CN110052607A - 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法 - Google Patents

基于视觉监测的粉床式3d打印闭环控制装置、系统及方法 Download PDF

Info

Publication number
CN110052607A
CN110052607A CN201910180256.8A CN201910180256A CN110052607A CN 110052607 A CN110052607 A CN 110052607A CN 201910180256 A CN201910180256 A CN 201910180256A CN 110052607 A CN110052607 A CN 110052607A
Authority
CN
China
Prior art keywords
printing
coordinate
layer
current layer
error
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
CN201910180256.8A
Other languages
English (en)
Other versions
CN110052607B (zh
Inventor
乐心怡
黄梓田
张昊东
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN201910180256.8A priority Critical patent/CN110052607B/zh
Publication of CN110052607A publication Critical patent/CN110052607A/zh
Application granted granted Critical
Publication of CN110052607B publication Critical patent/CN110052607B/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
    • B22F10/28—Powder bed fusion, e.g. selective laser melting [SLM] or electron beam melting [EBM]
    • 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
    • B22F10/30—Process control
    • B22F10/31—Calibration of process steps or apparatus settings, e.g. before or during manufacturing
    • 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
    • B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
    • B22F12/90—Means for process control, e.g. cameras or sensors
    • 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
    • B22F10/70—Recycling
    • B22F10/73—Recycling of 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
    • B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
    • B22F12/40—Radiation means
    • B22F12/49—Scanners
    • 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)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • Plasma & Fusion (AREA)

Abstract

本发明提供一种基于视觉监测的粉末式3D打印闭环控制装置、系统及方法,读取预设数据模型中每一层的预设打印路径坐标；对当前层实际打印图像进行坐标转换，得到当前层实际打印坐标，计算当前层实际打印坐标与当前层预设打印路径坐标之间的误差值，根据所述误差值得到补偿调整参数；根据补偿调整参数对下一层的预设打印路径坐标进行修正，得到下一层预设打印路径坐标，将下一层预设打印路径坐标作为当前层预设打印路径坐标，进行控制扫描输出。通过摄像机捕捉当前层实际打印图像与预设打印坐标的差异,对下一打印层进行反馈调整，解决了粉床式金属3d打印精度低，打印质量差的问题，实现了粉床式金属3d打印技术的闭环控制。

