键性的可用模型。
在一个实施方式中,所述关联模型确定模块,用于执行下列处理中的至少一个:
从网页中检索所述非AM部件的微结构特征数据与部件性能数据;
基于图像识别处理,从图片中获取所述非AM部件的微结构特征数据与部件性能数据;
从第三方数据库获取所述非AM部件的微结构特征数据与部件性能数据。
可见,可以通过各种数据挖掘方式获取非AM部件的微结构特征数据与部件性能数据,从而降低工作量。
在一个实施方式中,
所述关联模型确定模块,用于绘制所述非AM部件的微结构特征数据与部件性能数据的散点图;基于所述散点图确定包含未知参数的函数表达式,所述函数表达式用于描述所述微结构特征与所述部件性能之间的对应关系;基于拟合算法确定所述函数表达式中的未知参数,将利用已确定参数替换所述未知参数的函数表达式确定为所述关联模型。
可见,可以基于拟合算法确定关联模型,实施方式简便。
在一个实施方式中,所述校正模块,用于执行下列处理中的至少一个:
从网页中检索所述AM样品部件的微结构特征数据与部件性能数据;
基于图像识别处理,从图片中获取所述AM样品部件的微结构特征数据与部件性能数据;
从第三方数据库获取所述AM样品部件的微结构特征数据与部件性能数据;
对所述AM样品部件执行测试,以获取所述AM样品部件的微结构特征数据与部件性能数据。
可见,可以通过各种数据挖掘方式获取AM部件的微结构特征数据与部件性能数据,从而降低工作量。
在一个实施方式中,
所述关联模型为单个模型;所述校正模块,用于基于AM样品部件的微结构特征数据与部件性能数据,对所述关联模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的关联模型;或
所述关联模型包括多个加权子模型;所述校正模块,用于基于AM样品部件的微结构特征数据与部件性能数据确定相对应的加权子模型,利用AM样品部件的微结构特征数据与部件性能数据对所述相对应的加权子模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的加权子模型;或,基于AM样品部件的微结构特征数据与部件性能数据,对每个加权子模型的权重进行校正。
可见,可以基于AM样品部件的微结构特征数据与部件性能数据对单个的关联模型进行重新拟合校正,可以对包含多个加权子模型的关联模型中的相应加权子模型进行重新拟合校正,还可以对每个加权子模型的权重进行校正,因此本发明实施方式的校正方式具有多种实施方式,应用范围广泛。
在一个实施方式中,还包括:
认证模块,用于获取待测AM部件的微结构特征数据,将所述待测AM部件的微结构特征数据输入所述AM部件认证模型以确定待测AM部件的部件性能预测数据;基于所述部件性能预测数据,认证所述待测AM部件。
可见,基于AM部件认证模型实现了针对待测AM部件的快速认证,无需再执行各种检测试验,不仅降低了成本,还显著节约了认证时间。
在一个实施方式中,还包括:
微结构特征确定模块,用于确定待生产AM部件的目标部件性能数据;将所述目标部件性能数据输入所述AM部件认证模型,以确定所述待生产增材制造部件的目标微结构特征数据。
可见,基于AM部件认证模型实现了确定目标微结构特征数据,针对AM部件设计工作提供辅助性的数据。
在一个实施方式中,
对应于所述微结构特征数据的微结构特征包括下列中的至少一个:孔;晶粒;强化相;和/或
对应于所述部件性能数据的部件性能包括下列中的至少一个:拉伸机械性能;压缩机械性能;高温蠕变性能;疲劳性能;寿命。
可见,微结构特征和部件性能具有多种实施方式,因此关联模型可以包含多种对应关系,从而增加了关联模型的适用性。
存储介质,其中存储有机器可读指令,该机器可读指令用于执行如上任一项所述的方法。
可见,本发明实施方式还提出了一种可以用于生成AM部件认证模型的存储介质。
附图说明
图1为根据本发明实施方式生成AM部件认证模型的方法流程图。
图2为根据本发明实施方式,基于图像识别技术获取微结构特征数据与部件性能数据的示范性示意图。
图3为根据本发明实施方式对关联模型进行校正的示范性示意图。
图4为根据本发明实施方式生成并校正AM部件认证模型的示范性处理过程图。
图5为根据本发明实施方式利用生成的AM部件认证模型认证AM部件的示范性流程图。
图6为根据本发明实施方式实现对AM部件快速认证的操作过程示意图。
图7为根据本发明实施方式利用生成的AM部件认证模型确定目标微结构的示范性流程图。
图8为根据本发明实施方式生成AM部件认证模型的装置结构图。
其中,附图标记如下:
具体实施方式
为了使本发明的技术方案及优点更加清楚明白,以下结合附图及实施方式,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以阐述性说明本发明,并不用于限定本发明的保护范围。
为了描述上的简洁和直观,下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显,本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案,一些实施方式没有进行细致地描述,而是仅给出了框架。下文中,“包括”是指“包括但不限于”,“根据……”是指“至少根据……,但不限于仅根据……”。由于汉语的语言习惯,下文中没有特别指出一个成分的数量时,意味着该成分可以是一个也可以是多个,或可理解为至少一个。
