CN110597065A - 一种用于送粉式激光增材自适应控制系统 - Google Patents

Abstract

本发明属于增材制造控制技术领域，具体涉及一种用于送粉式激光增材制造自适应控制系统架构。所述系统包括工艺规划、设备组成、工控系统、数据采集与显示、数据管理、在线检测、PSD控制在内的一整套系统架构。通过自适应控制系统，不仅可以明显提高送粉式激光增材的成形质量和成形精度，还能达到增加成形零件的强度，减少成形件外部缺陷的目的。

Description

一种用于送粉式激光增材自适应控制系统

技术领域

本发明涉及智能制造领域，具体涉及一种用于送粉式激光增材自适应控制系统。

背景技术

在送粉式金属直接沉积成形过程中，存在加工路径不同、基材或已堆积材料高度变化、工艺参数波动等因素，会导致加工区域及熔池附近的温度梯度、导热条件等工艺条件发生动态变化，激光增材制造或修复的零部件会出现机械性能降低、几何精度下降等质量问题。同时成形过程存在多物理场耦合，不稳定因素多，熔池凝固速率较大等问题，导致成形零件易出现翘曲变形、开裂、尺寸异常等宏观缺陷，零件内部易出现裂纹、气孔、未熔合等不可预知的冶金缺陷。近年来，随着增材制造技术的迅速发展，在实现自动控制的基础上，通过对激光成形控形控性机理技术的研究，完成成形过程的自适应闭环控制技术，已成为增材制造技术重要的研究方向。

发明内容

本发明目的在于克服传统控制技术在激光增材制造过程中易存在成形形状偏差、力学性能不够等问题，提出一种专门针对送粉式激光增材自适应控制系统。本发明使用的自适应控制系统架构，即能满足大型送粉式增材制造整套工艺生产流程，还能大幅降低由工艺参数波动等原因引起的增材制造零件的内部和宏观缺陷。

本发明的具体技术方案为：

一种用于送粉式激光增材自适应控制系统，包括以下子系统：

CS1-工艺系统：由Adem三维切片软件完成轨迹路径规划并生成机器人控制器可识别的.txt文件，并通过FTP通信将.txt生成的运动点导入设备系统的机器人的控制器中、来完成增材制造轨迹规划流程；

CS2-设备系统:包括打印头、送粉器、激光器、机器人、真空净化装置、外围设备，其中打印头主要完成光路路径、出粉任务；激光器用于产生热源；送粉器负责提供原料；机器人是执行运动轨迹的终端机构；真空净化装置完成创造符合条件的氧含量、水含量气氛条件；

CS3-工控系统：建立以Beckhoff工控为核心的整套完备的送粉式增材制造工艺生产控制系统架构；

CS4-数据采集监控系统：以MFC为数据采集和监控人机交互界面，并完成对热构件表面形貌数据采集、熔池数据采集、温度数据采集、工艺参数数据读写以及气氛状态、报警指示的多数据、一体化交互；

CS5-数据管理系统:以MySQL为数据核心，通过建立E-R关系的结构模型将所有热构件表面形貌数据、熔池数据、温度数据进行统一存储、查询、修改；在具备工艺参数实时读取功能的同时，在数据管理系统下、进一步与其他系统进行数据融合，寻求获得过程控制的主要简化特征模型和特征量；其中E表示：融合处理后获得的精度和质量特征，R表示：零件过程质量特征；

CS6-在线检测系统：通过结构光三维形貌检测装置、CCD熔池检测装置、高温计温度检测装置配合CS3-工控系统完成对成热构件表面形貌数据采集、熔池数据采集、温度数据实时采集，并提取熔池特征参数；

CS7-自适应PID控制系统：对整个控制系统进行工艺参数阶跃实验，进行动态特性分析，同时根据要求进行多水平信号设计，建立熔池特征参数与显著性工艺参数化的匹配辨识模型，在此基础上实现成形过程质量辨识；再神经网络PSD算法根据过程误差的几何特性建立性能指标，无过程参数辨识，检测成形过程的期望输出和实际输出，形成参数自调整的闭环控制系统，完成这个自适应控制系统的架构平台搭建。

本发明的设计原理为：

以CS1-工艺系统、CS2-设备系统、CS3-工控系统、CS4-数据采集监控系统组成智能控制系统；

以结构光三维形貌检测装置、CCD熔池检测装置、高温计温度检测装置组成在线检测系统，其获得热构件表面形貌数据、熔池数据、温度数据；这些数据通过CS3-工控系统进行采集处理获得，然后利用CS4-数据采集监控系统进行交互；

数据管理系统以热构件表面形貌数据、熔池数据、温度数据、工艺参数数据为基础，构建E-R关系的结构模型，

再然后，利用自适应PID控制系统结合E-R关系的结构模型形成参数自调整的闭环控制，从而在加工制造过程中，一边检测、一边分析、一边调整控制，从而让制造出的产品在制造过程中就达到预定质量标准。

CS3-工控系统中以EtherCAT总线通信的方式完成对与设备系统的实时通信，其设备系统应用串行总线耦合方式进行设备系统平台搭建。

CS4-数据采集监控系统中通过ADS通信完成与CS3-工控系统的工艺参数的数据读写。

CS4-数据采集监控系统中、在利用HMI单元与CS3-工控系统通过ADS双向通信的基础上，采用MFC进行数据采集与监控系统开发，来完成工艺参数数据的读写、以及完成真空气氛环境和加工成形过程中设备运行状态数据的采集和监控功能，同时具备整个成形过程的显示和存储功能。

由于打印过程的需要，CS6-在线检测系统的结构光三维形貌检测装置、CCD熔池检测装置、高温计温度检测装置固定安装在机器手臂末端上，结构光三维形貌检测装置、CCD熔池检测装置、高温计温度检测装置采集的数据通过CS3工控系统的采集、再通过CS4-数据采集监控系统的交互、均会交给CS5-数据管理系统。

