CN109967741A - 一种基于增强学习的3d打印工艺优化方法 - Google Patents

一种基于增强学习的3d打印工艺优化方法 Download PDF

Info

Publication number
CN109967741A
CN109967741A CN201910253198.7A CN201910253198A CN109967741A CN 109967741 A CN109967741 A CN 109967741A CN 201910253198 A CN201910253198 A CN 201910253198A CN 109967741 A CN109967741 A CN 109967741A
Authority
CN
China
Prior art keywords
model
printing
print parameters
printed
printer
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.)
Granted
Application number
CN201910253198.7A
Other languages
English (en)
Other versions
CN109967741B (zh
Inventor
喻川
张明
王广玮
李江山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Han Kaisi Intellectual Technology Co Ltd
Original Assignee
Guizhou Han Kaisi Intellectual Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Han Kaisi Intellectual Technology Co Ltd filed Critical Guizhou Han Kaisi Intellectual Technology Co Ltd
Priority to CN201910253198.7A priority Critical patent/CN109967741B/zh
Publication of CN109967741A publication Critical patent/CN109967741A/zh
Application granted granted Critical
Publication of CN109967741B publication Critical patent/CN109967741B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20—Direct sintering or melting
    • B22F10/22—Direct deposition of molten metal
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/20—Direct sintering or melting
    • B22F10/25—Direct deposition of metal particles, e.g. direct metal deposition [DMD] or laser engineered net shaping [LENS]
    • 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
    • B33Y10/00—Processes of additive manufacturing
    • 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
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B22—CASTING; POWDER METALLURGY
    • B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
    • B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
    • B22F10/80—Data acquisition or data processing
    • 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

  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)

Abstract

本发明公开了一种基于增强学习的3D打印工艺优化方法，按下述步骤进行：a.采集若干已打印模型的打印参数对Q‑learning模型进行训练，训练后得到已打印模型的最优打印参数，最优打印参数存储于训练后得到的训练模型中；b.建立待打印模型的3D模型，将3D模型切成k层切片，建立每层切片的2D模型；c.根据每层切片的2D模型构建打印模型的3D打印路径规划；d.将待打印模型与已打印模型匹配，使用与待打印模型匹配度最高的已打印模型的最优打印参数作为待打印模型的实际打印参数；e.将步骤c中的3D打印路径规划与步骤d中的实际打印参数输入3D打印设备进行待打印模型的3D打印。本发明具有提升3D打印质量、缩短3D打印周期，降低3D打印成本的特点。