本领域技术人员的通常理解是:可以在AM部件的打印过程和部件质量之间建立关联,并基于该关联认证AM部件。然而,影响AM部件质量的有多种复杂因素,直接在打印过程和部件质量之间建立关联的过程将非常复杂。在本申请中,并不在AM部件的打印过程和部件质量之间建立关联,而是建立AM部件的微结构和部件质量之间的关联,并通过AM部件的微结构和部件质量之间的关联对AM部件执行认证。在建立AM部件的微结构和部件质量之间的关联之后,可以通过微结构特征的测量和验证来实现AM制造部件的快速认证,从而避免机械性能测试并节约时间。另外,还可以通过这种关联确定符合预期的部件性能的目标微结构。
本申请人还发现:建立AM部件的微结构和部件质量之间的关联通常需要大量的样品制备和测试,这也涉及大量的时间和成本消耗。在本申请中,利用常规方式制造部件(即非AM部件)的微结构和部件质量的可用数据来开发粗略的关联模型,然后再使用数目显著降低的AM制造部件的微结构和部件质量的可用数据来优化关联模型,从而避免样品制备和测试的大量时间和成本消耗。
图1为根据本发明实施方式生成AM部件认证模型的方法流程图。
如图1所示,该方法包括:
步骤101:确定非AM部件的微结构特征数据与部件性能数据,并基于非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型。
在这里,非AM部件即为常规方式制造部件,比如通过铸造方式或锻造方式制造出的部件。微结构包括:孔;晶粒;强化相,等等。微结构特征包括微结构的相应特征参数,比如孔隙率、晶粒度、晶向、第二相强化基体相,等等。相应的,部件性能包括:拉伸机械性能;压缩机械性能;高温蠕变性能;疲劳性能;寿命,等等。
以上示范性描述了微结构特征和部件性能的典型实例,本领域技术人员可以意识到,这种实例仅为示范性的,并不用于对本发明实施方式的保护范围进行限定。
非AM部件通常具有大量的已有相关数据,包括已知的微结构特征数据和已知的部件性能数据。这些已知数据可以源自当前可用的数据库,也可以通过数据挖掘从公共文献中获取。
在这里,在一个实施方式中,确定非AM部件的微结构特征数据与部件性能数据包括下列方式:
方式(1)、从网页中检索非AM部件的微结构特征数据与部件性能数据。
方式(2)、基于图像识别处理,从图片中获取非AM部件的微结构特征数据与部件性能数据。
方式(3)、从第三方数据库获取非AM部件的微结构特征数据与部件性能数据。
考虑到可用的微结构信息通常是图像或图形,可以采用基于开源代码的ImageJ等自动图像分析软件的附加工具获得微观结构的定量信息(比如,体积分数、尺寸、形状、取向等)作为微结构特征数据。
在这里,基于非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型包括:绘制非AM部件的微结构特征数据与部件性能数据的散点图;基于散点图确定包含未知参数的函数表达式;基于拟合算法确定函数表达式中的未知参数,将利用已确定参数替换未知参数的函数表达式确定为关联模型。
其中,关联模型可以实施为一个特定的微结构特征与一个特定的部件性能之间的对应关系,可以实施为一个特定的微结构特征与多个特定的部件性能之间的对应关系,可以实施为多个特定的微结构特征与一个特定的部件性能之间的对应关系,或可以实施为多个特定的微结构特征与多个特定的部件性能之间的对应关系。
具体地,相关建模可以经由专家系统,通过自动数据拟合与预先确定的物理模型而实现,包括微观结构特征和测试结果的概率分布。而且,通过测试结果和拟合数据之间的最小平方偏差的方法自动选择适当的物理模型。
以上示范性描述了非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型的示范性方法,本领域技术人员可以意识到,这种描述仅是示范性的,并不用于限定本发明实施方式的保护范围。
步骤102:获取AM样品部件的微结构特征数据与部件性能数据,并基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正。
AM样品部件可以与步骤101中的非AM部件具有相同的形状或不同的形状。优选的,AM样品部件可以与步骤101中的非AM部件具有相同或相似的形状。而且,AM样品部件可以与步骤101中的非AM部件具有相同的化学组成或不同的化学组成。优选的,AM样品部件可以与步骤101中的非AM部件具有相同或相似的化学组成。类似地,AM样品部件的微结构包括:孔;晶粒;强化相,等等。而且,AM样品部件的微结构特征包括微结构的相应特征参数,比如孔隙率、晶粒度、晶向、第二相强化基体相,等等。相应的,AM样品部件的部件性能包括:拉伸机械性能;压缩机械性能;高温蠕变性能;疲劳性能;寿命,等等。
在这里,获取AM样品部件的微结构特征数据与部件性能数据包括下列方式:
方式(1)、从网页中检索AM部件的微结构特征数据与部件性能数据。
方式(2)、基于图像识别处理,从图片中获取AM部件的微结构特征数据与部件性能数据。
方式(3)、从第三方数据库获取AM部件的微结构特征数据与部件性能数据。
