CN110186570B - 一种增材制造激光3d打印温度梯度检测方法 - Google Patents

Abstract

一种增材制造激光3D打印温度梯度检测方法，步骤为：步骤1，用调整好焦距和视角的CCD相机,对激光光源进行拍摄，并根据采集的图片信息与当前实际温度数据进行标定，生成训练需要的数据集,数据集中包含采集过程中每个时刻的图像特征，对每个时刻的图像特征对应的温度数据进行标定；步骤2，利用红外相机对工作台中的工件进行拍摄，可以得到工作台中正在打印的工件的实时动态温度分布图，对工件表面温度进行梯度定义，同样利用BP神经网络对采集的分布图按梯度值进行标定；步骤3，对于下一时刻工件表面的温度预测，采用神经网络算法计算求得的激光熔点温度与表面分布温度数据进行预测；具有抗噪声能力强、实时性好、判断准确的特点。

Description

一种增材制造激光3D打印温度梯度检测方法

技术领域

本发明属于增材制造中的激光3D打印技术领域，，具体涉及一种增材制造激光3D打印温度梯度检测方法，用于对激光3D打印金属部件的材料成型过程中温度梯度检测。

背景技术

近年来发展起来的快速成型技术在生产制造中被广泛应用，快速成型技术可以快速的将复杂形状的零件从计算机辅助设计(CAD)模型转化为实际满足工业现场需求的实物零件，在零件的设计、打印、制造过程中，只需要改变零件的计算机辅助设计(CAD)模型就能得到相应的零件，这使得零件模型的加工过程变得十分简单。

3D打印技术是快速成型技术的一种，是利用金属粉末作为原材料进行3D打印。随着制造业的全球化以及市场竞争的日益激烈，产品的快速开发已经成为了竞争的重要手段，因此激光3D打印技术在机械加工领域中越来越被广泛的使用。

目前，在增材制造的激光3D打印过程中，多采用金属送粉和激光熔化的方式实现快速程序制造，目前在3D打印过程中激光的功率是不变的，但由于金属熔点极高，在激光熔化过程中产出高温，而通过热传递，在打印过程中，整个模型的温度在动态变化，由于激光按预定轨迹进行增材制造，而激光熔点温度极高，环境温度低，因此在工作平面会进行散热，靠近激光熔点以及激光熔点扫过的位置温度高，其余地方温度低，因此会产生较大的温度梯度，温度梯度的出现会导致铁粉受热不均匀，从而受热熔化与冷凝的时间不同，这将导致加工精度降低,出现沙眼、断裂、镂空等问题，影响成品率与工件成型强度，因此对温度梯度的检测至关重要。

发明内容

为克服上述现有技术的不足，本发明的目的在于提出一种增材制造激光3D打印温度梯度检测方法，对激光熔点图像与加工平台热辐射图像进行检测，具有抗噪声能力强、实时性好、判断准确的特点。

为实现上述目的，本发明采用的技术方案：一种增材制造激光3D打印温度梯度检测方法，包括以下步骤：

步骤1，用调整好焦距和视角的CCD相机,对激光光源进行拍摄，并根据采集的图片信息与当前实际温度数据进行标定，生成训练需要的数据集,数据集中包含采集过程中每个时刻的图像特征，对每个时刻的图像特征对应的温度数据进行标定；

步骤2，利用红外相机对工作台中的工件进行拍摄，可以得到工作台中正在打印的工件的实时动态温度分布图，对工件表面温度进行梯度定义，同样利用BP神经网络对采集的分布图按梯度值进行标定；

BP神经网络是一种监督式学习的神经网络算法，它以数据输入下的输出与期望输出之间的平方误差函数作为目标函数，以权重与偏置作为待求参数，以目标函数的最小值作为目标进行寻优；BP神经网络包含正向传播与反向传播，正向传播输出结果，反向传播进行训练。

所述的BP神经网络的正向传播，其正向传播的公式为：

y＝σ(l_1×iw_i×j+b_1×j)w_j×1+b₁

其中y为正向传播求得的温度数据，l_1×784为输入的一维向量，w_i×j为输入层到隐含层的神经元权重，中间包含i*j个变量，b_1×j为输入层到隐含层的神经元偏置，中间包含j个变量，w_j×1为隐含层到输出层的神经元权重，中间包含j个变量，b₁为隐含层到输出层的神经元偏置，中间运算过程为矩阵相乘运算，σ为tansig激活函数，函数表达式为：