Description

一种基于增强学习的3D打印工艺优化方法
技术领域
本发明涉及丝材-电弧增材制造技术领域，特别是一种基于增强学习的3D打印工艺优化方法。
背景技术
近年来，快速制造成型技术迅速发展，其中以3D打印为代表的新型成型技术在全球范围内都得到广泛关注。该技术的核心工艺是在数控设备的辅助下，将金属材料以球状粉末或丝材的形式通过高能束流（包括激光或电子束等）进行逐层的熔化丝材或粉材，进而沉积形成大型结构件。与传统的“去除”式的切削加工方式不同，该技术以“生长”式的理念进行逐层沉积，极大地提升了原材料的利用率和新产品的艺术性。同时由于避免了大量模具的设计和加工过程，极大地缩短了构件的制备周期和节约勒大量的投入成本。作为金属材料传统成形方法的有益补充，3D打印成型解决了许多通过热变形制备技术无法攻克的难题。
上面提及到了3D打印具有许多技术优点，但是在实际运用过程中也还有许多亟待解决的问题。如工艺路线和工艺参数的选择：一方面，由于3D打印更多是运用在小批量、结构复杂、高附加值的产品上，使用激光或电子束作为热源在成本控制方面有如下不足：1.对于激光热源，其成形速率慢、铝合金对激光的吸收率低等；2.对于电子束热源，真空炉体尺寸对构件体积的限制。另一方面，在传统的3D打印过程中，工艺参数绝大部分依赖于大量的工艺试验来确定，导致周期长，成本高，应用的场景少等问题。
发明内容
本发明的目的在于，提供一种基于增强学习的3D打印工艺优化方法。本发明具有提升3D打印质量、缩短3D打印周期，降低3D打印成本的特点。
本发明的技术方案：一种基于增强学习的3D打印工艺优化方法，按下述步骤进行：
a.采集若干已打印模型的打印参数对Q-learning模型进行训练，训练后得到已打印模型的最优打印参数，最优打印参数存储于训练后得到的训练模型中；
b.建立待打印模型的3D模型，将3D模型切成k层切片，建立每层切片的2D模型；
c.根据每层切片的2D模型构建打印模型的3D打印路径规划；
d.将待打印模型与已打印模型匹配，使用与待打印模型匹配度最高的已打印模型的最优打印参数作为待打印模型的实际打印参数；
e.将步骤c中的3D打印路径规划与步骤d中的实际打印参数输入3D打印设备进行待打印模型的3D打印。
前述的基于增强学习的3D打印工艺优化方法所述的步骤e中，所述的3D打印设备为WAAM电弧增材制造设备。
前述的基于增强学习的3D打印工艺优化方法所述的步骤a中 ，所述的打印参数包括WAAM电弧增材制造设备中电弧生成系统的电弧电压U、堆积电流I和堆积速度V3。
前述的基于增强学习的3D打印工艺优化方法所述的步骤a中 ，所述的打印参数还包括WAAM电弧增材制造设备中送丝系统的送丝速度V2和焊丝直径D。
前述的基于增强学习的3D打印工艺优化方法所述的步骤a中 ，所述的打印参数还包括WAAM电弧增材制造设备的运动执行机构中的熔枪移动速度V1和熔枪放置角度θ。
有益效果
与现有技术相比，本发明通过大量已打印模型的打印参数对Q-learning模型进行训练，进而得到最优的打印参数，再将待打印模型与已打印模型匹配，使用与待打印模型匹配度最高的已打印模型的最优打印参数作为待打印模型的实际打印参数；通过该方法，由于Q-learning模型具有自学习能力，能够在3d打印过程中不断地优化打印参数，不仅起到明显提升3D打印质量和达到智能制造的目的，而且取代了传统3D打印中，打印参数绝大部分依赖于大量工艺试验的传统做法，有效缩短了3D打印周期，降低了3D打印成本。而且随着，3D打印次数的不断增多，已打印模型样本容量的不断增加，最优的打印参数会越来越优化，3D打印的打印质量会越来越高。
本发明采用电弧作为3D打印的热源，具有如下优点：1.由于3D打印主要是基于堆焊技术，因此要尽量小的热源输入量，以此来保证晓得变形量，同时防止长时间的焊缝过热导致金属晶粒粗大等问题；本发明经过不断试验得知，采用电弧作为热源，能够很好地解决上述问题；2.稳定的电弧特征能够减小的金属熔渣飞溅；3.产生电弧的电弧生成系统具有多种焊接方式可扩展的接口，方便针对不同材料选择不同的焊接方式，使用灵活方便；4.采用电弧生成系统可与整个3D打印系统完美配套，能够实现联调，兼容性强。
本发明通过长时间的实验积累发现：在电弧生成系统中，对整个3D打印影响最大的打印参数为电弧电压U和堆积电流I；其中，电弧电压U是指焊枪点嘴（即熔枪点嘴）到打印工件之间形成的电压，他的大小直接决定了电弧的长短和熔滴的过度过程形式，对堆积过程的稳定性、焊道成型、堆积缺陷以及飞溅都有很大的影响，同时，电弧电压U与堆积速度V3及堆积电流I之间也存在着严格的匹配关系。结合长时间的实验表明：在3D打印过程中，随着电弧电压U的增大，堆积件的熔宽变大，每层的层高略有减小；电弧电压过大则导致熔池沸腾，飞溅大幅增多；电弧电压过小则导致起弧困难，经常性断弧，大颗粒飞溅多；综上，本发明采用Q-learning模型对电弧生成系统中的电弧电压U、堆积电流I和堆积速度V3三个打印参数进行优化，能够促进电弧稳定及提升3D打印质量。