方式(4)、对AM样品部件执行测试,以获取AM样品部件的微结构特征数据与部件性能数据。在这里,可以对AM样品部件执行拉伸机械性能测试、压缩机械性能测试、高温蠕变性能测试、疲劳性能测试等等。
图2为根据本发明实施方式,基于图像识别技术获取微结构特征数据与部件性能数据的示范性示意图。
由图2可见,图像分析工具31,从大量关于非AM部件图表信息中,自动分析获取微结构特征数据与部件性能数据。微结构特征数据包括微结构特征的定量信息(比如,体积分数、尺寸、形状、取向)等,具体包括孔隙/缺陷分布、晶粒和强化相,等等。
在一个实施方式中,关联模型为单个模型,基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正,包括:基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的关联模型。
在这里,关联模型为单个模型,此时将AM样品部件的微结构特征数据与部件性能数据与步骤101中已获取的非AM部件的微结构特征数据与部件性能数据融合在一起,对关联模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的关联模型。
在一个实施方式中,关联模型包括多个加权子模型,基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正,包括:基于AM样品部件的微结构特征数据与部件性能数据确定相对应的加权子模型,利用AM样品部件的微结构特征数据与部件性能数据对相对应的加权子模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的加权子模型。比如,加权子模型可以包括:疲劳失效模型,蠕变寿命模型,机械强度和物理性能模型,等等。
在这里,关联模型包括多个加权子模型,此时首先基于AM样品部件的微结构特征数据与部件性能数据,确定相对应的加权子模型,其中所确定的加权子模型包含与AM样品部件的微结构特征数据与部件性能数据相同的对应关系。然后,再将AM样品部件的微结构特征数据与部件性能数据与步骤101中已获取的、与该已确定的加权子模型具有对应关系的非AM部件的微结构特征数据与部件性能数据融合在一起,对加权子模型进行重新拟合,并将重新拟合后生成的加权子模型确定为校正后的加权子模型。
在一个实施方式中,关联模型包括多个加权子模型,基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正,包括:基于AM样品部件的微结构特征数据与部件性能数据,对每个加权子模型的权重进行校正。
在这里,关联模型包括多个加权子模型,此时直接将AM样品部件的微结构特征数据与部件性能数据与步骤101中已获取的、用于确定所有加权子模型的所有非AM部件的微结构特征数据与部件性能数据融合在一起进行重新拟合,从而实现了对每个加权子模型的权重进行校正。
步骤103:将校正后的关联模型,确定为AM部件认证模型。
可见,本发明实施方式建立适用于AM部件的微结构和部件质量之间的关联模型,为后续的各种应用提供了关键性的可用模型。
图3为根据本发明实施方式对关联模型进行校正的示范性示意图。
由图3可见,首先,在非AM部件建模过程21中,基于非AM部件的大量已知数据建立微结构与部件性能之间的关联模型。然后,获取AM部件样品数据22,并在模型优化过程23中应用AM部件样品数据22对关联模型进行优化。
当基于图1所示流程确定AM部件认证模型之后,可以通过微结构特征的测量和验证来实现AM部件的快速鉴定,可以避免机械性能测试并节约时间。
在一个实施方式中,该方法还包括:
获取待测AM部件的微结构特征数据,将待测AM部件的微结构特征数据输入AM部件认证模型以确定待测AM部件的部件性能预测数据;
基于部件性能预测数据,认证待测AM部件。
比如,获取待测AM部件的微结构特征数据,基于关联模型获取对应于待测AM部件的微结构特征数据的AM部件性能数据,即为性能预测数据,然后将该性能预测数据与预定的指标值进行对比,如果与指标值相匹配,则认定认证通过,否则认定认证不通过。
图4为根据本发明实施方式生成并校正AM部件认证模型的示范性处理过程图。
在图4中,从数据库41中检索出非AM部件化学组成42、非AM部件制造工艺43、非AM部件后处理44、非AM部件冶金结构45和非AM部件的物理与机械性能48。其中,非AM部件制造工艺43、非AM部件后处理44和非AM部件冶金结构45构成非AM部件的微结构特征数据的提供源46;非AM部件冶金结构45和非AM部件的物理与机械性能48构成非AM部件的性能数据的提供源47。非AM部件的微结构特征数据的提供源46提供非AM部件的微结构特征数据69,非AM部件的性能数据的提供源47提供非AM部件的性能数据70。专家系统68基于微结构特征数据69和性能数据70生成关联模型。然后,从数据库41中再检索出AM部件化学组成62、AM部件制造工艺63、AM部件后处理64、AM部件冶金结构65和AM部件的物理与机械性能61。其中,AM部件制造工艺63、AM部件后处理64和AM部件冶金结构65构成AM部件的微结构特征数据的提供源66;AM部件冶金结构65和AM部件的物理与机械性能61构成AM部件的性能数据的提供源67。可以利用AM部件的微结构特征数据的提供源66提供的AM部件的微结构特征数据以及AM部件的性能数据的提供源67提供的AM部件的性能数据,对关联模型进行校正。