BP神经网络的反向传播误差函数公式为：

其中e(w,b)为误差函数，y为神经网络正向传播结果，d为当前输入下标定的温度数据，以权重与偏置为自变量，误差为因变量，以误差最小为目标函数进行寻优，即为BP神经网络的反向传播过程，训练的方式为梯度下降法，公式为：

其中α为神经网络的学习率，BP神经网络算法的关键就在于反向传播时梯度下降法的链式求偏导运算，利用训练好的BP神经网络进行温度数据的检测；

步骤3，对于下一时刻工件表面的温度预测，采用根据之前神经网络算法计算求得的激光熔点温度与表面分布温度数据进行预测，引入平滑温度预测计算公式：

Q(t+1)＝a₁x(t)+a₂x(t)²+b₁y(t)+b₂y(t)²+c

其中Q(t+1)为下一时刻预测激光点位置的工件表面温度，x(t)为当前时刻激光熔点温度，y(t)为下一时刻预测激光点位置的当前温度，a₁、a₂、b₁、b₂、c分别为平滑计算的参数；根据BP神经网络计算的温度数据与工件表面温度对平滑温度预测计算公式进行拟合求参数，建立平滑温度预测模型，预测下一时刻的激光点所在位置的工件表面温度。

与现有技术相比，本发明的有益效果是：

现有的温度检测方法是针对工件表面温度，而忽略了对激光熔点的温度检测，而且现有的表面温度检测方法多是基于温度传感器，由于温度存在大滞后的特性，实时性差温度检测不准确，而基于图像的温度检测方法没有考虑到温度梯度，更没有对下一时刻的激光点所在位置的工件表面温度的预测，不易对温度变化进行检测，以及后续的温度控制。

本发明是同时利用激光熔点温度和加工工件表面温度对激光3D打印的温度进行检测的检测方法，这种检测方法同时考虑了激光熔点与当前工件表面温度对工件表面温度梯度的的共同影响，使温度梯度检测更为准确，更加可靠。

同时，利用检测的激光熔点与当前工件表面温度引入平滑温度计算公式，对下一时刻的激光点所在位置的工件表面温度的预测，实现了对下一时刻工件加工点的温度预测，将激光熔点BP神经网络与温度梯度神经网络相结合，并将检测结果引入平滑温度预测模型对工件表面的温度梯度进行检测。本发明的激光3D打印温度检测方法，具有抗噪声能力强、实时性好、判断准确,减小温度梯度，减小加工工件的表面粗糙度，提高工件制造精度，减少因加工过程中因受热不均而导致的冷凝时间不一致，造成的沙眼、镂空等问题。

本发明的激光熔点的火焰亮度与火焰面积可以反映激光功率，通过对激光熔点的激光熔点亮度与激光熔点面积的BP神经网络图像识别，可实时检测激光熔点的温度数据。

本发明通过红外热成像处理，与BP神经网络的温度梯度检测算法，可实时检测工件表面准确的温度梯度与热力分布图。

附图说明

图1为激光3D打印温度检测方法流程图。

具体实施方案

下面结合附图和具体实施对本专利进行详细说明。

参见图1，一种增材制造激光3D打印温度梯度检测方法，包括以下步骤：

步骤1，用调整好焦距和视角的CCD相机,对激光光源进行拍摄，并根据采集的图片信息与当前实际温度数据进行标定，生成训练需要的数据集,数据集中包含采集过程中每个时刻的图像特征，对每个时刻的图像特征对应的温度数据进行标定；

步骤2，利用红外相机对工作台中的工件进行拍摄，可以得到工作台中正在打印的工件的实时动态温度分布图，对工件表面温度进行梯度定义，同样利用BP神经网络对采集的分布图按梯度值进行标定；

BP神经网络是一种监督式学习的神经网络算法，它以数据输入下的输出与期望输出之间的平方误差函数作为目标函数，以权重与偏置作为待求参数，以目标函数的最小值作为目标进行寻优；BP神经网络包含正向传播与反向传播，正向传播输出结果，反向传播进行训练。