Description

基于视觉监测的粉床式3D打印闭环控制装置、系统及方法
技术领域
本发明涉及3D打印技术领域，具体地，涉及基于视觉监测的粉末式3D打印闭环控制装置、系统及方法。
背景技术
3D打印也称快速成型，即把数据和原料放进3D打印机中，通过计算机程序控制将产品一层一层的打印出来，最终形成成品。相对于传统的材料去除技术，3D打印技术能偶成型复杂形状零件，成型精度高，节约材料等，其中激光选区融化，激光选区烧结和电子束选区融化是粉床式金属3D打印的代表技术，材料以粉末材料为主，打印领域的成型粉末可以循环使用，是一种节约材料的绿色制造技术。但是目前3D打印的精度普遍比较低，并且打印质量也不高，需要在打印过程的闭环控制上进行提升研究。
与本申请相关的现有技术是专利文献CN107187058A，公开一种3D打印闭环控制方法、装置、3D打印机和存储介质，该一种3D打印闭环控制方法，包括：控制驱动模块依据预设数据模型中每一层预设打印参数进行打印；控制视觉捕捉模块实时捕捉当前打印层的实际打印参数；计算所述实际打印参数相对于所述预设打印参数的实际误差值；判断所述实际误差值是否在预设误差范围内；若所述实际误差值在所述预设误差范围内，则获取补偿调整参数，基于所述补偿调整参数控制所述驱动模块进行下一层打印；若所述实际误差值不在所述预设误差范围内，则控制所述驱动模块停止打印。上述专利文献虽然采用视觉技术，实时监测熔融沉积制造(Fused Deposition Modeling)工艺中当前打印层的实际位置与理论位置的误差，进而在下一打印层时，对每一个打印的位置实时进行反馈调整。但是，在熔融沉积制造工艺中，随着打印层数的增加，零件高度必然不断升高，摄像头存在标定不准的问题，同时，随着打印层数的增加，摄像头拍摄的照片难以再准确的分辨出当前打印层的打印轮廓。由于粉床式金属打印的扫描速度是熔融沉积制造工艺中喷头移动速度的数十倍，鉴于摄像机传输速度的限制以及打印机内部数据传输与计算速度的限制，难以采用上述专利文献中的控制方法对下一打印层的每一个打印位置进行实时调整。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种基于视觉监测的粉末式3D打印闭环控制装置、系统及方法。
根据本发明提供的一种基于视觉监测的粉末式3D打印闭环控制系统，包括：相机感知模块：读取预设数据模型中每一层的预设打印路径坐标，通过视觉监测得到当前层实际打印图像；
模型比对模块：对当前层实际打印图像进行坐标转换，得到当前层实际打印坐标，计算当前层实际打印坐标与当前层预设打印路径坐标之间的误差值，根据所述误差值得到补偿调整参数；
控制输出模块：根据补偿调整参数对下一层的预设打印路径坐标进行修正，得到下一层预设打印路径坐标，将下一层预设打印路径坐标作为当前层预设打印路径坐标，进行控制扫描输出。
根据本发明提供的一种基于视觉监测的粉末式3D打印闭环控制方法，包括：相机感知步骤：读取预设数据模型中每一层的预设打印路径坐标，通过视觉监测得到当前层实际打印图像；
模型比对步骤：对当前层实际打印图像进行坐标转换，得到当前层实际打印坐标，计算当前层实际打印坐标与当前层预设打印路径坐标之间的误差值，根据所述误差值得到补偿调整参数；
控制输出步骤：根据补偿调整参数对下一层的预设打印路径坐标进行修正，得到下一层预设打印路径坐标，将下一层预设打印路径坐标作为当前层预设打印路径坐标，进行控制扫描输出。
优选地，所述补偿调整参数的获得通过基于比例补偿调整，所述基于比例补偿调整是通过设置误差调整比例，根据坐标之间的绝对误差和误差调整比例，计算补偿调整参数。
优选地，所述补偿调整参数的获得通过基于神经网络调整；
所述基于神经网络调整是使用神经网络进行训练，训练后得到预测绝对误差数据矩阵，基于绝对误差数据矩阵对预设打印路径坐标进行调整。
优选地，所述补偿调整参数的获得基于强化学习调整；
所述强化学习调整是基于马尔科夫决策过程，通过学习马尔科夫决策，得到需要执行的补偿调整参数。
优选地，所述基于比例补偿调整包括：
S1：设置当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n；
S2：计算样本每一个坐标点的绝对误差其中i＝j＝1，2，3…n；
S3：读取下一层预设打印路径坐标(Xk，Yk)，其中k＝1,2,3…m，对当前层任一预设打印路径坐标(Xi，Yi)，计算(Xi，Yi)在下一层中对应的预设打印路径坐标(Xl，Yl)，(Xl，Yl)为下一层中离坐标(Xi，Yi)最近的点，(Xl，Yl)＝其中k＝1,2,3…m；
S4：设置误差调整比例k,根据每一个坐标点的绝对误差和误差调整比例k计算补偿调整参数
S5：对当前层对应的下一层预设打印路径坐标进行调整，调整前，当前层对应的下一层预设打印路径坐标为(Xl，Yl),调整后，当前层对应的下一层预设打印路径坐标为(Xl-ΔXi，Yl-ΔYi)。
优选地，所述基于比例补偿调整包括：