当基于图1所示流程确定AM部件认证模型之后,还可以通过这种关联性确定符合预期的部件性能的目标微结构。
在一个实施方式中,该方法还包括:
确定待生产AM部件的目标部件性能数据;将目标部件性能数据输入AM部件认证模型,以确定待生产AM部件的目标微结构特征数据。
在这里,首先确定AM部件的目标部件性能数据(比如某个拉伸机械性能指标),然后将目标部件性能数据输入关联模型以计算出对应的目标微结构特征数据,从而针对AM部件设计工作提供辅助性的数据。
下面描述本发明实施方式的典型应用。
图5为根据本发明实施方式利用生成的AM部件认证模型认证AM部件的示范性流程图。
如图5所示,该方法包括:
步骤501:确定非AM部件的微结构特征数据与部件性能数据,并基于非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型。
步骤502:获取AM样品部件的微结构特征数据与部件性能数据,并基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正。
步骤503:将校正后的关联模型,确定为AM部件认证模型。
步骤504:获取待测AM部件的微结构特征数据,将待测AM部件的微结构特征数据输入AM部件认证模型以确定待测AM部件的部件性能预测数据。
步骤505:基于部件性能预测数据,认证待测增材制造部件。
可见,基于图5所示流程,可以基于AM部件认证模型实现了针对待测AM部件的快速认证,无需再针对待测AM部件执行各种检测试验,不仅降低了成本,还显著节约了认证时间。
图6为根据本发明实施方式实现对AM部件快速认证的操作过程示意图。
图6所示的操作过程包括原始数据获取层90、原始数据清洗层91、特征数据提取层92、数据管理层93和快速认证层94。
在原始数据获取层90中,可以通过网页搜索71、图表索引72和第三方材料数据库70获取非AM部件的微结构特征数据与部件性能数据的海量数据,还可以进一步获取AM样品部件的微结构特征数据与部件性能数据,这些数据统称为原始数据。
在原始数据清洗层91中,基于原始数据获取层90获取的原始数据提取AM样品部件和非AM部件的微结构73及材料和组成74,还可以对AM样品部件执行测试以获取测试结果79,这些数据统称为清洗后的原始数据。
在特征数据提取层92中,从清洗后的原始数据中提取出量化信息80。其中,可以利用特别图像处理76和第三方软件77,对微结构相关的数据执行图像分析75以获取量化后的微结构特征数据和量化后的部件性能数据。而且,还可以基于微结构特征的概率统计分布78,从测试结果79中提取量化后的、相应的微结构特征数据和量化后的部件性能数据。
在数据管理层93中,保存由特征数据提取层92所提取的量化数据。
在快速认证层94中,专家系统81基于数据管理层93中的量化数据确定和优化关联模型82,并接收待测的AM部件的微结构特征数据,利用关联模型82执行属性仿真83以执行认证,并最终输出认证报告84。
以上示范性描述了对AM部件快速认证的操作过程。本领域技术人员可以意识到,这种描述仅是示范性的,并不用于对本发明实施方式的保护范围进行限定。
图7为根据本发明实施方式利用生成的AM部件认证模型确定目标微结构的示范性流程图。
如图7所示,该方法包括:
步骤701:确定非AM部件的微结构特征数据与部件性能数据,并基于非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型。
步骤702:获取AM样品部件的微结构特征数据与部件性能数据,并基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正。
步骤703:将校正后的关联模型,确定为AM部件认证模型。
步骤704:确定待生产AM部件的目标部件性能数据。
步骤705:将目标部件性能数据输入AM部件认证模型,以确定待生产AM部件的目标微结构特征数据。
可见,基于图7所示流程实现了确定目标微结构特征数据,从而可以设计出满足目标部件性能数据的目标微结构及其特征,从而针对AM部件设计工作提供辅助性的数据。
基于上述描述,本发明实施方式还提出了一种生成AM部件认证模型的装置。
图8为根据本发明实施方式生成AM部件认证模型的装置结构图。
如图8所示,该装置包括:
关联模型确定模块801,用于确定非AM部件的微结构特征数据与部件性能数据,并基于非AM部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型;
校正模块802,用于获取AM样品部件的微结构特征数据与部件性能数据,并基于AM样品部件的微结构特征数据与部件性能数据,对关联模型进行校正;
模型确定模块803,用于将校正后的关联模型,确定为AM部件认证模型。
在一个实施方式中,关联模型确定模块801,用于执行下列处理中的至少一个:
从网页中检索非AM部件的微结构特征数据与部件性能数据;基于图像识别处理,从图片中获取非AM部件的微结构特征数据与部件性能数据;从第三方数据库获取非AM部件的微结构特征数据与部件性能数据。
在一个实施方式中,关联模型确定模块801,用于绘制非AM部件的微结构特征数据与部件性能数据的散点图;基于散点图确定包含未知参数的函数表达式,该函数表达式用于描述微结构特征与部件性能之间的对应关系;基于拟合算法确定函数表达式中的未知参数,将利用已确定参数替换未知参数的函数表达式确定为关联模型。
在一个实施方式中,校正模块802,用于执行下列处理中的至少一个:从网页中检索AM样品部件的微结构特征数据与部件性能数据;基于图像识别处理,从图片中获取AM样品部件的微结构特征数据与部件性能数据;从第三方数据库获取AM样品部件的微结构特征数据与部件性能数据;对AM样品部件执行测试,以获取AM样品部件的微结构特征数据与部件性能数据。
在一个实施方式中,关联模型为单个模型;校正模块802,用于基于增AM样品部件的微结构特征数据与部件性能数据,对关联模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的关联模型。
在一个实施方式中,关联模型包括多个加权子模型;校正模块802,用于基于AM样品部件的微结构特征数据与部件性能数据确定相对应的加权子模型,利用AM样品部件的微结构特征数据与部件性能数据对所述相对应的加权子模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的加权子模型。
在一个实施方式中,关联模型包括多个加权子模型;校正模块802,基于AM样品部件的微结构特征数据与部件性能数据,对每个加权子模型的权重进行校正。
在一个实施方式中,还包括:
认证模块804,用于获取待测AM部件的微结构特征数据,将待测AM部件的微结构特征数据输入AM部件认证模型以确定待测增材制造部件的部件性能预测数据;基于部件性能预测数据,认证待测AM部件。
在一个实施方式中,还包括:
微结构特征确定模块805,用于确定待生产AM部件的目标部件性能数据;将目标部件性能数据输入AM部件认证模型,以确定待生产AM部件的目标微结构特征数据。
在一个实施方式中,对应于微结构特征数据的微结构特征包括下列中的至少一个:孔;晶粒;强化相,等等。在一个实施方式中,对应于部件性能数据的部件性能包括下列中的至少一个:拉伸机械性能;压缩机械性能;高温蠕变性能;疲劳性能;寿命,等等。
基于上述详细描述,本发明实施方式还提出了一种生成AM部件认证模型的装置,包括:至少一个存储器,用于存储机器可读指令;至少一个处理器,用于调用所述机器可读指令执行如上任一项所述的方法。其中,上述信息处理装置中的存储器可以是高速随机存取存储器,诸如动态随机存取存储器(Dynamic Random Access Memory,DRAM)、静态随机存取存储器(Static Random Access Memory,SRAM),或其他随机存储固态存储设备;或者是非易失性存储器,诸如一或多个磁盘存储设备、光盘存储设备、闪存设备或其他非易失性存储设备。
需要说明的是,上述各流程和各结构图中不是所有的步骤和模块都是必须的,可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的,可以根据需要进行调整。各模块的划分仅仅是为了便于描述采用的功能上的划分,实际实现时,一个模块可以分由多个模块实现,多个模块的功能也可以由同一个模块实现,这些模块可以位于同一个设备中,也可以位于不同的设备中。
各实施方式中的硬件模块可以以机械方式或电子方式实现。例如,一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器,如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式,或是采用专用的永久性电路,或是采用临时配置的电路(如由软件进行配置)来实现硬件模块,可以根据成本和时间上的考虑来决定。
另外,本申请的每个实施方式都可以通过诸如计算机的数据处理设备所执行的数据处理程序来实现。显然,数据处理程序构成了本申请。此外,通常存储在一个存储介质中的数据处理程序通过直接将程序读取出存储介质或者通过将程序安装或复制到数据处理设备的存储设备(如硬盘和/或内存)中执行。因此,这样的存储介质也构成了本申请。本申请还提供了一种非易失性存储介质,其中存储有数据处理程序,这种数据处理程序可用于执行本发明实施方式上述方法实例中的任意一种。
本发明还提供了一种机器可读的存储介质,存储用于使一机器执行如上述任意方法的指令。具体地,可以提供配有存储介质的系统或者装置,在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码,且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外,还可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中,随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作,从而实现上述实施方式中任一实施方式的功能。