所述的BP神经网络的正向传播，其正向传播的公式为：

y＝σ(l_1×iw_i×j+b_1×j)w_j×1+b₁

其中y为正向传播求得的温度数据，l_1×784为输入的一维向量，w_i×j为输入层到隐含层的神经元权重，中间包含i*j个变量，b_1×j为输入层到隐含层的神经元偏置，中间包含j个变量，w_j×1为隐含层到输出层的神经元权重，中间包含j个变量，b₁为隐含层到输出层的神经元偏置，中间运算过程为矩阵相乘运算，σ为tansig激活函数，函数表达式为：

BP神经网络的反向传播误差函数公式为：

其中e(w,b)为误差函数，y为神经网络正向传播结果，d为当前输入下标定的温度数据，以权重与偏置为自变量，误差为因变量，以误差最小为目标函数进行寻优，即为BP神经网络的反向传播过程，训练的方式为梯度下降法，公式为：

其中α为神经网络的学习率，BP神经网络算法的关键就在于反向传播时梯度下降法的链式求偏导运算，利用训练好的BP神经网络进行温度数据的检测；

步骤3，对于下一时刻工件表面的温度预测，采用根据之前神经网络算法计算求得的激光熔点温度与表面分布温度数据进行预测，引入平滑温度预测计算公式：

Q(t+1)＝a₁x(t)+a₂x(t)²+b₁y(t)+b₂y(t)²+c

其中Q(t+1)为下一时刻预测激光点位置的工件表面温度，x(t)为当前时刻激光熔点温度，y(t)为下一时刻预测激光点位置的当前温度，a₁、a₂、b₁、b₂、c分别为平滑计算的参数；根据BP神经网络计算的温度数据与工件表面温度对平滑温度预测计算公式进行拟合求参数，建立平滑温度预测模型，预测下一时刻的激光点所在位置的工件表面温度。

在工件的加工过程中，根据热辐射原理，激光3D打印平台的激光熔点的亮斑亮度与亮斑面积与当前温度有着直接的影响，成正相关关系，可以通过实验离线采集温度与亮斑大小数据之间的关系，由于温度的测量存在滞后性特点，因此对采集到的温度数据与图像的亮度特征曲线进行比对将温度数据相位提前，消除因滞后带来误差，得到当前工作状态下的温度，对温度数据进行插值处理使离散的视频图片与温度数据一一对应。由于视频图像的信息量大、特征量大、实时性好，若数据样本多、数据集完备，BP神经网络判断将会十分准确，识别率高，可靠性好，温度的梯度检测可以适应增材制造技术中的激光3D打印环境要求。在工件的加工过程中，激光熔点温度高，工作平台温度受激光熔点温度影响，整体随激光熔点的轨迹与位置动态变化。利用红外相机的热成像原理对工作平台加工工件表面进行拍摄，之后对温度进行梯度定义，以热力图作为输入，标定的温度梯度作为输出，利用BP神经网络进行温度梯度的动态检测。

实施例1:

参见图1所示的激光3D打印温度检测方法整体流程图，CCD摄像头与红外摄像头的采集频率大于20帧每秒，因此至少采集50s的激光3D打印机工作视频，并记录这段时间工件熔点附近温度与加工工件温度，由于数据中可能包含干扰噪声数据需要排除，因此，首先采集3分钟视频数据与温度数据作为神经网络的标定样本集。同样，这段时间利用红外摄像头采集工件温度变化温度分布图。根据热辐射原理，采集激光图片中熔点的面积值曲线应与熔点的温度变化曲线成正相关关系，依此为依据处理温度数据，消除因温度滞后带来的噪声干扰。将温度数据进行插值离散化，与激光熔点图片一一对应，将拍摄的激光图片进行缩小、矩阵变化作为神经网络的输入，以标定的温度数据作为输出，构成BP神经网络的激光熔点训练集，对红外相机采集的热力图像进行温度标定，构成BP神经网络的工件温度训练集。之后对两个BP神经网络进行训练，训练方法专利内容所示的梯度下降法。由于视频图像的信息量大、特征量大、实时性好，数据样本多、数据集完备，BP神经网络判断准确，识别率高。