具体的：

CS1-工艺系统：利用Adem工艺切片软件，对导入的目标打印零件的三维模型进行切片处理，最终生成运动控制终端可识别的轨迹路径.txt。并通过FTP通信将.txt生成的运动点导入机器人控制器中，来完成增材制造轨迹规划流程。

CS2-设备系统：主要包括打印头、送粉器、激光器、机器人、真空净化及其它外围设备等装置，其中打印头主要完成光路路径、出粉等主要任务；激光器用于产生热源；送粉器负责提供原料；机器人是执行运动轨迹的终端机构；真空净化装置主要完成创造符合条件的氧含量、水含量等气氛条件。

CS3-工控系统：选用德国Beckhoff-C5102-IPC(Windows7系统)作为基本控制平台，经二次开发出满足送粉式增材制造工艺的控制系统。CS3利用PLC单元的TwinCAT软件平台通过EtherCAT通信实现整套工艺装备系统的数字/模拟量集成控制。CS3内嵌IPC图像采集卡，搭配XCAP软件配合Kappa CCD来完成对成形熔池图像的实时采集，为后续熔池动态视觉在线检测提供数据支持。同时CS3通过访问Sensor Tools软件并通过双温传感器完成对熔池温度场的温度数据采集、存储。

CS4-数据采集监控系统：CS4主要是利用HMI(Beckhoff-P6942)，在与CS3通过ADS双向通信的基础上，采用MFC(C++编程)进行数据采集与监控系统开发，来完成增材工艺参数(激光功率、扫描速度)的读写、真空气氛环境和加工成形过程中设备运行状态数据的采集和监控等功能，同时具备整个成形过程的显示和存储功能。

CS5-数据管理系统：CS5通过数据采集、存储和边缘处理等技术实现。采集部分MFC通过C++协议转换程序，利用自定义网络协议，将CS3系统内部变量激光功率(P)、扫描速度(V)等发送出来。在边缘PC内，通过C#接收程序接收变量数据，并存入MySql数据库中，最后利用Pythen等对参数进行图表配置。CS5除具备设备库、缺陷库、产品库、材料库、工艺库等基本功能外，同时在A.H.P算法的基础上完成工艺方案优选。

CS6-在线检测系统：CS6核心在于CCD检测、双色高温计检测以及结构光检测三个模块上，由于打印过程的需要，检测模块固定安装在机器手臂末端上，三个核心模块采集的数据均会交给CS5，并在CS5下进一步的与其他系统数据如材料参数、性能数据等等数据融合。

CS7-自适应PID控制系统：通过CS6提取的轮廓获得熔池宽度、面积、温度梯度等复杂信息，在阶跃实验的基础上，对工艺参数和熔池特征关系系统进行定性动态分析，然后采用非线性系统ARX(Auto-Regressive Exogeneous-受控自回归滑动)模型来辨识二者的动态关系模型，在此基础上实现成形过程质量辨识，最后利用神经网络PSD控制算法将熔池特征信息作为闭环反馈控制的输入信号，实时、自适应调整扫描速度等显著性工艺参数，从而实现整个控制系统的闭环反馈控制。

比较特别的，本发明通过热构件表面形貌数据、熔池数据、温度数据实现E-R关系的过程为：

步骤1：通过设备运行状态检测装置获得各设备运行状态的工艺参数数据、通过结构光三维形貌检测装置获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，通过CCD熔池检测装置获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据，通过高温计温度检测装置获得激光立体成形过程的熔池中心点平均温度的温度数据；

步骤2:利用数据融合评价模型对热构件表面形貌数据、熔池数据、温度数据进行深度学习网络训练；深度学习网络训练包括步骤21、步骤22、步骤23；

步骤21：利用精度标签、缺陷标签、力学性能标签将热构件表面形貌数据、熔池数据、温度数据进行标签化处理获得标签化的样本数据；并对标记有缺陷的样本数据结合相互比较评价剔除明显的错误数据和误差较大的样本数据；

步骤22：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

步骤23：利用特征融合层对步骤4获取的精度和质量特征进行融合处理，再通过平均池化层、全连接层、回归层的深度学习网络训练决策处理；

步骤3：利用数据管理系统按照采样时间点和控制时序无差别的将热构件表面形貌数据、熔池数据、温度数据与工艺参数数据、精度和质量特征进行映射存储在结构化数据中；且该结构化数据通过融合处理后深度学习网络训练决策处理获得的精度和质量特征数据与零件过程质量特征建立的关系模型。

其中所述精度和质量特征包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。

实现上述过程需要数据管理系统、构建数据融合评价模型、在线检测系统配合：

在线检测系统的结构光三维形貌检测装置:用于获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，结构光三维形貌检测装置包括单或双数字光栅投影设备、带特定波长的线滤光片和衰减片的高速摄影成像系统、背景图像衰减和条纹增强和修复系统；所述的CCD熔池检测装置:用于获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据；所述的高温计温度检测:用于获得激光立体成形过程的熔池中心点平均温度的温度数据；

CS5-数据管理系统：

用于对过程数据进行存储管理，过程数据包括检测获得的热构件表面形貌数据、熔池数据、温度数据，过程数据还包括含有成形过程的速度数据、材料数据以及运动坐标数据的工艺参数数据，过程数据还包括融合评价模型的所有数据；

用于将热构件表面形貌数据、熔池数据、温度数据、数据融合评价模型的所有数据按照采样时间点和控制时序无差别的与工艺参数数据进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的精度和质量特征与零件过程质量特征建立E-R关系模型；