A1：假设预设打印路径坐标为(Xij，Yij)，实际打印坐标为(Xik，Yik)，其中i＝1,2,3…a,j＝k＝1,2,3…n,则绝对误差通过下式计算：
A2：使用神经网络进行训练，所述神经网络采用多输入单输出结构，训练集共(a-l)组,每组共有l个输入数据矩阵，1个输出数据矩阵，输入数据矩阵和输出数据矩阵的维度为(m×2)，m为预设打印路径坐标的点数量最多的打印层的坐标点数量，得到输出的数据矩阵中第l层在第l+1层对应的预设打印路径坐标为(X(l+1)j，Y(l+1)j)，对应的实际打印路径坐标为(X(l+1)k T，Y(l+1)k T)，则绝对误差为
A3：打印前l层，计算得到前l层中各打印层各坐标点的绝对误差数据矩阵，将所述数据矩阵输入神经网络，得到第l层在第l+1层对应的预测绝对误差数据矩阵：
优选地，所述基于比例补偿调整包括：
B1：打印零件的马尔科夫决策过程，所述过程的状态包括无误差、有误差、误差大，所述过程的决策动作包括向X轴正方向Y轴正方向调整、向X轴正方向Y轴负方向调整、向X轴负方向Y轴正方向调整、向X轴负方向Y轴负方向调整、不调整；
B2：设置当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n，计算样本每一个坐标点的绝对误差的绝对值 其中i＝j＝1，2，3…n，计算其绝对值之和的均值 设定阈值b1、b2,若则当前层状态为无误差；若则当前层状态为有误差；若则当前层状态为误差大；状态为无误差时，设置马尔科夫决策的奖赏r为1；状态为有误差时，设置马尔科夫决策的奖赏r为-1；状态为误差大时，设置马尔科夫决策的奖赏r为-50；
B3：通过打印，学得马尔科夫决策的策略，根据策略，在任一状态下能得知要执行的动作。
根据本发明提供的一种基于视觉监测的粉末式3D打印闭环控制装置，包括摄像头、三维偏转镜、激光器、刮刀、工作台、送粉单元、余料回收单元、打印托盘、托盘进给单元；
工作台的一侧设置有送粉单元，工作台的另一侧设置有余料回收单元，打印托盘设置在送粉单元和余料回收单元之间，送粉单元与余料回收单元相对设置，送粉单元与余料回收单元相背的一侧设置有刮刀；
打印托盘的下方设置有托盘进给单元；
摄像头能够拍摄当前层的实际打印图像；
三维偏转镜能够对当前层预设打印路径坐标进行扫描；
激光器能够发射激光，使打印粉末材料融化。
根据本发明提供的一种所述的基于视觉监测的粉末式3D打印闭环控制装置的打印方法，包括：
送粉步骤：送粉单元将打印粉末材料推至工作台平面；
铺粉步骤：刮刀从送粉单元的一侧运动到余料回收单元的一侧，将打印粉末材料平铺于打印托盘，余料回收单元将每层平铺后的剩余粉末进行回收，刮刀返回送粉单元的一侧；
下降步骤：当前层扫描完成后，托盘进给单元控制打印托盘下降一层打印粉末材料厚度的高度，保证每次平铺的粉末层在同一水平高度。
与现有技术相比，本发明具有如下的有益效果：
本发明通过采用摄像机捕捉当前层实际打印图像并与预设打印坐标进行比较，从而对下一打印层进行反馈调整的方法，解决了粉床式金属3d打印精度低，打印质量差的问题，实现了粉床式金属3d打印技术的闭环控制。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明装置的结构示意图；
图2为本发明的神经网络的网络设计图；
图3为强化学习中的马尔科夫决策过程示意图；
图4为本发明的方法流程示意图。
图中示出：1-摄像头；2-三维偏转镜；3-激光器；4-刮刀；5-工作台；6-送粉单元；7-余料回收单元；8-打印托盘；9-托盘进给单元。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
根据本发明提供的一种基于视觉监测的粉末式3D打印闭环控制装置，包括摄像头、三维偏转镜、激光器、刮刀、工作台、送粉单元、余料回收单元、打印托盘、托盘进给单元；
工作台的一侧设置有送粉单元，工作台的另一侧设置有余料回收单元，打印托盘设置在送粉单元和余料回收单元之间，送粉单元与余料回收单元相对设置，送粉单元与余料回收单元相背的一侧设置有刮刀；
打印托盘的下方设置有托盘进给单元；
摄像头能够拍摄当前层的实际打印图像；
三维偏转镜能够对当前层预设打印路径坐标进行扫描；
激光器能够发射激光，使打印粉末材料融化。
根据本发明提供的一种所述的基于视觉监测的粉末式3D打印闭环控制装置的打印方法，包括：
送粉步骤：送粉单元将打印粉末材料推至工作台平面；
铺粉步骤：刮刀从送粉单元的一侧运动到余料回收单元的一侧，将打印粉末材料平铺于打印托盘，余料回收单元将每层平铺后的剩余粉末进行回收，刮刀返回送粉单元的一侧；
下降步骤：当前层扫描完成后，托盘进给单元控制打印托盘下降一层打印粉末材料厚度的高度，保证每次平铺的粉末层在同一水平高度。
根据本发明提供的一种基于视觉监测的粉末式3D打印闭环控制系统，包括：相机感知模块：读取预设数据模型中每一层的预设打印路径坐标，通过视觉监测得到当前层实际打印图像；