经过申请人研究得出：在WAAM电弧增材制造设备中，送丝系统的送丝速度V2和焊丝直径D直接影响堆积电流I的大小；当焊丝直径D一定时，送丝速度V2与堆积电流I呈一定的相关性，送丝速度V2加快，熔宽变窄，每层高度增加，当增加至一定程度时，焊丝没有完全形成熔融状态，导致打印产品堆砌失败；反之，送丝速度V2减小，熔宽增加，且由于形成的熔融滴状物不能连续的沉积在物件表面，容易形成点状打印形态，同时飞溅大颗粒增加，导致打印失败。通过对堆积电流I的相关实验积累可得到如下结论：堆积电流I大时，会造成热输入量过大、基板变形严重、合金元素烧损严重等问题，同时也会损伤设备；堆积电流I过小，电流小形成不连续熔焊点，结合实际场景考虑，实芯类制件，电流应小，避免烧毁；对薄壁类制件可根据需要稍增大电流。综上，送丝速度V2与堆积电流I均为本发明3D打印工艺的重要打印参数，其可做为一组反馈的控制变量作用于3D打印系统，能够对3D打印质量的提升起到重要作用；因此本发明采用Q-learning模型对送丝系统的送丝速度V2和电弧生成系统中的堆积电流I进行优化，能够更好地促进3D打印质量的提升。
本发明的WAAM电弧增材制造设备中的运动执行机构系统作为承载平台，承接着熔枪运动轨迹的作用，其具有可编程化、可实时调整、接口可拓展化等特点。具体来说：作为由点向三维方向扩展的运动执行机构，其位移定位与速度、位置的重复定位精度、运动稳定性等对成形件尺寸精度的影响至关重要，其状态可用熔枪移动速度V1(熔枪移动速度V1使用熔枪空间位置的变化得到)和熔枪放置角度θ来衡量；因此本发明采用Q-learning模型对WAAM电弧增材制造设备中的运动执行机构系统的熔枪移动速度V1和熔枪放置角度θ进行优化，能够更好地促进3D打印质量的提升。
综上所述，本发明具有提升3D打印质量、缩短3D打印周期，降低3D打印成本的特点。
附图说明
图1是本发明的工艺流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1。一种基于增强学习的3D打印工艺优化方法,参见图1，按下述步骤进行：
a.采集若干已打印模型的打印参数对Q-learning模型进行训练，训练后得到已打印模型的最优打印参数，最优打印参数存储于训练后得到的训练模型中；
b.建立待打印模型的3D模型，将3D模型切成k层切片，建立每层切片的2D模型；
c.根据每层切片的2D模型构建打印模型的3D打印路径规划；
d.将待打印模型与已打印模型匹配，使用与待打印模型匹配度最高的已打印模型的最优打印参数作为待打印模型的实际打印参数；
e.将步骤c中的3D打印路径规划与步骤d中的实际打印参数输入3D打印设备进行待打印模型的3D打印。
前述的3D打印设备为WAAM电弧增材制造设备。
前述的步骤a中 ，所述的打印参数包括WAAM电弧增材制造设备中电弧生成系统的电弧电压U、堆积电流I和堆积速度V3。
前述的打印参数还包括WAAM电弧增材制造设备中送丝系统的送丝速度V2和焊丝直径D。
前述的打印参数还包括WAAM电弧增材制造设备的运动执行机构中的熔枪移动速度V1和熔枪放置角度θ。
本发明中，WAAM电弧增材制造设备的运动执行机构主要包含机械驱动装置、送料装配和热熔喷头；热熔喷头分为多区域管理，可以让熔融材料的温度得到更好的控制，整体系统采用基于测量压力的控制器组件配置，使得挤出材料流量驱动结构和消耗材料进给率形成一个闭环控制。本发明的送丝系统主要采用伺服电机及驱动器作为送丝结构执行元件，伺服电机提供驱动动力，驱动器可直接对电机编码器反馈信号进行采样，整体构成一个闭环控制。
本发明的Q-learning模型是在WAAM电弧增材制造设备硬件基础上引入的一套计算机智能软件算法系统。该系统为开放性软件系统，只需要将相关的变量(即打印参数)通过程序引入，输入和输出与3D打印相关的打印参数。本发明中Q-learning模型的增强学习原理主要为：最简单的Q函数可用“状态-动作”二维表（Q-Table）描述，其中，行表示状态s（状态s包含V1和θ），列表示动作a(动作a包含U、I、V2)，矩阵中的值表示特定状态下执行某动作的回报值为r(s,a)。智能体Agent（智能体Agent为Q-learning模型自带）通过不断更新并查找该表，找到当前状态回报最高的动作执行(即输出最优的打印参数)。利用上述增强系统的功能，其主要目的就是通过获取3D打印设备中各种的最优的打印参数，反馈至相关设备系统中，利用自身的学习强化能力，将整个3D打印系统赋予学习和实时调整的能力。
其他附件系统包括3D模型设计与处理、3D模型扫描与相似度对比等辅助功能的软件和硬件。其中3D模型设计与处理具体有：利用3D设计软件将需要的实体建立3D模型，同时利用软件自带转化功能将3D模型转化为STL格式，STL格式为二进制的点云模式，可被电脑作为数据识别和处理。再利用PowerRP软件对STL格式的3D模型进行切片处理，形成层状的2D模型，规划3D打印焊枪堆砌路径，指导运动执行机构系统按照路径进行运动。其中3D模型扫描与相似度对比具体有：包含SGKS激光3D模型扫描仪、基于形状分布算法的三维模型相似性对比系统。具体工作原理为：3D扫描仪将生产出来的产品进行3D模型建模，利用基于形状分布算法的三维模型相似性对比系统对产品模型和原始设计的3D模型就行比对，输出相似度（%），并将相似度传递给Learning增强学习系统。