CS5-数据管理系统通过数据融合评价模型获得E-R关系模型：

数据融合评价模型：用于对热构件表面形貌数据、熔池数据、温度数据的数据进行相互比较评价剔除明显的错误数据和误差较大的数据、再进行融合分析；

数据融合评价模型包括：

标签化处理模块：用于将热构件表面形貌数据、熔池数据、温度数据进行标签化处理，

使得热构件表面形貌数据、熔池数据、温度数据具有精度标签、缺陷标签、力学性能标签；

筛选模块：将具有缺陷标签的热构件表面形貌数据、熔池数据、温度数据进行结合相互比较评价剔除明显的错误数据和误差较大的数据；

特征提取模块：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

特征融合模块：利用特征融合层将提取到的不同精度和质量特征进行融合；

决策层模块：利用平均池化层、全连接层、回归层对融合后的精度和质量特征进行深度学习网络训练决策处理。

CS5-数据管理系统依据自定义网络协议和C#转换协议将CS4-数据采集监控系统中数据实时读入MySQL数据库中；同时在边缘PC内，通过C#接收程序接收变量数据，并存入MySql数据库中，最后利用Pythen对参数进行图表配置、利用Ruby对参数进行数据配置。

CS6在线检测系统中通过对熔池图像的深度学习，选取恰当的模型训练处理完成预测成形单道的宽度。

总的来看，在本发明中，其形成了面向不同网络结构的时间、空间、图像、温度、精度、质量信息的标签化样本；在利用面向精度在线监测的回归深度网络模型、面向宏观性能在线预测回归深度网络模型、面向缺陷在线识别与诊断分类识别深度网络模型，在基于图像、温度多源信息特征融合、基于小样本标签数据迁移、基于工艺机理强化学习从而构建了多源异构监控信息驱动的深度网络模型。其中，精度标签有表明轮廓尺寸、金相截面、表明粗糙度等，缺陷标签有为未熔、球化、不连续、过熔、空隙、参与应力等，力学性能标签(质量)有拉伸、硬度、冲击韧性强度。

另外，对于设备结构，所述结构光三维形貌检测装置3为在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测装置3包括单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统。

所述单或双数字光栅投影设备301的光源303的波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。单或双数字光栅投影设备301的光源303为紫外线光源或中长红外光源，并避开963nm左右波长的光源。针对钛合金成形时，单或双数字光栅投影设备301的光源303波长选择为830nm±10nm或300nm±10nm；针对铁基高强度钢材料时，其单或双数字光栅投影设备301的光源303波长为300nm±10nm或中长红外光源，且高速摄影成像系统302的线滤光片和衰减片304的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于或等于10^-5。铁基高强度钢材料为30CrNi2MoVE或30CrMnSiNi2A。

本发明通过融合熔池图像、温度以及高干扰环境下的成形状态形貌数据，利用深度学习寻找与质量特征相关的潜在特征检测数据，通过融合数据评价模型和数据管理系统，实现对成形过程的质量状态和潜在变化趋势进行识别，从而稳定激光成形过程的加工状态和质量状态，获得稳定的高性能激光立体成形零件。该系统和方法解决了目前在线识别方式单一，分析质量不全面不可靠以及无法实现激光状态下和高温下形貌检测的难题，更真实更立体更直观的反映成形状态，并建立了检测数据与控制的一种可扩展和快速处理的连接方式，便于激光成形过程的在线检测与实时控制，为该技术的成熟发展和工业规模应用建立基础。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1是本发明的激光立体成形过程检测系统(在线检测系统)的组成框图。

图中：1.CCD熔池检测装置，2.高温计温度检测装置，3.结构光三维形貌检测装置,4.数据融合评价模型,5.数据管理系统。

图2是本发明实施例中激光立体成形的常见缺陷图。

图中：(a)表示中间凹陷缺陷，(b)表示成形轮廓塌陷，(c)表示高度波动不稳定状态，(d)表示成形表面粘粉现象。

图3是本发明中结构光对熔池及其附近进行测量的原理示意图。

图中：301.单或双数字光栅投影设备，302.高速摄影成像系统，303.光源，304.线滤光片和衰减片，305.熔池等测量对象。

图4是本发明的CS1-CS5子系统过程原理架构框图

图5是本发明的CS6、CS7子系统过程原理架构框图

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

图4、图5所示

一种用于送粉式激光增材自适应控制系统，包括以下子系统：

CS1-工艺系统：由Adem三维切片软件完成轨迹路径规划并生成机器人控制器可识别的.txt文件，并通过FTP通信将.txt生成的运动点导入设备系统的机器人的控制器中、来完成增材制造轨迹规划流程；

CS2-设备系统:包括打印头、送粉器、激光器、机器人、真空净化装置、外围设备，其中打印头主要完成光路路径、出粉任务；激光器用于产生热源；送粉器负责提供原料；机器人是执行运动轨迹的终端机构；真空净化装置完成创造符合条件的氧含量、水含量气氛条件；

CS3-工控系统：建立以Beckhoff工控为核心的整套完备的送粉式增材制造工艺生产控制系统架构；

CS4-数据采集监控系统：以MFC为数据采集和监控人机交互界面，并完成对热构件表面形貌数据采集、熔池数据采集、温度数据采集、工艺参数数据读写以及气氛状态、报警指示的多数据、一体化交互；

CS5-数据管理系统:以MySQL为数据核心，通过建立E-R关系的结构模型将所有热构件表面形貌数据、熔池数据、温度数据进行统一存储、查询、修改；在具备工艺参数实时读取功能的同时，在数据管理系统下、进一步与其他系统进行数据融合，寻求获得过程控制的主要简化特征模型和特征量；其中E表示：融合处理后获得的精度和质量特征，R表示：零件过程质量特征；