模型比对模块：对当前层实际打印图像进行坐标转换，得到当前层实际打印坐标，计算当前层实际打印坐标与当前层预设打印路径坐标之间的误差值，根据所述误差值得到补偿调整参数；
控制输出模块：根据补偿调整参数对下一层的预设打印路径坐标进行修正，得到下一层预设打印路径坐标，将下一层预设打印路径坐标作为当前层预设打印路径坐标，进行控制扫描输出。
根据本发明提供的一种基于视觉监测的粉末式3D打印闭环控制方法，包括：相机感知步骤：读取预设数据模型中每一层的预设打印路径坐标，通过视觉监测得到当前层实际打印图像；
模型比对步骤：对当前层实际打印图像进行坐标转换，得到当前层实际打印坐标，计算当前层实际打印坐标与当前层预设打印路径坐标之间的误差值，根据所述误差值得到补偿调整参数；
控制输出步骤：根据补偿调整参数对下一层的预设打印路径坐标进行修正，得到下一层预设打印路径坐标，将下一层预设打印路径坐标作为当前层预设打印路径坐标，进行控制扫描输出。
优选地，所述补偿调整参数的获得通过基于比例补偿调整，所述基于比例补偿调整是通过设置误差调整比例，根据坐标之间的绝对误差和误差调整比例，计算补偿调整参数。
优选地，所述补偿调整参数的获得通过基于神经网络调整；
所述基于神经网络调整是使用神经网络进行训练，训练后得到预测绝对误差数据矩阵，基于绝对误差数据矩阵对预设打印路径坐标进行调整。
优选地，所述补偿调整参数的获得基于强化学习调整；
所述强化学习调整是基于马尔科夫决策过程，通过学习马尔科夫决策，得到需要执行的补偿调整参数。
优选地，所述基于比例补偿调整包括：
S1：设置当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n；
S2：计算样本每一个坐标点的绝对误差其中i＝j＝1，2，3…n；
S3：读取下一层预设打印路径坐标(Xk，Yk)，其中k＝1,2,3…m，对当前层任一预设打印路径坐标(Xi，Yi)，计算(Xi，Yi)在下一层中对应的预设打印路径坐标(Xl，Yl)，(Xl，Yl)为下一层中离坐标(Xi，Yi)最近的点，(Xl，Yl)＝其中k＝1,2,3…m；
S4：设置误差调整比例k,根据每一个坐标点的绝对误差和误差调整比例k计算补偿调整参数
S5：对当前层对应的下一层预设打印路径坐标进行调整，调整前，当前层对应的下一层预设打印路径坐标为(Xl，Yl),调整后，当前层对应的下一层预设打印路径坐标为(Xl-ΔXi，Yl-ΔYi)。
优选地，所述基于比例补偿调整包括：
A1：假设预设打印路径坐标为(Xij，Yij)，实际打印坐标为(Xik，Yik)，其中i＝1,2,3…a,j＝k＝1,2,3…n,则绝对误差通过下式计算：
A2：使用神经网络进行训练，所述神经网络采用多输入单输出结构，训练集共(a-l)组,每组共有l个输入数据矩阵，1个输出数据矩阵，输入数据矩阵和输出数据矩阵的维度为(m×2)，m为预设打印路径坐标的点数量最多的打印层的坐标点数量，得到输出的数据矩阵中第l层在第l+1层对应的预设打印路径坐标为(X(l+1)j，Y(l+1)j)，对应的实际打印路径坐标为(X(l+1)k T，Y(l+1)k T)，则绝对误差为 其中，下标k表示矩阵的第k列，右标T表示矩阵的转置
A3：打印前l层，计算得到前l层中各打印层各坐标点的绝对误差数据矩阵，将所述数据矩阵输入神经网络，得到第l层在第l+1层对应的预测绝对误差数据矩阵：
优选地，所述基于比例补偿调整包括：
B1：打印零件的马尔科夫决策过程，所述过程的状态包括无误差、有误差、误差大，所述过程的决策动作包括向X轴正方向Y轴正方向调整、向X轴正方向Y轴负方向调整、向X轴负方向Y轴正方向调整、向X轴负方向Y轴负方向调整、不调整；
B2：设置当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n，计算样本每一个坐标点的绝对误差的绝对值 其中i＝j＝1，2，3…n，计算所述绝对值之和的第一均值第二均值设定阈值b1、b2,若则当前层状态为无误差；若则当前层状态为有误差；若则当前层状态为误差大；状态为无误差时，设置马尔科夫决策的奖赏r为1；状态为有误差时，设置马尔科夫决策的奖赏r为-1；状态为误差大时，设置马尔科夫决策的奖赏r为-50；
B3：通过打印，学得马尔科夫决策的策略，根据策略，在任一状态下能得知要执行的动作。
本发明提供的基于视觉监测的粉末式3D打印闭环控制系统，可以通过基于视觉监测的粉末式3D打印闭环控制方法的步骤流程实现。本领域技术人员可以将基于视觉监测的粉末式3D打印闭环控制方法理解为所述基于视觉监测的粉末式3D打印闭环控制系统的优选例。
如图4所示，本发明通过以下步骤进行：
步骤一：获取预设数据模型中每一层的预设打印路径坐标，读取当前层预设打印路径坐标与下一层预设打印路径坐标；
步骤二：控制视觉捕捉模块拍摄当前层的实际打印图像；
步骤三：对当前层的实际打印图像进行坐标转换，使当前层实际打印图像坐标系与当前层预设打印路径坐标系重合，获得当前层实际打印坐标；
步骤四：计算所述当前层实际打印坐标对于所述当前层预设打印路径坐标的绝对误差，根据误差计算补偿调整参数；