用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地,可以由通信网络从服务器计算机上下载程序代码。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.生成增材制造部件认证模型的方法,其特征在于,包括:
确定非增材制造部件的微结构特征数据与部件性能数据,并基于所述非增材制造部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型(101);所述基于非增材制造部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型包括:绘制所述非增材制造部件的微结构特征数据与部件性能数据的散点图;基于所述散点图确定包含未知参数的函数表达式,所述函数表达式用于描述所述微结构特征与所述部件性能之间的对应关系;基于拟合算法确定所述函数表达式中的未知参数,将利用已确定参数替换所述未知参数的函数表达式确定为所述关联模型;
获取增材制造样品部件的微结构特征数据与部件性能数据,并基于所述增材制造样品部件的微结构特征数据与部件性能数据,对所述关联模型进行校正(102);
将校正后的所述关联模型,确定为增材制造部件认证模型(103)。
2.根据权利要求1所述的方法,其特征在于,所述确定非增材制造部件的微结构特征数据与部件性能数据包括下列中的至少一个:
从互联网中检索所述非增材制造部件的微结构特征数据与部件性能数据;
基于图像识别处理,从外部图片中获取所述非增材制造部件的微结构特征数据与部件性能数据;
从外部数据库获取所述非增材制造部件的微结构特征数据与部件性能数据。
3.根据权利要求1所述的方法,其特征在于,所述获取增材制造样品部件的微结构特征数据与部件性能数据包括下列中的至少一个:
从互联网中检索所述增材制造样品部件的微结构特征数据与部件性能数据;
基于图像识别处理,从外部图片中获取所述增材制造样品部件的微结构特征数据与部件性能数据;
从外部数据库获取所述增材制造样品部件的微结构特征数据与部件性能数据;
对所述增材制造样品部件执行测试,以获取所述增材制造样品部件的微结构特征数据与部件性能数据。
4.根据权利要求1-3中任一项所述的方法,其特征在于,
所述关联模型为单个模型,所述基于增材制造样品部件的微结构特征数据与部件性能数据,对关联模型进行校正,包括:基于增材制造样品部件的微结构特征数据与部件性能数据,对所述关联模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的关联模型;或
所述关联模型包括多个加权子模型;所述基于增材制造样品部件的微结构特征数据与部件性能数据,对关联模型进行校正,包括:基于增材制造样品部件的微结构特征数据与部件性能数据确定相对应的加权子模型,利用增材制造样品部件的微结构特征数据与部件性能数据对所述相对应的加权子模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的加权子模型;或,基于增材制造样品部件的微结构特征数据与部件性能数据,对每个加权子模型的权重进行校正。
5.根据权利要求1所述的方法,其特征在于,该方法还包括:
获取待测增材制造部件的微结构特征数据,将所述待测增材制造部件的微结构特征数据输入所述增材制造部件认证模型以确定待测增材制造部件的部件性能预测数据(504);
基于所述部件性能预测数据,认证所述待测增材制造部件(505)。
6.根据权利要求1所述的方法,其特征在于,该方法还包括:
确定待生产增材制造部件的目标部件性能数据(704);
将所述目标部件性能数据输入所述增材制造部件认证模型,以确定所述待生产增材制造部件的目标微结构特征数据(705)。
7.根据权利要求1所述的方法,其特征在于,
对应于所述微结构特征数据的微结构特征包括下列中的至少一个:孔、晶粒、强化相;和/或
对应于所述部件性能数据的部件性能包括下列中的至少一个:拉伸机械性能、压缩机械性能、高温蠕变性能、疲劳性能、寿命。
8.生成增材制造部件认证模型的装置,其特征在于,包括:
关联模型确定模块(801),用于确定非增材制造部件的微结构特征数据与部件性能数据,并基于所述非增材制造部件的微结构特征数据与部件性能数据建立微结构特征与部件性能的关联模型;
校正模块(802),用于获取增材制造样品部件的微结构特征数据与部件性能数据,并基于所述增材制造样品部件的微结构特征数据与部件性能数据,对所述关联模型进行校正;
模型确定模块(803),用于将校正后的所述关联模型,确定为增材制造部件认证模型;
所述关联模型确定模块(801),还用于绘制所述非增材制造部件的微结构特征数据与部件性能数据的散点图;基于所述散点图确定包含未知参数的函数表达式,所述函数表达式用于描述所述微结构特征与所述部件性能之间的对应关系;基于拟合算法确定所述函数表达式中的未知参数,将利用已确定参数替换所述未知参数的函数表达式确定为所述关联模型。
9.根据权利要求8所述的装置,其特征在于,所述关联模型确定模块(801),用于执行下列处理中的至少一个:
从网页中检索所述非增材制造部件的微结构特征数据与部件性能数据;