CS6-在线检测系统：通过结构光三维形貌检测装置3、CCD熔池检测装置1、高温计温度检测装置2配合CS3-工控系统完成对成热构件表面形貌数据采集、熔池数据采集、温度数据实时采集，并提取熔池特征参数；

CS7-自适应PID控制系统：对整个控制系统进行工艺参数阶跃实验，进行动态特性分析，同时根据要求进行多水平信号设计，建立熔池特征参数与显著性工艺参数化的匹配辨识模型，在此基础上实现成形过程质量辨识；再神经网络PSD算法根据过程误差的几何特性建立性能指标，无过程参数辨识，检测成形过程的期望输出和实际输出，形成参数自调整的闭环控制系统，完成这个自适应控制系统的架构平台搭建。

本发明的设计原理为：

以CS1-工艺系统、CS2-设备系统、CS3-工控系统、CS4-数据采集监控系统组成智能控制系统；

以结构光三维形貌检测装置3、CCD熔池检测装置1、高温计温度检测装置2组成在线检测系统，其获得热构件表面形貌数据、熔池数据、温度数据；这些数据通过CS3-工控系统进行采集处理获得，然后利用CS4-数据采集监控系统进行交互；

数据管理系统以热构件表面形貌数据、熔池数据、温度数据、工艺参数数据为基础，构建E-R关系的结构模型，

再然后，利用自适应PID控制系统结合E-R关系的结构模型形成参数自调整的闭环控制，从而在加工制造过程中，一边检测一边分析、一边调整控制，从而让制造出的产品在制造过程中就达到预定质量标准。

实施例2

以图4、和图5为例：一种用于送粉式激光增材自适应控制系统具体的：

先通过以下过程实现本发明自适应控制系统的构建：

S1：首先进行控制系统硬件平台搭建。以Beckhoff-C5102-IPC工控作为其中控制系统基础平台，将其作为下位机。以Beckhoff-P6942-HMI触摸屏作为上位机完成整个系统的人机交互。

S2：下位机通过Ethcat通信分别完成对送粉器、机器人、真空装置、水冷等设备的I/O数字、模拟量控制，通过Modbus RTU完成与净化装置通信，通过DeviceNET完成与激光器通信，通过USB完成与温控传感器控制。

S3：利用TwinCAT3软件完成所有装备的自动控制。然后利用Adem三维切片软件形成机器人轨迹路径文件，导入机器人控制器中完成运动轨迹，在TC3中配合激光器、送粉器完成控制系统整个时序控制。

S4：在上位机中利用C++编写MFC人机交互界面，并通过ADS完成与下位机对参数变量的读写，同时MFC应具备气氛环境监控、成形过程、机器人坐标参数、报警信息等显示功能。

S5：成形过程中结合CCD相机，结构光等光学期间同时通过IPC采集卡完成对熔池图像的实时采集，利用双温传感器完成温度数据采集。MFC同时具备控制对熔池图像软件XCAP和温测软件Sensor的实时控制功能。

S5：通过C#建立Winform访问MySQL数据库。对上位机功率参数通过自定义网络协议转换，将其实时读入数据库中。同时将采集的熔池图像和温度传感书库实时传入并存储与数据库系统中。

S6：通过对熔池图像的深度学习，选取恰当的模型训练处理完成预测成形单道的宽度。

S7：进行不同参数的阶跃实验，对控制对象(熔池特征)进行动态特性分析。对控制系统进行定性。

S8：成形熔池动态模型辨识：

S9：利用PSD(即比例、求和、微分)结合神经元的学习功能，根据过程误差的几何特性建立性能指标，无过程参数辨识，对成形过程的期望输出和实际输出进行检测，即形成参数自适应的闭环控制系统。

S10：对自适应控制系统进行仿真分析，验证熔池特征参数误差是否在可接受范围。最后进行控制系统的稳定性，鲁棒性等分析。

进一步地，所述S8具体包含以下步骤：

S81：首先对控制系统进行动态信号设计，输入信号充分激励成形过程的所有模态，进行单一变量多水平阶跃实验。

S82：利用Matlab软件中的System Identification工具箱，将工艺参数作为输入量，熔池特征参数作为输出量利用受控自会回归滑动模型进行动态关系模型辨识。

其获得系统具体为：

CS1-工艺系统：利用Adem工艺切片软件，对导入的目标打印零件的三维模型进行切片处理，最终生成运动控制终端可识别的轨迹路径.txt。并通过FTP通信将.txt生成的运动点导入机器人控制器中，来完成增材制造轨迹规划流程。

CS2-设备系统：主要包括打印头、送粉器、激光器、机器人、真空净化及其它外围设备等装置，其中打印头主要完成光路路径、出粉等主要任务；激光器用于产生热源；送粉器负责提供原料；机器人是执行运动轨迹的终端机构；真空净化装置主要完成创造符合条件的氧含量、水含量等气氛条件。

CS3-工控系统：选用德国Beckhoff-C5102-IPC(Windows7系统)作为基本控制平台，经二次开发出满足送粉式增材制造工艺的控制系统。CS3利用PLC单元的TwinCAT软件平台通过EtherCAT通信实现整套工艺装备系统的数字/模拟量集成控制。CS3内嵌IPC图像采集卡，搭配XCAP软件配合Kappa CCD来完成对成形熔池图像的实时采集，为后续熔池动态视觉在线检测提供数据支持。同时CS3通过访问Sensor Tools软件并通过双温传感器完成对熔池温度场的温度数据采集、存储。

CS4-数据采集监控系统：CS4主要是利用HMI(Beckhoff-P6942)，在与CS3通过ADS双向通信的基础上，采用MFC(C++编程)进行数据采集与监控系统开发，来完成增材工艺参数(激光功率、扫描速度)的读写、真空气氛环境和加工成形过程中设备运行状态数据的采集和监控等功能，同时具备整个成形过程的显示和存储功能。