步骤五：读取下一层预设打印路径坐标，根据补偿调整参数对下一层预设打印路径坐标进行修正；
步骤六：将修正后的下一层预设打印路径坐标作为当前层预设打印路径坐标；
步骤七：控制刮刀，送粉系统，余料回收系统，托盘进给系统平铺打印粉末材料；
步骤八：控制三维偏振镜按照当前层预设打印路径坐标进行扫描；
步骤九：重复执行步骤(2)-(8)。
其中，如图1所示，步骤(7)中包括：送粉单元将打印粉末材料推至工作台平面；刮刀从送粉单元的一侧运动到余料回收单元的一侧，将打印粉末材料平铺于打印托盘；余料回收单元将每层平铺后的剩余粉末进行回收，刮刀返回送粉系统一侧；当前层扫描完成后，托盘进给单元控制打印托盘下降一层打印粉末材料厚度的高度，保证每次平铺的粉末层在同一水平高度。
其中，步骤四、步骤五所述根据误差计算补偿调整参数有多种方式，例如：
方式A是基于比例的补偿调整：
A1：当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n；
A2：计算样本每一个坐标点的绝对误差其中i＝j＝1，2，3…n；
A3：读取下一层预设打印路径坐标(Xk，Yk)，其中k＝1,2,3…m，对当前层任一预设打印路径坐标(Xi，Yi)，计算其在下一层中对应的预设打印路径坐标(Xl，Yl)，(Xl，Yl)为下一层中离坐标(Xi，Yi)最近的点；
其中k＝1,2,3…m；
A4：设置误差调整比例k,根据每一个坐标点的绝对误差和误差调整比例k计算补偿调整参数
A5：对当前层对应的下一层预设打印路径坐标进行调整，调整前，当前层对应的下一层预设打印路径坐标为(Xl，Yl),调整后，当前层对应的下一层预设打印路径坐标为(Xl-ΔXi，Yl-ΔYi)。
方式B：基于神经网络的调整，例如使用神经网络，如图2所示的神经网络的网络设计图：
B1：神经网络设计为多输入，单输出(manytoone)结构，并训练神经网络。
训练过程：(1.1)使用粉床式3d打印机打印a层，对其中第i层，假设预设打印路径坐标为(Xij，Yij)，实际打印坐标为(Xik，Yik)，其中i＝1,2,3…a,j＝k＝1,2,3…n,则绝对误差
(1.2)训练集共(a-l)组,每组共有l个输入数据矩阵，1个输出数据矩阵，输入数据矩阵和输出数据矩阵的维度为(m×2)，m为预设打印路径坐标点数量最多的打印层的坐标点数量。第一组数据输入由第1层到第l层数据矩阵组成，输出为第l层按A3所得到的在第l+1层对应的数据矩阵组成，第二组数据输入由第2层到第l+1层数据矩阵组成，输出为第l层按A3所得到的在第l+1层对应的数据矩阵组成，以此类推。
其中输入的每一层数据矩阵如下，第1层数据矩阵第一列为第1层各点X轴方向上的绝对误差，第二列为第1层各点Y轴方向上的绝对误差，空位由NaN值替代，如下：
同理，第2层数据矩阵为
以此类推，输出的数据矩阵如下，第l层在第l+1层对应的预设打印路径坐标为(X(l+1)j，Y(l+1)j)，对应的实际打印路径坐标为(X(l+1)k T，Y(l+1)k T)，则绝对误差为 同理即可得到各输出数据矩阵
(1.3)利用(1.2)训练集训练神经网络
B2：基于训练好的神经网络，先利用粉床式3d打印机，打印前l层，并按照(1)得到前l层中各打印层各坐标点的绝对误差数据矩阵，将其输入训练好的神经网络，得到第l层在第l+1层对应的预测绝对误差数据矩阵
B3：基于(1)得到的预测绝对误差数据矩阵对第l+1层的对应的预设打印路径坐标进行调整，调整前，下一层预设打印路径坐标为(Xij，Yij)，其中i＝l+1，l+2…a,j＝k＝1,2,3…n，调整后，下一层预设打印路径坐标为
B4：重复B2、B3依次对第l+2层，l+3层…a层预设打印路径坐标进行调整。方式C：基于强化学习的调整，如图3所示的强化学习中的马尔科夫决策过程：
C1：打印零件的马尔科夫决策过程，其状态s包括3个(1.无误差，2.有误差，3.误差过大)，其动作a包括5个(1.向X轴正方向Y轴正方向调整，2.向X轴正方向Y轴负方向调整，3.向X轴负方向Y轴正方向调整，4.向X轴负方向Y轴负方向调整，5.不调整)
C2：取当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n，计算样本每一个坐标点的绝对误差的绝对值 其中i＝j＝1，2，3…n,计算其绝对值之和的均值设定阈值b1，b2,若则当前层状态无误差，若则当前层状态为有误差，若则当前层状态为误差过大。状态为无误差时，奖赏r为1；状态为有误差时，奖赏r为-1；状态为误差过大时，奖赏r为-50。定义转移概率矩阵为P，转移概率矩阵包含状态s经过动作a，变为状态s′的概率。
C3：通过不断的进行打印，使机器不断地尝试而学得策略π(s)，根据策略π，在任一状态s下机器能得知要执行的动作a＝π(s)。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (10)