之后，利用平滑温度预测计算公式与两个神经网络的输出，搭建平滑温度预测模型。

最后利用训练好的BP神经网络与平滑温度预测模型进行在线实时识别。同样，将在线实时拍摄的激光图片进行缩小、矩阵变换作为激光熔点神经网络的输入，利用红外相机拍摄的工件表面的热力分布图作为工件温度神经网络的输入。经过如图1所示的流程图，得到当前时刻的激光熔点温度数据与工件表面温度梯度值以及预测的下一时刻表面温度梯度值，完成神经网络在线实时检测3D打印温度梯度检测。

以3D打印机打印不锈钢工件过程结合发明内容说明本发明的实施案例：

首先加工前进行3D打印机调试、打印不锈钢平面样品，对不锈钢平面样品进行激光熔点图像采集与增材制造表面热成像图片采集，输入本专利搭建的图像熔点测温算法与梯度测温算法，得到训练完成的熔点测温模型与梯度测温模型，并利用熔点激光图片与表面热成像图片输入平滑温度预测算法得到平滑温度预测参数，完成离线训练部分。离线部分在所有加工过程中只需要做一次，之后的不锈钢加工可以利用第一次训练好的模型。

之后加工工件，利用训练完成的模型对不锈钢工件加工进行检测，在线采集激光熔点图像与增材制造表面热成像图片，输入训练好的网络得到当前激光熔点温度以及当前工件表面温度梯度，利用得到的两个参数带入平滑温度计算公式，预测下一时刻的表面温度梯度，完成在线实时检测3D打印温度梯度检测。

Claims (1)

1.一种增材制造激光3D打印温度梯度检测方法，其特征在于，包括以下步骤：

步骤1，用调整好焦距和视角的CCD相机,对激光光源进行拍摄，并根据采集的图片信息与当前实际温度数据进行标定，生成训练需要的数据集,数据集中包含采集过程中每个时刻的图像特征，对每个时刻的图像特征对应的温度数据进行标定；

步骤2，利用红外相机对工作台中的工件进行拍摄，可以得到工作台中正在打印的工件的实时动态温度分布图，对工件表面温度进行梯度定义，同样利用BP神经网络对采集的分布图按梯度值进行标定；

BP神经网络是一种监督式学习的神经网络算法，它以数据输入下的输出与期望输出之间的平方误差函数作为目标函数，以权重与偏置作为待求参数，以目标函数的最小值作为目标进行寻优；BP神经网络包含正向传播与反向传播，正向传播输出结果，反向传播进行训练；

所述的BP神经网络的正向传播，其正向传播的公式为：

y＝σ(l_1×iw_i×j+b_1×j)w_j×1+b₁

其中y为正向传播求得的温度数据，l_1×i为温度梯度检测输入的一维向量，w_i×j为输入层到隐含层的神经元权重，中间包含i*j个变量，b_1×j为输入层到隐含层的神经元偏置，中间包含j个变量，w_j×1为隐含层到输出层的神经元权重，中间包含j个变量，b₁为隐含层到输出层的神经元偏置，中间运算过程为矩阵相乘运算，σ为tansig激活函数，函数表达式为：

BP神经网络的反向传播误差函数公式为：

其中e(w,b)为误差函数，y为神经网络正向传播结果，d为当前输入下标定的温度数据，以权重与偏置为自变量，误差为因变量，以误差最小为目标函数进行寻优，即为BP神经网络的反向传播过程，训练的方式为梯度下降法，公式为：

其中α为神经网络的学习率，BP神经网络算法的关键就在于反向传播时梯度下降法的链式求偏导运算，利用训练好的BP神经网络进行温度数据的检测；

步骤3，对于下一时刻工件表面的温度预测，采用根据之前神经网络算法计算求得的激光熔点温度与表面分布温度数据进行预测，引入平滑温度预测计算公式：

Q(t+1)＝a₁x(t)+a₂x(t)²+b₁y(t)+b₂y(t)²+c

其中Q(t+1)为下一时刻预测激光点位置的工件表面温度，x(t)为当前时刻激光熔点温度，y(t)为下一时刻预测激光点位置的当前温度，a₁、a₂、b₁、b₂、c分别为平滑计算的参数；根据BP神经网络计算的温度数据与工件表面温度对平滑温度预测计算公式进行拟合求参数，建立平滑温度预测模型，预测下一时刻的激光点所在位置的工件表面温度。

Images