Claims (5)

1.一种基于增强学习的3D打印工艺优化方法，其特征在于，按下述步骤进行：
a.采集若干已打印模型的打印参数对Q-learning模型进行训练，训练后得到已打印模型的最优打印参数，最优打印参数存储于训练后得到的训练模型中；
b.建立待打印模型的3D模型，将3D模型切成k层切片，建立每层切片的2D模型；
c.根据每层切片的2D模型构建打印模型的3D打印路径规划；
d.将待打印模型与已打印模型匹配，使用与待打印模型匹配度最高的已打印模型的最优打印参数作为待打印模型的实际打印参数；
e.将步骤c中的3D打印路径规划与步骤d中的实际打印参数输入3D打印设备进行待打印模型的3D打印。
2.根据权利要求1所述的基于增强学习的3D打印工艺优化方法，其特征在于，步骤e中，所述的3D打印设备为WAAM电弧增材制造设备。
3.根据权利要求2所述的基于增强学习的3D打印工艺优化方法，其特征在于，步骤a中，所述的打印参数包括WAAM电弧增材制造设备中电弧生成系统的电弧电压U、堆积电流I和堆积速度V3。
4.根据权利要求3所述的基于增强学习的3D打印工艺优化方法，其特征在于，步骤a中，所述的打印参数还包括WAAM电弧增材制造设备中送丝系统的送丝速度V2和焊丝直径D。
5.根据权利要求4所述的基于增强学习的3D打印工艺优化方法，其特征在于，步骤a中，所述的打印参数还包括WAAM电弧增材制造设备的运动执行机构中的熔枪移动速度V1和熔枪放置角度θ。
CN201910253198.7A 2019-03-29 2019-03-29 一种基于增强学习的3d打印工艺优化方法 Active CN109967741B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910253198.7A CN109967741B (zh) 2019-03-29 2019-03-29 一种基于增强学习的3d打印工艺优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910253198.7A CN109967741B (zh) 2019-03-29 2019-03-29 一种基于增强学习的3d打印工艺优化方法

Publications (2)

Publication Number Publication Date
CN109967741A true CN109967741A (zh) 2019-07-05
CN109967741B CN109967741B (zh) 2021-02-02

Family

ID=67081867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910253198.7A Active CN109967741B (zh) 2019-03-29 2019-03-29 一种基于增强学习的3d打印工艺优化方法

Country Status (1)

Country Link
CN (1) CN109967741B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111674048A (zh) * 2020-05-13 2020-09-18 广东工业大学 一种基于机器视觉的3d打印机断丝报警装置及报警方法
CN112296357A (zh) * 2020-10-29 2021-02-02 福州大学 面向激光选区熔融工艺的增材制造相同并行机调度方法
CN114442968A (zh) * 2022-02-10 2022-05-06 中交第一公路勘察设计研究院有限公司 一种3d打印工程参数匹配方法
CN116945318A (zh) * 2023-06-27 2023-10-27 深圳大学 智能化的混凝土3d打印方法、装置及打印设备