1.一种基于视觉监测的粉末式3D打印闭环控制系统，其特征在于，包括：
相机感知模块：读取预设数据模型中每一层的预设打印路径坐标，通过视觉监测得到当前层实际打印图像；
模型比对模块：对当前层实际打印图像进行坐标转换，得到当前层实际打印坐标，计算当前层实际打印坐标与当前层预设打印路径坐标之间的误差值，根据所述误差值得到补偿调整参数；
控制输出模块：根据补偿调整参数对下一层的预设打印路径坐标进行修正，得到下一层预设打印路径坐标，将下一层预设打印路径坐标作为当前层预设打印路径坐标，进行控制扫描输出。
2.一种基于视觉监测的粉末式3D打印闭环控制方法，其特征在于，包括：
相机感知步骤：读取预设数据模型中每一层的预设打印路径坐标，通过视觉监测得到当前层实际打印图像；
模型比对步骤：对当前层实际打印图像进行坐标转换，得到当前层实际打印坐标，计算当前层实际打印坐标与当前层预设打印路径坐标之间的误差值，根据所述误差值得到补偿调整参数；
控制输出步骤：根据补偿调整参数对下一层的预设打印路径坐标进行修正，得到下一层预设打印路径坐标，将下一层预设打印路径坐标作为当前层预设打印路径坐标，进行控制扫描输出。
3.根据权利要求1所述的基于视觉监测的粉末式3D打印闭环控制系统或者根据权利要求2所述的基于视觉监测的粉末式3D打印闭环控制方法，其特征在于，所述补偿调整参数的获得通过基于比例补偿调整，所述基于比例补偿调整是通过设置误差调整比例，根据坐标之间的绝对误差和误差调整比例，计算补偿调整参数。
4.根据权利要求1所述的基于视觉监测的粉末式3D打印闭环控制系统或者根据权利要求2所述的基于视觉监测的粉末式3D打印闭环控制方法，其特征在于，所述补偿调整参数的获得通过基于神经网络调整；
所述基于神经网络调整是使用神经网络进行训练，训练后得到预测绝对误差数据矩阵，基于绝对误差数据矩阵对预设打印路径坐标进行调整。
5.根据权利要求1所述的基于视觉监测的粉末式3D打印闭环控制系统或者根据权利要求2所述的基于视觉监测的粉末式3D打印闭环控制方法，其特征在于，所述补偿调整参数的获得基于强化学习调整；
所述强化学习调整是基于马尔科夫决策过程，通过学习马尔科夫决策，得到需要执行的补偿调整参数。
6.根据权利要求3所述的基于视觉监测的粉末式3D打印闭环控制系统或方法，其特征在于，所述基于比例补偿调整包括：
设置当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n；
计算样本每一个坐标点的绝对误差其中i＝j＝1，2，3…n；
读取下一层预设打印路径坐标(Xk，Yk)，其中k＝1,2,3…m，对当前层任一预设打印路径坐标(Xi，Yi)，计算(Xi，Yi)在下一层中对应的预设打印路径坐标(Xl，Yl)，(Xl，Yl)为下一层中离坐标(Xi，Yi)最近的点，其中k＝1,2,3…m；
设置误差调整比例k,根据每一个坐标点的绝对误差和误差调整比例k计算补偿调整参数
对当前层对应的下一层预设打印路径坐标进行调整，调整前，当前层对应的下一层预设打印路径坐标为(Xl，Yl),调整后，当前层对应的下一层预设打印路径坐标为(Xl-ΔXi，Yl-ΔYi)。
7.根据权利要求4所述的基于视觉监测的粉末式3D打印闭环控制系统或方法，其特征在于，所述基于比例补偿调整包括：
假设预设打印路径坐标为(Xij，Yij)，实际打印坐标为(Xik，Yik)，其中i＝1,2,3…a,j＝k＝1,2,3…n,则绝对误差通过下式计算：
使用神经网络进行训练，所述神经网络采用多输入单输出结构，训练集共(a-l)组,每组共有l个输入数据矩阵，1个输出数据矩阵，输入数据矩阵和输出数据矩阵的维度为(m×2)，m为预设打印路径坐标的点数量最多的打印层的坐标点数量，得到输出的数据矩阵中第l层在第l+1层对应的预设打印路径坐标为(X(l+1)j，Y(l+1)j)，对应的实际打印路径坐标为(X(l+1)k T，Y(l+1)k T)，则绝对误差为
打印前l层，计算得到前l层中各打印层各坐标点的绝对误差数据矩阵，将所述数据矩阵输入神经网络，得到第l层在第l+1层对应的预测绝对误差数据矩阵；
其中，下标k表示矩阵的第k列，右标T表示矩阵的转置。
8.根据权利要求5所述的基于视觉监测的粉末式3D打印闭环控制系统或方法，其特征在于，所述基于比例补偿调整包括：
打印零件的马尔科夫决策过程，所述过程的状态包括无误差、有误差、误差大，所述过程的决策动作包括向X轴正方向Y轴正方向调整、向X轴正方向Y轴负方向调整、向X轴负方向Y轴正方向调整、向X轴负方向Y轴负方向调整、不调整；
设置当前层预设打印路径坐标(Xi，Yi)，当前层实际打印坐标(Xj，Yj),其中i＝j＝1，2，3…n，计算样本每一个坐标点的绝对误差的绝对值 其中i＝j＝1，2，3…n，计算所述绝对值之和的第一均值第二均值设定阈值b1、b2,若则当前层状态为无误差；若则当前层状态为有误差；若则当前层状态为误差大；状态为无误差时，设置马尔科夫决策的奖赏r为1；状态为有误差时，设置马尔科夫决策的奖赏r为-1；状态为误差大时，设置马尔科夫决策的奖赏r为-50；
通过打印，学得马尔科夫决策的策略，根据策略，在任一状态下能得知要执行的动作。
9.一种基于视觉监测的粉末式3D打印闭环控制装置，其特征在于，包括摄像头、三维偏转镜、激光器、刮刀、工作台、送粉单元、余料回收单元、打印托盘、托盘进给单元；
工作台的一侧设置有送粉单元，工作台的另一侧设置有余料回收单元，打印托盘设置在送粉单元和余料回收单元之间，送粉单元与余料回收单元相对设置，送粉单元与余料回收单元相背的一侧设置有刮刀；
打印托盘的下方设置有托盘进给单元；
摄像头能够拍摄当前层的实际打印图像；
三维偏转镜能够对当前层预设打印路径坐标进行扫描；
激光器能够发射激光，使打印粉末材料融化。
10.一种利用权利要求9所述的基于视觉监测的粉末式3D打印闭环控制装置的打印方法，其特征在于，包括：
送粉步骤：送粉单元将打印粉末材料推至工作台平面；
铺粉步骤：刮刀从送粉单元的一侧运动到余料回收单元的一侧，将打印粉末材料平铺于打印托盘，余料回收单元将每层平铺后的剩余粉末进行回收，刮刀返回送粉单元的一侧；
下降步骤：当前层扫描完成后，托盘进给单元控制打印托盘下降一层打印粉末材料厚度的高度，保证每次平铺的粉末层在同一水平高度。
CN201910180256.8A 2019-03-11 2019-03-11 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法 Active CN110052607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910180256.8A CN110052607B (zh) 2019-03-11 2019-03-11 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910180256.8A CN110052607B (zh) 2019-03-11 2019-03-11 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法