基于图像识别处理,从图片中获取所述非增材制造部件的微结构特征数据与部件性能数据;
从第三方数据库获取所述非增材制造部件的微结构特征数据与部件性能数据。
10.根据权利要求8所述的装置,其特征在于,所述校正模块(802),用于执行下列处理中的至少一个:
从网页中检索所述增材制造样品部件的微结构特征数据与部件性能数据;
基于图像识别处理,从图片中获取所述增材制造样品部件的微结构特征数据与部件性能数据;
从第三方数据库获取所述增材制造样品部件的微结构特征数据与部件性能数据;
对所述增材制造样品部件执行测试,以获取所述增材制造样品部件的微结构特征数据与部件性能数据。
11.根据权利要求8-10中任一项所述的装置,其特征在于,
所述关联模型为单个模型;所述校正模块(802),用于基于增材制造样品部件的微结构特征数据与部件性能数据,对所述关联模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的关联模型;或
所述关联模型包括多个加权子模型;所述校正模块(802),用于基于增材制造样品部件的微结构特征数据与部件性能数据确定相对应的加权子模型,利用增材制造样品部件的微结构特征数据与部件性能数据对所述相对应的加权子模型进行重新拟合,并将重新拟合后生成的模型确定为校正后的加权子模型;或,基于增材制造样品部件的微结构特征数据与部件性能数据,对每个加权子模型的权重进行校正。
12.根据权利要求8所述的装置,其特征在于,还包括:
认证模块(804),用于获取待测增材制造部件的微结构特征数据,将所述待测增材制造部件的微结构特征数据输入所述增材制造部件认证模型以确定待测增材制造部件的部件性能预测数据;基于所述部件性能预测数据,认证所述待测增材制造部件。
13.根据权利要求8所述的装置,其特征在于,还包括:
微结构特征确定模块(805),用于确定待生产增材制造部件的目标部件性能数据;将所述目标部件性能数据输入所述增材制造部件认证模型,以确定所述待生产增材制造部件的目标微结构特征数据。
14.根据权利要求8所述的装置,其特征在于,
对应于所述微结构特征数据的微结构特征包括下列中的至少一个:孔、晶粒、强化相、和/或
对应于所述部件性能数据的部件性能包括下列中的至少一个:拉伸机械性能、压缩机械性能、高温蠕变性能、疲劳性能、寿命。
15.存储介质,其特征在于,其中存储有机器可读指令,该机器可读指令用于执行所述权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710911428.5A CN109582990B (zh) | 2017-09-29 | 2017-09-29 | 生成增材制造部件认证模型的方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710911428.5A CN109582990B (zh) | 2017-09-29 | 2017-09-29 | 生成增材制造部件认证模型的方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109582990A CN109582990A (zh) | 2019-04-05 |
CN109582990B true CN109582990B (zh) | 2023-05-23 |
Family
ID=65919028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710911428.5A Active CN109582990B (zh) | 2017-09-29 | 2017-09-29 | 生成增材制造部件认证模型的方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109582990B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11054352B2 (en) * | 2019-05-16 | 2021-07-06 | The Boeing Company | Method of testing additive manufactured material and additive manufactured parts |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768700A (zh) * | 2011-03-09 | 2012-11-07 | 通用汽车环球科技运作有限责任公司 | 用于计算地开发能制造和耐用铸件的系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10330018B2 (en) * | 2014-03-24 | 2019-06-25 | Rolls-Royce Corporation | Integrating design and field management of gas turbine engine components with a probabilistic model |