CS5-数据管理系统：CS5通过数据采集、存储和边缘处理等技术实现。采集部分MFC通过C++协议转换程序，利用自定义网络协议，将CS3系统内部变量激光功率(P)、扫描速度(V)等发送出来。在边缘PC内，通过C#接收程序接收变量数据，并存入MySql数据库中，最后利用Pythen等对参数进行图表配置。CS5除具备设备库、缺陷库、产品库、材料库、工艺库等基本功能外，同时在A.H.P算法的基础上完成工艺方案优选。

CS6-在线检测系统：CS6核心在于CCD检测、双色高温计以及结构光三个模块上，由于打印过程的需要，检测模块固定安装在机器手臂末端上，三个核心模块采集的数据均会交给CS5，并在CS5下进一步的与其他系统数据如材料参数、性能数据等等数据融合。

CS7-自适应PID控制：通过CS6提取的轮廓获得熔池宽度、面积、温度梯度等复杂信息，在阶跃实验的基础上，对工艺参数和熔池特征关系系统进行定性动态分析，然后采用非线性系统ARX(Auto-Regressive Exogeneous-受控自回归滑动)模型来辨识二者的动态关系模型，在此基础上实现成形过程质量辨识，最后利用神经网络PSD控制算法将熔池特征信息作为闭环反馈控制的输入信号，实时、自适应调整扫描速度等显著性工艺参数，从而实现整个控制系统的闭环反馈控制。

实施例3

为了配合上述自适应控制系统，本实施例对激光立体成形过程检测系统，即在线监测系统的实现过程作出以下举例：

在线监测系统的检测方法为：

步骤1：通过设备运行状态检测装置获得各设备运行状态的工艺参数数据、通过结构光三维形貌检测装置3获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，通过CCD熔池检测装置1获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据，通过高温计温度检测装置2获得激光立体成形过程的熔池中心点平均温度的温度数据；

步骤2:利用数据融合评价模型4对热构件表面形貌数据、熔池数据、温度数据进行深度学习网络训练；深度学习网络训练包括步骤21、步骤22、步骤23；

步骤21：利用精度标签、缺陷标签、力学性能标签将热构件表面形貌数据、熔池数据、温度数据进行标签化处理获得标签化的样本数据；并对标记有缺陷的样本数据结合相互比较评价剔除明显的错误数据和误差较大的样本数据；

步骤22：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

步骤23：利用特征融合层对步骤4获取的精度和质量特征进行融合处理，再通过平均池化层、全连接层、回归层的深度学习网络训练决策处理；

步骤3：利用数据管理系统5按照采样时间点和控制时序无差别的将热构件表面形貌数据、熔池数据、温度数据与工艺参数数据、精度和质量特征进行映射存储在结构化数据中；且该结构化数据通过融合处理后深度学习网络训练决策处理获得的精度和质量特征数据与零件过程质量特征建立的关系模型。

所述精度和质量特征包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。

所述结构光三维形貌检测装置3为在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测装置3包括单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统。

所述单或双数字光栅投影设备301的光源303的波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

单或双数字光栅投影设备301的光源303为紫外线光源或中长红外光源，并避开963nm左右波长的光源。针对钛合金成形时，单或双数字光栅投影设备301的光源303波长选择为830nm±10nm或300nm±10nm；针对铁基高强度钢材料时，其单或双数字光栅投影设备301的光源303波长为300nm±10nm或中长红外光源，且高速摄影成像系统302的线滤光片和衰减片304的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于或等于10^-5。铁基高强度钢材料为30CrNi2MoVE或30CrMnSiNi2A。

如图1所示：

实现上述在线监测系统的检测方法的系统为：

包括成形过程多源异构信息实时监控装置、数据融合评价模型4、数据管理系统5。

所述成形过程多源异构信息实时监控装置包括：设备运行状态检测装置、结构光三维形貌检测装置3、CCD熔池检测装置1、高温计温度检测装置2；设备运行状态监控装置：用于获得各设备运行状态的工艺参数数据；所述的结构光三维形貌检测装置3:用于获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，结构光三维形貌检测装置3包括单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统(其进行了窄带滤波、衰减、相位编码、增强、修复等处理，其目的是获得热体三维物理形貌)；所述的CCD熔池检测装置1:用于获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据(其获得熔池数据利用图像去噪深度学习后获得)；所述的高温计温度检测2:用于获得激光立体成形过程的熔池中心点平均温度的温度数据(其获得的温度数据采用温度波动曲线后计算)；

具体的，在对熔池图像处理时，其采用先获得多张连续熔池图像，然后平均化处理熔池图像，其对该段熔池的高度进行平均处理得到平均高度，多该段熔池的宽度进行平均处理；得到平均宽度；对该段熔池的温度进行统一数据量，然后性标准温度。

数据融合评价模型4：

用于对热构件表面形貌数据、熔池数据、温度数据的数据进行相互比较评价剔除明显的错误数据和误差较大的数据、再进行融合分析；

数据管理系统5：

用于对过程数据进行存储管理，过程数据包括检测获得的热构件表面形貌数据、熔池数据、温度数据，过程数据还包括含有成形过程的速度数据、材料数据以及运动坐标数据的工艺参数数据，过程数据还包括融合评价模型4的所有数据；

用于将热构件表面形貌数据、熔池数据、温度数据、数据融合评价模型4的所有数据按照采样时间点和控制时序无差别的与工艺参数数据进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的精度和质量特征与零件过程质量特征建立关系模型。