Publications (2)

Publication Number Publication Date
CN110052607A true CN110052607A (zh) 2019-07-26
CN110052607B CN110052607B (zh) 2020-05-08

Family

ID=67316748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910180256.8A Active CN110052607B (zh) 2019-03-11 2019-03-11 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法

Country Status (1)

Country Link
CN (1) CN110052607B (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111113903A (zh) * 2020-02-27 2020-05-08 杭州电子科技大学 基于人工智能的面向3d打印微纳器件的自动校准方法
CN111531026A (zh) * 2020-05-21 2020-08-14 西安邮电大学 一种渐进成形系统
CN111730057A (zh) * 2020-06-01 2020-10-02 成都飞机工业（集团）有限责任公司 一种送粉式3d打印分层建模方法
CN111774565A (zh) * 2020-06-01 2020-10-16 成都飞机工业（集团）有限责任公司 基于特征提取思维模型的3d打印送粉修复识别方法
CN112170836A (zh) * 2020-08-11 2021-01-05 西安铂力特增材技术股份有限公司 一种3d打印设备自动嫁接打印的方法
CN112170843A (zh) * 2020-09-29 2021-01-05 中国航发动力股份有限公司 一种旋流器流道的激光选区熔化成形工艺模型确定方法
CN113296364A (zh) * 2020-02-24 2021-08-24 苏州苏大维格科技集团股份有限公司 光刻控制方法、装置及存储介质
CN113721866A (zh) * 2021-08-19 2021-11-30 东莞中国科学院云计算产业技术创新与育成中心 应用于3d打印的数据获取系统及方法
CN114536771A (zh) * 2022-02-18 2022-05-27 深圳市汉森软件有限公司 基于三维打印的补偿打印方法、装置、设备及存储介质
CN115427174A (zh) * 2020-04-21 2022-12-02 西门子股份公司 工艺光的辐射强度和/或波长的确定
WO2023134028A1 (zh) * 2022-01-14 2023-07-20 杭州捷诺飞生物科技股份有限公司 3d打印的控制方法、装置以及电子设备
CN117565402A (zh) * 2024-01-17 2024-02-20 苏州双恩智能科技有限公司 3d打印控制执行方法、系统及3d打印设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020078429A1 (en) * 2000-11-29 2002-06-20 Nikon Corporation Design method for control system, control system, adjustment method for control system, exposure method, and exposure apparatus
CN105965886A (zh) * 2016-05-04 2016-09-28 杭州研智科技有限公司 误差控制自学习式3d打印机及其控制方法
CN107187058A (zh) * 2017-06-08 2017-09-22 东莞远铸智能科技有限公司 3d打印闭环控制方法、装置、3d打印机和存储介质
CN108460833A (zh) * 2018-03-28 2018-08-28 中南大学 一种基于bim构建传统建筑数字化保护与修复的信息平台
CN108873700A (zh) * 2018-07-13 2018-11-23 中国科学院力学研究所 一种基于立体视觉的激光熔覆闭环控制方法
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020078429A1 (en) * 2000-11-29 2002-06-20 Nikon Corporation Design method for control system, control system, adjustment method for control system, exposure method, and exposure apparatus
CN105965886A (zh) * 2016-05-04 2016-09-28 杭州研智科技有限公司 误差控制自学习式3d打印机及其控制方法
CN107187058A (zh) * 2017-06-08 2017-09-22 东莞远铸智能科技有限公司 3d打印闭环控制方法、装置、3d打印机和存储介质
CN108460833A (zh) * 2018-03-28 2018-08-28 中南大学 一种基于bim构建传统建筑数字化保护与修复的信息平台
CN108873700A (zh) * 2018-07-13 2018-11-23 中国科学院力学研究所 一种基于立体视觉的激光熔覆闭环控制方法
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

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113296364A (zh) * 2020-02-24 2021-08-24 苏州苏大维格科技集团股份有限公司 光刻控制方法、装置及存储介质
CN111113903A (zh) * 2020-02-27 2020-05-08 杭州电子科技大学 基于人工智能的面向3d打印微纳器件的自动校准方法
CN115427174A (zh) * 2020-04-21 2022-12-02 西门子股份公司 工艺光的辐射强度和/或波长的确定
CN111531026A (zh) * 2020-05-21 2020-08-14 西安邮电大学 一种渐进成形系统
CN111774565B (zh) * 2020-06-01 2022-05-10 成都飞机工业（集团）有限责任公司 基于特征提取思维模型的3d打印送粉修复识别方法
CN111730057A (zh) * 2020-06-01 2020-10-02 成都飞机工业（集团）有限责任公司 一种送粉式3d打印分层建模方法
CN111774565A (zh) * 2020-06-01 2020-10-16 成都飞机工业（集团）有限责任公司 基于特征提取思维模型的3d打印送粉修复识别方法
US11618083B2 (en) 2020-06-01 2023-04-04 Chengdu Aircraft Industrial(Group)Co., Ltd. Layered modeling method for laser metal deposition (LMD) three-dimensional (3D) printing
CN112170836A (zh) * 2020-08-11 2021-01-05 西安铂力特增材技术股份有限公司 一种3d打印设备自动嫁接打印的方法
CN112170836B (zh) * 2020-08-11 2022-09-09 西安铂力特增材技术股份有限公司 一种3d打印设备自动嫁接打印的方法
CN112170843B (zh) * 2020-09-29 2023-01-31 中国航发动力股份有限公司 一种旋流器流道的激光选区熔化成形工艺模型确定方法
CN112170843A (zh) * 2020-09-29 2021-01-05 中国航发动力股份有限公司 一种旋流器流道的激光选区熔化成形工艺模型确定方法
CN113721866A (zh) * 2021-08-19 2021-11-30 东莞中国科学院云计算产业技术创新与育成中心 应用于3d打印的数据获取系统及方法
WO2023134028A1 (zh) * 2022-01-14 2023-07-20 杭州捷诺飞生物科技股份有限公司 3d打印的控制方法、装置以及电子设备
CN114536771A (zh) * 2022-02-18 2022-05-27 深圳市汉森软件有限公司 基于三维打印的补偿打印方法、装置、设备及存储介质
CN117565402A (zh) * 2024-01-17 2024-02-20 苏州双恩智能科技有限公司 3d打印控制执行方法、系统及3d打印设备
CN117565402B (zh) * 2024-01-17 2024-05-03 苏州双恩智能科技有限公司 3d打印控制执行方法、系统及3d打印设备

Also Published As

Publication number Publication date
CN110052607B (zh) 2020-05-08

Similar Documents

Publication Publication Date Title
CN110052607A (zh) 基于视觉监测的粉床式3d打印闭环控制装置、系统及方法
JP7307509B2 (ja) 積層造形における人工知能フィードバック制御のためのシステム、方法および媒体
US11347908B2 (en) Intelligent additive manufacturing
DE102019005974B4 (de) Einlernvorrichtung zur laserbearbeitung
CN107187058A (zh) 3d打印闭环控制方法、装置、3d打印机和存储介质
CN107530971A (zh) 增材制造系统中的温度确定
CN105469412B (zh) 一种ptz摄像机装配误差的标定方法
EP2774764A1 (de) Verfahren zum Erzeugen eines aus Abschnitten zusammengesetzten Druckbildes auf einem Bedruckstoff mit zwei Tintenstrahl-Druckköpfen
CN109072600A (zh) 3d打印
CN114022370B (zh) 一种振镜激光加工畸变校正方法及系统
EP3800539A1 (en) Method and system for operating a metal drop ejecting three-dimensional (3d) object printer to compensate for drop size variations
US20240126942A1 (en) Machine Learning for Additive Manufacturing
WO2019096690A1 (de) Bestrahlungsstreifensortierung
Borish et al. Ornl slicer 2.0: towards a new slicing paradigm
DE102022100717A1 (de) Automatisierte strahlabtastkalibrierung, -ausrichtung und - einstellung
EP3906147B1 (en) Method and system for improving color uniformity in inkjet printing
CN113927904A (zh) 增材制造部件的系统和方法
DE102020200599A1 (de) Verfahren und Vorrichtung zur Steigerung der Fertigungsgenauigkeit beim pulverbettbasierten Strahlschmelzen mit einem verfahrbaren Bearbeitungskopf
CN112789158A (zh) 增材制造中的物体的方位和/或位置
TWI845406B (zh) 加成製造中人工智慧反饋控制系統、方法及媒介
WO2024046520A1 (de) Verfahren zur additiven herstellung eines bauteils, steuerungssystem zum steuern eines verfahrens zur additiven herstellung eines bauteils und herstellungssystem
WO2022233705A1 (de) Simulationsvorrichtung zur simulation der bedruckung eines druckträgers mit einem druckmuster sowie ein entsprechendes verfahren
CN116890459A (zh) 用于生成输出机器控制数据的计算机实现的方法
DE102021208911A1 (de) Verbesserung der Positionsgenauigkeit der Energiezufuhr in einer additiven Fertigungsvorrichtung
WO2024041741A1 (de) Laserbearbeitungsvorrichtung, verfahren, computerprogrammprodukt zum bearbeiten eines werkstücks, und werkstück

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