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101879775A (zh) * 2009-11-16 2010-11-10 宁波弘讯科技有限公司 一种工艺参数自动优化的注塑机控制系统及其控制方法
CN103962556A (zh) * 2014-04-16 2014-08-06 广州中国科学院先进技术研究所 一种基于选区激光熔化技术的纯钛粉末成型方法
CN105666877A (zh) * 2016-03-22 2016-06-15 中国工程物理研究院材料研究所 具有三维图形反馈系统的3d打印机及其打印方法
CN108481749A (zh) * 2017-11-16 2018-09-04 杭州捷诺飞生物科技股份有限公司 实时监测的三维打印方法及装置
CN108723549A (zh) * 2018-05-28 2018-11-02 河海大学常州校区 一种电弧增材制造方法
CN108772562A (zh) * 2018-05-11 2018-11-09 上海大学 基于选区激光熔化的钴铬合金粉末成型方法
CN108856974A (zh) * 2018-07-26 2018-11-23 重庆科技学院 一种超声场耦合共熔池双丝cmt电弧增材成型工艺方法
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
CN108995220A (zh) * 2018-07-17 2018-12-14 大连理工大学 基于强化学习的复杂薄壁结构物体3d打印路径规划方法
CN109471963A (zh) * 2018-09-13 2019-03-15 广州丰石科技有限公司 一种基于深度强化学习的推荐算法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101879775A (zh) * 2009-11-16 2010-11-10 宁波弘讯科技有限公司 一种工艺参数自动优化的注塑机控制系统及其控制方法
CN103962556A (zh) * 2014-04-16 2014-08-06 广州中国科学院先进技术研究所 一种基于选区激光熔化技术的纯钛粉末成型方法
CN105666877A (zh) * 2016-03-22 2016-06-15 中国工程物理研究院材料研究所 具有三维图形反馈系统的3d打印机及其打印方法
US20180341248A1 (en) * 2017-05-24 2018-11-29 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
CN108481749A (zh) * 2017-11-16 2018-09-04 杭州捷诺飞生物科技股份有限公司 实时监测的三维打印方法及装置
CN108772562A (zh) * 2018-05-11 2018-11-09 上海大学 基于选区激光熔化的钴铬合金粉末成型方法
CN108723549A (zh) * 2018-05-28 2018-11-02 河海大学常州校区 一种电弧增材制造方法
CN108995220A (zh) * 2018-07-17 2018-12-14 大连理工大学 基于强化学习的复杂薄壁结构物体3d打印路径规划方法
CN108856974A (zh) * 2018-07-26 2018-11-23 重庆科技学院 一种超声场耦合共熔池双丝cmt电弧增材成型工艺方法
CN109471963A (zh) * 2018-09-13 2019-03-15 广州丰石科技有限公司 一种基于深度强化学习的推荐算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王彬: "多任务打印模式下3D打印制造系统在线优化调度问题研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111674048A (zh) * 2020-05-13 2020-09-18 广东工业大学 一种基于机器视觉的3d打印机断丝报警装置及报警方法
CN112296357A (zh) * 2020-10-29 2021-02-02 福州大学 面向激光选区熔融工艺的增材制造相同并行机调度方法
CN112296357B (zh) * 2020-10-29 2021-11-30 福州大学 面向激光选区熔融工艺的增材制造相同并行机调度方法
CN114442968A (zh) * 2022-02-10 2022-05-06 中交第一公路勘察设计研究院有限公司 一种3d打印工程参数匹配方法
CN114442968B (zh) * 2022-02-10 2023-09-22 中交第一公路勘察设计研究院有限公司 一种3d打印工程参数匹配方法
CN116945318A (zh) * 2023-06-27 2023-10-27 深圳大学 智能化的混凝土3d打印方法、装置及打印设备

Also Published As

Publication number Publication date
CN109967741B (zh) 2021-02-02

Similar Documents

Publication Publication Date Title
CN109967741A (zh) 一种基于增强学习的3d打印工艺优化方法
CN107262930B (zh) 一种电弧熔积与激光冲击锻打复合快速成形零件的方法及其装置
CN101885063B (zh) 激光熔覆成型设备及一种金属零件的激光熔覆成型方法
JP6838017B2 (ja) レーザ加工のための教示装置、教示方法、及び教示プログラム
CN106425490B (zh) 一种增减材复合加工设备及其应用
Zhang et al. Weld deposition-based rapid prototyping: a preliminary study
Choi et al. Development of a direct metal freeform fabrication technique using CO2 laser welding and milling technology
CN105945281B (zh) 零件与模具的熔积成形加工制造方法
CN104842042B (zh) 一种基于cmt的金属焊接快速成形系统和方法
JP6836558B2 (ja) レーザ加工のための教示装置
Rosli et al. Design and development of a low-cost 3D metal printer
CN114012210B (zh) 电弧增材过程的沉积质量判断系统及方法
CN105039971A (zh) 模具再制造激光3d打印机及方法
CN102922108A (zh) 一种等离子焊接快速成形的系统和方法
JP7086306B2 (ja) 加工プログラム生成装置、積層造形装置、加工プログラム生成方法、積層造形方法および機械学習装置
CN112439971B (zh) 一种自适应非平整面的连续电弧增材制造方法及装置
CN104289797A (zh) 一种mig快速成形的系统
CN109158600A (zh) 同步送粉激光增材制造光斑与粉斑相对位置自动匹配的装置及方法
CN105665702A (zh) 一种模具等离子3d打印设备及3d打印方法
CN113172305A (zh) 一种基于智能化快速建模技术的电弧3d打印机器人
CN101468395A (zh) 回转体表面激光快速成形方法及其系统
JP7197437B2 (ja) 積層造形物の積層計画方法、積層造形物の製造方法及び製造装置
CN113971337A (zh) 使用多种处理策略增材制造部件的系统和方法
CN206084386U (zh) 一种增减材复合加工设备
CN114932290B (zh) 一种基于控制熔滴特征的电弧增材制造系统与方法

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