所述数据融合评价模型4包括：标签化处理模块：用于将热构件表面形貌数据、熔池数据、温度数据进行标签化处理，使得热构件表面形貌数据、熔池数据、温度数据具有精度标签、缺陷标签、力学性能标签；筛选模块：将具有缺陷标签的热构件表面形貌数据、熔池数据、温度数据进行结合相互比较评价剔除明显的错误数据和误差较大的数据；在筛选时，利用缺陷标签，将与缺陷对应的熔池图像进行标记，从而标记为该类缺陷的熔池图像，对无缺陷的熔池图像进行标记为良好熔池图像。特征提取模块：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；特征融合模块：利用特征融合层将提取到的不同精度和质量特征进行融合；决策层模块：利用平均池化层、全连接层、回归层对融合后的精度和质量特征进行深度学习网络训练决策处理。

总的来看，在本发明中，其形成了面向不同网络结构的时间、空间、图像、温度、精度、质量信息的标签化样本；在利用面向精度在线监测的回归深度网络模型、面向宏观性能在线预测回归深度网络模型、面向缺陷在线识别与诊断分类识别深度网络模型，在基于图像、温度多源信息特征融合、基于小样本标签数据迁移、基于工艺机理强化学习从而构建了多源异构监控信息驱动的深度网络模型。其中，精度标签有表明轮廓尺寸、金相截面、表明粗糙度等，缺陷标签有为未熔、球化、不连续、过熔、空隙、参与应力等，力学性能标签(质量)有拉伸、硬度、冲击韧性强度。

所述的CCD熔池检测装置1是对激光立体成形过程的熔池的形态、羽流和飞溅进行图像数据采集，所述的高温计温度检测装置2是对激光立体成形过程的熔池中心点平均温度进行采集，所述的结构光三维形貌检测装置3是对激光成形过程中零件或当前层或熔池区域及其附近的三维形貌进行数据采集，所述的数据融合评价模型4是对所述的CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的数据进行融合分析和相互比较评价剔除明显的错误数据和误差较大的数据，所述的数据管理系统5是对所有的过程数据包括检测数据、成形过程的速度数据、材料数据以及运动坐标数据进行采集并按关系模型进行存储管理。

所述的CCD熔池检测装置1、所述的高温计温度检测装置2、所述的结构光三维形貌检测装置3的直接数据通过深度学习方法对成形过程质量特征进行融合分析，质量特征主要包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势。

所述结构光三维形貌检测装置3，是在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；所述的结构光三维形貌检测3包含单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统；所述的结构光三维形貌检测3其光源303波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

所述的结构光三维形貌检测装置3，其光源303为紫外线光源或中长红外光源，并避开963nm左右波长的光源；针对钛合金成形时，其光源303波长选择为830nm±10nm或300nm左右，针对30CrNi2MoVE、30CrMnSiNi2A等铁基高强度钢材料时，其投影光栅的光源303波长为300nm左右或中长红外光源，且高速摄影成像系统302的线滤光片和衰减片304的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于10^-5。

所述的CCD熔池检测装置1、所述的高温计温度检测装置2、所述的结构光三维形貌检测装置3、所述的数据融合评价模型4的所有数据按照采样时间点和控制系统控制时序无差别的与所述的数据管理系统5的坐标数据、速度数据等进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的特征数据与零件过程质量特征建立关系模型。

优选的所述的CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择CCD熔池检测装置1和高温计温度检测装置2的数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。

优选的所述的CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择结构光三维形貌检测装置3数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。

优选的CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据也可以采用其他类似技术手段获得，如红外相机、纹影检测以及非接触轮廓仪等，然后采用本发明类似的方法来实现发明内容。

图3是本发明中结构光对熔池及其附近进行测量的原理示意图。

在上述实施例的基础上，结构光三维形貌检测装置3可对图2所示的形貌缺陷实现在激光环境或热态物体表面的测量。其某种测量原理的实施例见图3所示。所述结构光三维形貌检测装置3，是在激光立体成形过程中激光发光状态下或成形对象处于热态高温的状态下或所测区域是固液态混合的情况下进行光栅投影的三维形貌成像；其投影所需的光源波长根据测量对象的材料和工艺特征确定；所述的结构光三维形貌检测装置3包含单或双数字光栅投影设备301、带特定波长的线滤光片和衰减片304的高速摄影成像系统302、背景图像衰减和条纹增强和修复系统，其中图示的304线滤光片采用窄带滤波的方法提高抗干扰性，衰减片用于去掉激光作用过程或者反射光等的高亮度对于摄像镜头的信息干扰和破坏；所述的结构光三维形貌检测3其光源303波长是与具体加工对象材料特征相关的某特定波长，且随着加工对象的变化该投影波长随之变化。

所述的结构光三维形貌检测装置3，其光源303为紫外线光源或中长红外光源，并避开963nm左右波长的光源；针对钛合金成形时，其投影光栅的光源303波长选择为830nm±10nm或300nm左右，针对30CrNi2MoVE、30CrMnSiNi2A等铁基高强度钢材料时，其光源303波长为300nm左右或中长红外光源，且高速摄影成像系统302的线滤光片和衰减片304的适用波长范围与其一一对应，线滤光片对其他波长光源的衰减率大于10^-5。

在增材制造过程中，激光与材料作用过程中会有很强的等离子体形成，熔池表面温度也在2000摄氏度左右，并伴随飞溅现象，对零件三维形貌的测量带来了很大的难度。传统的测量都是单数据测定，无法在激光作用下或热态金属表面形成三维形貌测量。

经过我们研究发现，当钛合金或铁基材料与激光作用时，发明中所述的光谱300nm左右的结构光投影源可以避开整个过程的光谱范围，因此作为结构光的使用，从而使测量激光立体成形过程的三维形貌成为可能。

由于激光立体成形过程中，其他光谱强度很高，综合光源期刊为了降低其他波段对测量用波长的干扰，本发明还采用了滤光片和衰减片，对其他光谱进行过滤和衰减，经试验，其倍率至少在10^-5。

综合采用以上措施后才能实现激光环境下或热态金属表明的直接三维形貌检测。为了实现现场的便捷实用，可以将光栅投影设备设置成多套。

优选的所述的结构光三维形貌检测3可以单独使用并直接与数据融合评价模型4、数据管理系统5组成完整的检测系统并使用本发明的系统使用方法。所述的结构光三维形貌检测3的数据也可以通过深度学习等方法结合数据融合评价模型4、数据管理系统5等实现除了三维形貌以外的比如力学性能，质量状态及演变趋势等进行识别和推测。

优选的所述的结构光三维形貌检测3的数据也可直接用于基于激光成形技术的相关技术领域实现在激光环境下的形貌检测使用，也可用于激光增减材系统中的实施数据三维重构和缺陷定位，并给出减材系统所需要的三维形貌数据。

实施例4

以钛合金激光立体为例，本实施例针对钛合金激光立体成形时本发明一种激光立体成形检测的工作过程如下：

增材制造设备或增减材制造设备工作时，钛合金粉末与激光在某个位置汇聚融合并开始沉积成形，与此同时CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3等3个系统开始采集相关的数据并进行融合，额外的其中CCD熔池检测装置1与高温计温度检测装置2的数据可以独立融合，结构光三维形貌检测装置3的数据可以独立融合，采集的数据内容和发明内容说明的一致，其中，所述的CCD熔池检测装置1是对激光立体成形过程的熔池的形态、羽流和飞溅进行图像数据采集，所述的高温计温度检测装置2是对激光立体成形过程的熔池中心点平均温度进行采集，所述的结构光三维形貌检测装置3是对激光成形过程中零件或当前层或熔池区域及其附近的三维形貌进行数据采集；针对钛合金时结构光三维形貌检测装置3的投影光栅的光源采用830nm±10nm波长光源，高速摄影成像系统302的线滤光片和衰减片304的适用波长也是830nm±10nm。采集的数据根据系统时间进行采样同步控制一10ms为一个最小周期更新全部数据，并将这些数据送入到数据融合评价模型4并进行相互校正和评价，剔除无效数据和错误数据，往往系统标定好后无需该过程。采集的数据直接进入到数据融合评价模型4进行分析获取系统的特征数据，这些数据无差别的进入数据管理系统5，并结合数据管理系统5通过其他渠道获得所有的过程数据包括检测数据、成形过程的速度数据、材料数据以及运动坐标数据等，一并按关系模型进行存储管理，然后选择系统分析识别的特征数据通过深度学习的模型与质量特征(质量特征主要包括：当前层宽度演变状态、实时层高演变状态、塌陷形态及定位坐标、未融化缺陷形态及定位坐标、零件当前总层高及趋势、零件当前壁厚及趋势、成形零件的当前层及关联层的力学性能演变趋势)建立联系，并根据这些关系模型得出的结论与数据管理系统5中包含的优先工艺数据库进行匹配、分析、插值等，从而实现在线预测成形过程的质量演变趋势并据此推送优先工艺数据库的某组数据给成形过程控制系统优选的工艺控制参数。

优选的工作过程针对具体硬件情况，所述的CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择CCD熔池检测装置1和高温计温度检测装置2的数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。优选的所述的CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据融合相互评价标定后可仅选择结构光三维形貌检测装置3数据进行特征融合并用于数据融合评价模型4、数据管理系统5的数据中，并适用于其他所有的本发明内容的使用。优选的CCD熔池检测装置1、高温计温度检测装置2、结构光三维形貌检测装置3的检测数据也可以采用其他类似技术手段获得，如红外相机、纹影检测以及非接触轮廓仪等，然后采用本发明类似的方法来实现发明内容。

本发明的激光立体成形过程检测系统及方法，通过部分或全部融合熔池图像数据、温度数据以及高温热态或强激光等复杂高干扰环境下的成形状态形貌数据等，利用深度学习寻找融合数据与质量特征相关的潜在特征检测数据，通过融合数据评价模型和数据管理系统，实现对成形过程的质量状态和潜在变化趋势进行识别，从而稳定激光成形过程的加工状态和质量状态，获得稳定的高性能激光立体成形零件。该系统和方法解决了目前在线识别方式单一，分析质量不全面不可靠以及无法实现激光状态下和高温下形貌检测的难题，更真实更立体更直观的反映成形状态，并建立了检测数据与控制的一种可扩展和快速处理的连接方式，便于激光成形过程的在线检测与实时控制，为激光立体成形技术的成熟发展和工业规模应用建立基础。

本发明属于增材制造控制技术领域，具体涉及一种用于送粉式激光增材制造自适应控制系统架构。所述系统包括工艺规划、设备组成、工控系统、数据采集与显示、数据管理、在线检测、PSD控制在内的一整套系统架构。通过自适应控制系统，不仅可以明显提高送粉式激光增材的成形质量和成形精度，还能达到增加成形零件的强度，减少成形件外部缺陷的目的。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用于送粉式激光增材自适应控制系统，其特征在于，包括以下子系统：

CS1-工艺系统：由Adem三维切片软件完成轨迹路径规划并生成机器人控制器可识别的.txt文件，并通过FTP通信将.txt生成的运动点导入设备系统的机器人的控制器中、来完成增材制造轨迹规划流程；

CS2-设备系统:包括打印头、送粉器、激光器、机器人、真空净化装置、外围设备，其中打印头主要完成光路路径、出粉任务；激光器用于产生热源；送粉器负责提供原料；机器人是执行运动轨迹的终端机构；真空净化装置完成创造符合条件的氧含量、水含量气氛条件；

CS3-工控系统：建立以Beckhoff工控为核心的整套完备的送粉式增材制造工艺生产控制系统架构；

CS4-数据采集监控系统：以MFC为数据采集和监控人机交互界面，并完成对热构件表面形貌数据采集、熔池数据采集、温度数据采集、工艺参数数据读写以及气氛状态、报警指示的多数据、一体化交互；

CS5-数据管理系统:以MySQL为数据核心，通过建立E-R关系的结构模型将所有热构件表面形貌数据、熔池数据、温度数据进行统一存储、查询、修改；在具备工艺参数实时读取功能的同时，在数据管理系统下、进一步与其他系统进行数据融合，寻求获得过程控制的主要简化特征模型和特征量；其中E表示：融合处理后获得的精度和质量特征，R表示：零件过程质量特征；

CS6-在线检测系统：通过结构光三维形貌检测装置(3)、CCD熔池检测装置(1)、高温计温度检测装置(2)配合CS3-工控系统完成对成热构件表面形貌数据采集、熔池数据采集、温度数据实时采集，并提取熔池特征参数；

CS7-自适应PID控制系统：对整个控制系统进行工艺参数阶跃实验，进行动态特性分析，同时根据要求进行多水平信号设计，建立熔池特征参数与显著性工艺参数化的匹配辨识模型，在此基础上实现成形过程质量辨识；再神经网络PSD算法根据过程误差的几何特性建立性能指标，无过程参数辨识，检测成形过程的期望输出和实际输出，形成参数自调整的闭环控制系统，完成这个自适应控制系统的架构平台搭建。

2.根据权利要求1所述的一种用于送粉式激光增材自适应控制系统，其特征在于：

CS3-工控系统中以EtherCAT总线通信的方式完成对与设备系统的实时通信，其设备系统应用串行总线耦合方式进行设备系统平台搭建。

3.根据权利要求1所述的一种用于送粉式激光增材自适应控制系统，其特征在于：

CS4-数据采集监控系统中通过ADS通信完成与CS3-工控系统的工艺参数的数据读写。

4.根据权利要求1所述的一种用于送粉式激光增材自适应控制系统，其特征在于：

CS4-数据采集监控系统中、在利用HMI单元与CS3-工控系统通过ADS双向通信的基础上，采用MFC进行数据采集与监控系统开发，来完成工艺参数数据的读写、以及完成真空气氛环境和加工成形过程中设备运行状态数据的采集和监控功能，同时具备整个成形过程的显示和存储功能。

5.根据权利要求1所述的一种用于送粉式激光增材自适应控制系统，其特征在于：

由于打印过程的需要，CS6-在线检测系统的结构光三维形貌检测装置(3)、CCD熔池检测装置(1)、高温计温度检测装置(2)固定安装在机器手臂末端上，结构光三维形貌检测装置(3)、CCD熔池检测装置(1)、高温计温度检测装置(2)采集的数据通过CS3工控系统的采集、再通过CS4-数据采集监控系统的交互、均会交给CS5-数据管理系统。

6.根据权利要求5所述的一种用于送粉式激光增材自适应控制系统，其特征在于：

所述的结构光三维形貌检测装置(3):用于获得激光立体成形过程中零件或当前层或熔池区域及其附近的三维形貌的热构件表面形貌数据，结构光三维形貌检测装置(3)包括单或双数字光栅投影设备(301)、带特定波长的线滤光片和衰减片(304)的高速摄影成像系统(302)、背景图像衰减和条纹增强和修复系统；所述的CCD熔池检测装置(1):用于获得激光立体成形过程中熔池形态、羽流和飞溅的图像形式的熔池数据；所述的高温计温度检测(2):用于获得激光立体成形过程的熔池中心点平均温度的温度数据；

CS5-数据管理系统：

用于对过程数据进行存储管理，过程数据包括检测获得的热构件表面形貌数据、熔池数据、温度数据，过程数据还包括含有成形过程的速度数据、材料数据以及运动坐标数据的工艺参数数据，过程数据还包括融合评价模型(4)的所有数据；

用于将热构件表面形貌数据、熔池数据、温度数据、数据融合评价模型(4)的所有数据按照采样时间点和控制时序无差别的与工艺参数数据进行映射存储在结构化数据中，且该结构化数据通过融合处理后获得的精度和质量特征与零件过程质量特征建立E-R关系模型；

CS5-数据管理系统通过数据融合评价模型(4)获得E-R关系模型：

数据融合评价模型(4)：用于对热构件表面形貌数据、熔池数据、温度数据的数据进行相互比较评价剔除明显的错误数据和误差较大的数据、再进行融合分析；

数据融合评价模型(4)包括：

标签化处理模块：用于将热构件表面形貌数据、熔池数据、温度数据进行标签化处理，使得热构件表面形貌数据、熔池数据、温度数据具有精度标签、缺陷标签、力学性能标签；

筛选模块：将具有缺陷标签的热构件表面形貌数据、熔池数据、温度数据进行结合相互比较评价剔除明显的错误数据和误差较大的数据；

特征提取模块：分别通过不同的卷积神经网络对热构件表面形貌数据、熔池数据、温度数据提取精度和质量特征；

特征融合模块：利用特征融合层将提取到的不同精度和质量特征进行融合；

决策层模块：利用平均池化层、全连接层、回归层对融合后的精度和质量特征进行深度学习网络训练决策处理。

7.根据权利要求1所述的一种用于送粉式激光增材自适应控制系统，其特征在于：

CS5-数据管理系统依据自定义网络协议和C#转换协议将CS4-数据采集监控系统中数据实时读入MySQL数据库中；同时在边缘PC内，通过C#接收程序接收变量数据，并存入MySql数据库中，最后利用Pythen对参数进行图表配置、利用Ruby对参数进行数据配置。

8.根据权利要求1所述的一种用于送粉式激光增材自适应控制系统，其特征在于：

CS6在线检测系统中通过对熔池图像的深度学习，选取恰当的模型训练处理完成预测成形单道的宽度。