-
2017
- 2017-09-29 CN CN201710911428.5A patent/CN109582990B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102768700A (zh) * | 2011-03-09 | 2012-11-07 | 通用汽车环球科技运作有限责任公司 | 用于计算地开发能制造和耐用铸件的系统和方法 |
Non-Patent Citations (1)
Title |
---|
软土物理力学性质指标与微结构参数的灰色关联-神经网络模型;刘勇健等;《岩土力学》;20110410(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109582990A (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102120522B1 (ko) | 대표 타겟 부분집합의 선택 및 이용 | |
JP2001274209A (ja) | 半導体検査装置、半導体欠陥解析装置、半導体設計データ修正装置、半導体検査方法、半導体欠陥解析方法、半導体設計データ修正方法およびコンピュータ読み取り可能な記録媒体 | |
US20160034614A1 (en) | Materials property predictor for cast aluminum alloys | |
KR20150074034A (ko) | 확률론적 피로 균열 수명 추정을 위한 방법 및 시스템 | |
US10628935B2 (en) | Method and system for identifying defects of integrated circuits | |
TW201712775A (zh) | 疊代式缺陷濾除製程 | |
CN106407490A (zh) | 在芯片设计布局中发现未知问题图案的系统与方法 | |
JP6529590B2 (ja) | ウェハにおける臨界寸法問題及びパターン不良の干渉法を用いた予測及び制御 | |
TW201321911A (zh) | 產生用於製造工具之配方的方法及其系統 | |
JP2007265104A (ja) | 構造解析装置、構造解析方法、及び構造解析プログラム | |
CN109313110A (zh) | 使用数字图像相关技术的应用评估 | |
JP2018504772A (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定 | |
CN109582990B (zh) | 生成增材制造部件认证模型的方法、装置和存储介质 | |
JP2024509741A (ja) | パーツ、センサ、および計測データ統合 | |
CN111368041B (zh) | 材料的确定方法及装置 | |
CN111445021B (zh) | 学习方法、学习设备和计算机可读记录介质 | |
Calvi | Uncertainty-based loads analysis for spacecraft: Finite element model validation and dynamic responses | |
US8706436B2 (en) | Manufacture of engineering components with designed defects for analysis of production components | |
Saunders et al. | Additive manufacturing melt pool prediction and classification via multifidelity Gaussian process surrogates | |
Ding et al. | The method of MEMS gyroscope random error compensation based on ARMA | |
CN109598006B (zh) | 调整产品模型的方法、装置和存储介质 | |
Sousa et al. | Clustering algorithms for nanomechanical property mapping and resultant microstructural constituent and phase quantification | |
US20210326755A1 (en) | Learning model creation device, material property prediction device, and learning model creation method and program | |
JP2006210931A (ja) | 半導体設計データ修正方法 | |
CN114944204A (zh) | 用于管理分子预测的方法、装置、设备和介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |