CN110756803B - 一种计算机形式化3d打印用模具钢粉末材料的制备方法 - Google Patents

一种计算机形式化3d打印用模具钢粉末材料的制备方法 Download PDF

Info

Publication number
CN110756803B
CN110756803B CN201911027310.1A CN201911027310A CN110756803B CN 110756803 B CN110756803 B CN 110756803B CN 201911027310 A CN201911027310 A CN 201911027310A CN 110756803 B CN110756803 B CN 110756803B
Authority
CN
China
Prior art keywords
weight
interval
coating
unit
components
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
Application number
CN201911027310.1A
Other languages
English (en)
Other versions
CN110756803A (zh
Inventor
金霞
石磊
刘平
金莹
张腾辉
史金光
翁子清
丁洪波
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.)
Zhejiang Yatong New Materials Co ltd
Original Assignee
Zhejiang Asia General Soldering & Brazing Material 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 Zhejiang Asia General Soldering & Brazing Material Co ltd filed Critical Zhejiang Asia General Soldering & Brazing Material Co ltd
Priority to CN201911027310.1A priority Critical patent/CN110756803B/zh
Publication of CN110756803A publication Critical patent/CN110756803A/zh
Application granted granted Critical
Publication of CN110756803B publication Critical patent/CN110756803B/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
    • B22F10/34—Process control of powder characteristics, e.g. density, oxidation or flowability
    • 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
    • B22F10/60—Treatment of workpieces or articles after build-up
    • B22F10/64—Treatment of workpieces or articles after build-up by thermal means
    • 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
    • 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
    • B33Y70/00—Materials specially adapted for additive manufacturing
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/04—Ferrous alloys, e.g. steel alloys containing manganese
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/06—Ferrous alloys, e.g. steel alloys containing aluminium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/10—Ferrous alloys, e.g. steel alloys containing cobalt
    • C22C38/105—Ferrous alloys, e.g. steel alloys containing cobalt containing Co and Ni
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/12—Ferrous alloys, e.g. steel alloys containing tungsten, tantalum, molybdenum, vanadium, or niobium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/14—Ferrous alloys, e.g. steel alloys containing titanium or zirconium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/16—Ferrous alloys, e.g. steel alloys containing copper
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/40—Ferrous alloys, e.g. steel alloys containing chromium with nickel
    • C22C38/42—Ferrous alloys, e.g. steel alloys containing chromium with nickel with copper
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/40—Ferrous alloys, e.g. steel alloys containing chromium with nickel
    • C22C38/44—Ferrous alloys, e.g. steel alloys containing chromium with nickel with molybdenum or tungsten
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/40—Ferrous alloys, e.g. steel alloys containing chromium with nickel
    • C22C38/50—Ferrous alloys, e.g. steel alloys containing chromium with nickel with titanium or zirconium
    • C—CHEMISTRY; METALLURGY
    • C22—METALLURGY; FERROUS OR NON-FERROUS ALLOYS; TREATMENT OF ALLOYS OR NON-FERROUS METALS
    • C22C—ALLOYS
    • C22C38/00—Ferrous alloys, e.g. steel alloys
    • C22C38/18—Ferrous alloys, e.g. steel alloys containing chromium
    • C22C38/40—Ferrous alloys, e.g. steel alloys containing chromium with nickel
    • C22C38/52—Ferrous alloys, e.g. steel alloys containing chromium with nickel with cobalt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • B22F10/32—Process control of the atmosphere, e.g. composition or pressure in a building chamber
    • 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

Abstract

本发明公开了一种计算机形式化3D打印用模具钢粉末材料的制备方法，包括有计算机控制单元，分析单元，模型优化单元，处理单元，加料单元，涂装单元，切割单元。本发明具有提高3D打印金属材料致密性，从而提高工作性能的有益效果。

Description

一种计算机形式化3D打印用模具钢粉末材料的制备方法
技术领域
本发明涉及一种计算机形式化3D打印用模具钢粉末材料的制备方法及其制备方法。
背景技术
形式化验证到实践中是非常能提高性能的方法，自从3D打印技术诞生以来，各行各业都开展研究，尤其是形式化验证对激光研熔的研究，已经取得了阶段性的成果。形式化验证3D打印是一种新型快速验证的制造模型性能的技术，可根据在多种环境下进行生成，同时可以制造多种定制化的模型。但是如何根据智能生产和处理方式以提高涂装后的部件工作性能是一个重要的研究课题。
发明内容
本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。
为了实现根据本发明的这些目的和其它优点，提供了一种计算机形式化3D打印用模具钢粉末材料的制备方法，包括有计算机控制单元，分析单元，模型优化单元，处理单元，涂装单元，切割单元；
计算机控制单元对需构建的成型部件的表层涂层设计出涂装混合物的每个成份之间的数据并进行协调控制和搜索，计算机控制单元设计出需构建的成型部件中每个成份是以重量份形式组成：其中包括有17.0-19.0份的Ni、4.5-5.2份的Mo、8.5-9.5份的Co、最大为1.0份的Mn、0.6-0.8份的Ti、最大为0.5份的Cr、最大为0.5份的Cu、最大为0.03份的C、0.05-0.15份的Al、0.01-0.1份的降孔剂、余量为Fe；模型优化单元要在不同的时间、温度、厂房大小、通风量、气温、湿度下搭建最优化成份比例的模型，设计出成份优化后的比例和预估成份变化后的性能范围；
模型优化单元得到成型部件在不同环境下要涂装的成份以及部件在未来时间下在不同的环境性能的收敛性和参数选择分析；收敛性为成型部件在涂装结束后一段时间或涂装过程达到稳定状态，性能的收敛性即为涂装的成份最终停留在成份，气温，温度的一个最佳位置，因为不同的成份，某种成份达到性能最佳时，另一成份未必能达到性能最佳，对于成型部件的所有状态，则以全局的思维方式收敛到各种成份相对最优值；参数选择分析包括成型部件的大小、规模、气温影响、涂装环境影响、以及不能无限制学习下来所设定的迭代最大次数；并且平衡涂装的成份的全局搜索能力和局部搜索能力；气温影响为成型部件在生产和保存中的对气温的影响值；涂装环境影响为成型部件在生产和保存中的对湿度，厂房大小，通风量的影响值；迭代最大次数自身根据工人的操作经验来决定，并且成型部件的大小、规模、气温影响、涂装环境影响也能影响迭代最大次数；模型优化单元在面向特定成型部件时，使不同的成份在相类似的区间分析运算进行优化算法为基础，在考虑时间，温度，厂房大小，通风量，气温，湿度下根据迭代最大次数不停地迭代搜索，最终收敛到不同的成份的历史最优数值和当前全局最优数值之间，并且在加权时优先考虑当时特定成型部件的厂房大小，通风量，气温和温度；并且通过分析单元分析出成型部件内的成份相互之间具有的影响和作用，以及将成份的数值的相邻范围进行替换所产生的相互之间的影响和作用，数值的相邻范围由人为或者根据人工神经网络进行训练得出，并且构成相应的集合，并且各成份在加入或者是处理时所处的环境构建环境参数变量，处理单元必要时设计相应的时间权重和重量权重；并且跟踪分析不同的数据成份在不同环境下后续发生变化的值，并根据获取到的数据在不同环境下进行收集；
涂装单元根据模型优化单元的结果分别将Fe、Mo、Co、Al、Ti放置温度可控装置中，然后，计算机控制单元开始设定温度，涂装单元在设定的温度下超声清洗15-20min，超声频率为30-40MHz，并取出烘干，得到第一混合物；然后涂装单元根据模型优化单元的结果将最大为1.0份的Mn、最大为0.5份的Cr、最大为0.5份的Cu、最大为0.03份的C放置温度可控装置中，并且计算机控制单元设定的温度下超声清洗10-20min，超声频率为25-45MHz，取出烘干，得第二混合物；涂装单元将第一混合物和第二混合物混合并进行研磨，磨成粒径小于80μm的微粒，得第三混合物；
涂装单元将第三混合物、降孔剂进行混合，得涂装混合物；
对涂装混合物进行选择性激光熔化，并且在激光熔化时的环境采取的是真空状态并还要通入氩气，然后将熔化的涂装混合物输送至成型腔的基板上，最后将成型腔中的成型部件连同基板一起取出，并对成型部件和基板进行去应力退火处理；
切割单元将成型部件和基板进行切割分离，取成型部件，得成型后3D打印金属材料；成型部件采用的是3D打印模型，根据模型优化单元的数值制定打印程序，输入3D打印机中，设置机打印参数；
分析单元先确定要涂装的成型部件的总数为Sum，确保优化过程在整个状态空间中进行，并随机生成的Sum个大小相同成型部件要涂装成份的子集
Figure 100002_DEST_PATH_IMAGE002
进行分析，整个状态空间包括不同的成份比例，时间，温度，厂房大小、通风量、气温、湿度的条件下会达到的涂装成份在一定时刻性能的稳定状态的总集合，Sum取值正整数，即Sum≥1，i取值1到Sum的正整数，用于表示子集的个数，
Figure 100002_DEST_PATH_IMAGE004
表示为子集；以重量份计，对于其中一种成份的多少，在其他成份和环境不变的情况下，取有界闭合的实区间，有界闭合的实区间即确定成份的重量比的区间上限和区间下限，且区间包含的数值均为实数；并且删除区间中会产生异常变化的变量，留下可以能参与求解和能参与数据处理的变量，然后将状态空间区域分割成没有交集的Sum个区间
Figure 100002_DEST_PATH_IMAGE006
，其中中括号
Figure 100002_DEST_PATH_IMAGE008
表示有界闭合的实区间，
Figure 431681DEST_PATH_IMAGE004
属于状态空间区域内的子集，并且被分割时没有交集，每个实区间需要加权时的权值要设定相等，当以时间为权重时，在k时刻迭代因子的状态为
Figure 100002_DEST_PATH_IMAGE010
，k+1时刻，分析单元使用时间为权重的成份预测为：
Figure 100002_DEST_PATH_IMAGE012
；其中，f为状态空间中以时间为权重的稳定状态预测函数；将当前时间状态预测扩展到区间内下一个稳定状态预测运算，已知k时刻有界闭合的实区间的稳定状态集合为
Figure 755215DEST_PATH_IMAGE006
，k+1时刻，下一个稳定状态预测为：
Figure 100002_DEST_PATH_IMAGE014
；模型优化单元根据涂装成份在一定时刻性能的稳定状态预测调整时间权重的权值和缩小状态空间，防止状态空间不断增多带来的爆炸；时间权重的权值根据实时数据
Figure 100002_DEST_PATH_IMAGE016
和预测值
Figure 100002_DEST_PATH_IMAGE018
之间的近似程度决定是否判断，时间权重的权值的调整依据为
Figure 100002_DEST_PATH_IMAGE020
；模型优化单元根据调整依据
Figure 100002_DEST_PATH_IMAGE022
计算后验概率为：
Figure 100002_DEST_PATH_IMAGE024
；
模型优化单元在迭代过程中，要不断减少区间迭代因子的值包含由系统误差或者输入误差引起的优化误差，并在每个区间赋予新值来约束区间迭代因子，从而消除误差，并利用不断测量涂装环境进行优化，并且使
Figure 100002_DEST_PATH_IMAGE026
尽量为空，
Figure 597663DEST_PATH_IMAGE026
为预测区间时间权重的权值的测量值和实时区间时间权重的权值的测量值的交集，则区间迭代因子可以保持不变；而预测测量时间权重的权值的测量值和实时测量时间权重的权值的测量值的交集
Figure 794289DEST_PATH_IMAGE026
不为空时，则区间迭代因子需要更新；模型优化单元计算似然模型
Figure 100002_DEST_PATH_IMAGE028
，
Figure 100002_DEST_PATH_IMAGE030
是感知测量的维数，j为自然数，1<j<
Figure 673252DEST_PATH_IMAGE030
，j表示要求解的似然模型的子集；
Figure 100002_DEST_PATH_IMAGE032
；模型优化单元估计区间迭代因子的当前权值，然后模型优化单元对每个区间迭代因子的权值进行更新：
Figure 100002_DEST_PATH_IMAGE034
，
Figure 100002_DEST_PATH_IMAGE036
表示
Figure 100002_DEST_PATH_IMAGE038
的后验概率
Figure 408601DEST_PATH_IMAGE036
，
Figure 100002_DEST_PATH_IMAGE040
、
Figure 100002_DEST_PATH_IMAGE042
分别表示区间迭代因子在不同时刻的权值的量化表示；区间迭代因子的当前权值的数值为先前权值乘以每个区间的似然：
Figure 100002_DEST_PATH_IMAGE044
，然后进行权值归一化处理：
Figure 100002_DEST_PATH_IMAGE046
；从而利用区间迭代因子能达到最精准的预测，利用已知的样本结果，反推最有可能或最大概率：
Figure 100002_DEST_PATH_IMAGE048
，其中，
Figure 100002_DEST_PATH_IMAGE050
是第i个区间迭代因子数值的中间值；模型优化单元经过迭代处理之后，并尽可能保留权值高的迭代因子，最终经过多次迭代得到最优值。
本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
具体实施方式
下面结合实施例对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得。
实施例1：
包括有计算机控制单元，分析单元，模型优化单元，处理单元，涂装单元，切割单元；
计算机控制单元对需构建的成型部件设计出每个成份之间的数据并进行协调控制和搜索，计算机控制单元设计出需构建的成型部件中每个成份是以重量份形式组成：其中包括有17.0-19.0份的Ni、4.5-5.2份的Mo、8.5-9.5份的Co、最大为1.0份的Mn、0.6-0.8份的Ti、最大为0.5份的Cr、最大为0.5份的Cu、最大为0.03份的C、0.05-0.15份的Al、0.01-0.1份的降孔剂、余量为Fe；模型优化单元在不同的时间、温度、厂房大小、通风量、气温、湿度下搭建最优化成份比例的模型，设计出成份优化后的比例和预估成份变化后的性能范围；并且通过分析单元分析出成型部件内的成份相互之间具有的影响和作用，以及将成份的数值的相邻范围进行替换所产生的相互之间的影响和作用，数值的相邻范围由人为或者根据人工神经网络进行训练得出，并且构成相应的集合，并且各成份在加入或者是处理时所处的环境构建环境参数变量，处理单元必要时设计相应的时间权重和重量权重；
模型优化单元得到成型部件在不同环境下要涂装的成份以及部件在未来时间下在不同的环境性能的收敛性和参数选择分析；收敛性为成型部件在涂装结束后一段时间或涂装过程达到稳定状态，性能的收敛即为涂装的成份最终停留在成份比例，气温，温度的一个最佳位置，因为不同的成份，某种成份达到性能最佳时，另一成份未必能达到性能最佳，对于成型部件的所有状态，则以全局的思维方式收敛到各种成份相对最优值；参数选择分析包括成型部件的大小、规模、气温影响、涂装环境影响、以及不能无限制学习下来所设定的迭代最大次数；并且平衡涂装的成份的全局搜索能力和局部搜索能力；气温影响为成型部件在生产和保存中的对气温的影响值；涂装环境影响为成型部件在生产和保存中的对湿度，厂房大小，通风量的影响值；迭代最大次数自身根据工人的操作经验来决定，并且成型部件的大小、规模、气温影响、涂装环境影响也能影响迭代最大次数；模型优化单元在面向特定成型部件时，使不同的成份在相类似的区间分析运算进行优化算法为基础，在考虑时间，温度，厂房大小，通风量，气温，湿度下根据迭代最大次数不停地迭代搜索，最终收敛到不同的成份的历史最优数值和当前全局最优数值之间，并且在加权时优先考虑当时特定成型部件的厂房大小，通风量，气温和温度；
涂装单元根据模型优化单元的结果分别将Fe、Mo、Co、Al、Ti放置温度可控装置中，然后，计算机控制单元开始设定温度，涂装单元在设定的温度下超声清洗15-20min，超声频率为30-40MHz，并取出烘干，得到第一混合物；然后涂装单元根据模型优化单元的结果将最大为1.0份的Mn、最大为0.5份的Cr、最大为0.5份的Cu、最大为0.03份的C放置温度可控装置中，并且计算机控制单元设定的温度下超声清洗10-20min，超声频率为25-45MHz，取出烘干，得第二混合物；涂装单元将第一混合物和第二混合物混合并进行研磨，磨成粒径小于80μm的微粒，得第三混合物；
涂装单元将第三混合物、降孔剂进行混合，得涂装混合物，将涂装混合物进行选择性激光熔化，并且在激光熔化时的环境采取的是真空状态并还要通入氩气，然后将熔化的涂装混合物输送至成型腔的基板上，将成型腔中的成型部件连同基板一起取出，并对成型部件和基板进行去应力退火处理；
切割单元将成型部件和基板进行切割分离，取成型部件，得成型后3D打印金属材料；
成型部件采用的是3D打印模型，根据模型优化单元的数值制定打印程序，输入3D打印机中，设置机打印参数；
分析单元先确定要涂装的成型部件的总数为Sum，确保优化过程在整个状态空间中进行，并随机生成的Sum个大小相同成型部件要涂装成份的子集
Figure 712412DEST_PATH_IMAGE002
进行分析，整个状态空间包括不同的成份比例，时间，温度，厂房大小，通风量，气温，湿度的条件下会达到的涂装成份在一定时刻性能的稳定状态的总集合，Sum取值正整数，即Sum≥1，i取值1到Sum的正整数，用于表示子集的个数，
Figure 597716DEST_PATH_IMAGE004
表示为子集；以重量份计，对于其中一种成份的多少，在其他成份和环境不变的情况下，取有界闭合的实区间，有界闭合的实区间即确定成份的重量比的区间上限和区间下限，且区间包含的数值均为实数；并且删除区间中会产生异常变化的变量，留下可以参与求解和能参与数据处理的变量，然后将状态空间区域分割成没有交集的Sum个区间
Figure 980287DEST_PATH_IMAGE006
，其中中括号
Figure 786569DEST_PATH_IMAGE008
表示有界闭合的实区间，
Figure 85832DEST_PATH_IMAGE004
属于状态空间区域内的子集，并且被分割时没有交集，每个实区间需要加权时的权值要设定相等，当以时间为权重时，在k时刻迭代因子的状态为
Figure 624261DEST_PATH_IMAGE010
，k+1时刻，分析单元使用时间为权重的成份预测为：
Figure 884341DEST_PATH_IMAGE012
；其中，f为状态空间中以时间为权重的稳定状态预测函数；将当前时间状态预测扩展到区间内下一个稳定状态预测运算，已知k时刻有界闭合的实区间的稳定状态集合为
Figure 353368DEST_PATH_IMAGE006
，k+1时刻，下一个稳定状态预测为：
Figure 382504DEST_PATH_IMAGE014
；模型优化单元根据涂装成份在一定时刻性能的稳定状态预测调整时间权重的权值和缩小状态空间，防止状态空间不断增多带来的爆炸；时间权重的权值根据实时数据
Figure DEST_PATH_IMAGE052
和预测值
Figure 747626DEST_PATH_IMAGE012
之间的近似程度决定是否判断，时间权重的权值的调整依据为
Figure DEST_PATH_IMAGE054
；模型优化单元根据调整依据
Figure 432685DEST_PATH_IMAGE022
计算后验概率为：
Figure DEST_PATH_IMAGE056
；
模型优化单元在迭代过程中，要不断减少区间迭代因子的值包含由系统误差或者输入误差引起的优化误差，并在每个区间赋予新值来约束区间迭代因子，从而消除误差，并利用不断测量涂装环境进行优化，并且使
Figure 239492DEST_PATH_IMAGE026
尽量为空，
Figure 795238DEST_PATH_IMAGE026
为预测区间时间权重的权值的测量值和实时区间时间权重的权值的测量值的交集，则区间迭代因子可以保持不变；而预测测量时间权重的权值的测量值和实时测量时间权重的权值的测量值的交集
Figure 393579DEST_PATH_IMAGE022
不为空时，则区间迭代因子需要更新；
模型优化单元计算似然模型
Figure 97092DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE058
；
Figure 376764DEST_PATH_IMAGE030
是感知测量的维数；模型优化单元估计迭代因子成份当前权值，然后模型优化单元对每个迭代因子的权值进行更新：
Figure DEST_PATH_IMAGE060
，区间迭代因子的权值为先前权值乘以每个区间的似然：
Figure DEST_PATH_IMAGE062
，然后进行权值归一化处理：
Figure DEST_PATH_IMAGE064
；从而利用区间迭代因子能达到最精准的预测，利用已知的样本结果，反推最有可能或最大概率：
Figure DEST_PATH_IMAGE066
，其中，
Figure DEST_PATH_IMAGE068
是第i个区间迭代因子数值的中间值；模型优化单元经过迭代处理之后，并尽可能保留权值高的迭代因子，最终经过多次迭代得到最优值。

Claims (1)

1.一种计算机形式化3D打印用模具钢粉末材料的制备方法，其特征在于，包括有计算机控制单元，分析单元，模型优化单元，处理单元，涂装单元，切割单元；
计算机控制单元对需构建的成型部件的表层涂层设计出涂装混合物的每个成份之间的数据并进行协调控制和搜索，计算机控制单元设计出需构建的成型部件中每个成份是以重量份形式组成：其中包括有17.0-19.0份的Ni、4.5-5.2份的Mo、8.5-9.5份的Co、最大为1.0份的Mn、0.6-0.8份的Ti、最大为0.5份的Cr、最大为0.5份的Cu、最大为0.03份的C、0.05-0.15份的Al、0.01-0.1份的降孔剂、余量为Fe；模型优化单元要在不同的时间、温度、厂房大小、通风量、气温、湿度下搭建最优化成份比例的模型，设计出成份优化后的比例和预估成份变化后的性能范围；
模型优化单元得到成型部件在不同环境下要涂装的成份以及部件在未来时间下在不同的环境性能的收敛性和参数选择分析；收敛性为成型部件在涂装结束后一段时间或涂装过程达到稳定状态，性能的收敛性即为涂装的成份最终停留在成份，气温，温度的一个最佳位置，因为不同的成份，某种成份达到性能最佳时，另一成份未必能达到性能最佳，对于成型部件的所有状态，则以全局的思维方式收敛到各种成份相对最优值；所述参数选择分析包括成型部件的大小、规模、气温影响、涂装环境影响、以及不能无限制学习下来所设定的迭代最大次数；并且平衡涂装的成份的全局搜索能力和局部搜索能力；气温影响为成型部件在生产和保存中的对气温的影响值；涂装环境影响为成型部件在生产和保存中的对湿度，厂房大小，通风量的影响值；迭代最大次数自身根据工人的操作经验来决定，并且成型部件的大小、规模、气温影响、涂装环境影响也能影响迭代最大次数；模型优化单元在面向特定成型部件时，使不同的成份在相类似的区间分析运算进行优化算法为基础，在考虑时间，温度，厂房大小，通风量，气温，湿度下根据迭代最大次数不停地迭代搜索，最终收敛到不同的成份的历史最优数值和当前全局最优数值之间；并且通过分析单元分析出所述成型部件内的成份相互之间具有的影响和作用，以及将成份的数值的相邻范围进行替换所产生的相互之间的影响和作用，数值的相邻范围由人为或者根据人工神经网络进行训练得出，并且构成相应的集合，并且各成份在加入或者是处理时所处的环境构建环境参数变量，处理单元设计相应的时间权重和重量权重；并且跟踪分析不同的数据成份在不同环境下后续发生变化的值，并根据获取到的数据在不同环境下进行收集；
涂装单元根据模型优化单元的结果分别将Fe、Mo、Co、Al、Ti放置温度可控装置中，然后，计算机控制单元开始设定温度，涂装单元在设定的温度下超声清洗15-20min，超声频率为30-40MHz，并取出烘干，得到第一混合物；然后涂装单元根据模型优化单元的结果将最大为1.0份的Mn、最大为0.5份的Cr、最大为0.5份的Cu、最大为0.03份的C放置温度可控装置中，并且计算机控制单元设定的温度下超声清洗10-20min，超声频率为25-45MHz，取出烘干，得第二混合物；涂装单元将第一混合物和第二混合物混合并进行研磨，磨成粒径小于80μm的微粒，得第三混合物；
涂装单元将第三混合物、降孔剂进行混合，得涂装混合物；
对涂装混合物进行选择性激光熔化，并且在激光熔化时的环境采取的是真空状态并还要通入氩气，然后将熔化的涂装混合物输送至成型腔的基板上，最后将成型腔中的成型部件连同基板一起取出，并对成型部件和基板进行去应力退火处理；
切割单元将成型部件和基板进行切割分离，取成型部件，得成型后3D打印金属材料；成型部件采用的是3D打印模型，根据模型优化单元的数值制定打印程序，输入3D打印机中，设置机打印参数；
分析单元先确定要涂装的成型部件的总数为Sum，确保优化过程在整个状态空间中进行，并随机生成的Sum个大小相同成型部件要涂装成份的子集
Figure DEST_PATH_IMAGE002
进行分析，整个状态空间包括不同的成份比例，时间，温度，厂房大小、通风量、气温、湿度的条件下会达到的涂装成份在一定时刻性能的稳定状态的总集合，Sum取值正整数，即Sum≥1，i取值1到Sum的正整数，用于表示子集的个数，
Figure DEST_PATH_IMAGE004
表示为子集；以重量份计，对于其中一种成份的多少，在其他成份和环境不变的情况下，取有界闭合的实区间，有界闭合的实区间即确定成份的重量比的区间上限和区间下限，且区间包含的数值均为实数；并且删除区间中会产生异常变化的变量，留下能参与求解和能参与数据处理的变量，然后将状态空间区域分割成没有交集的Sum个区间
Figure DEST_PATH_IMAGE006
，其中中括号
Figure DEST_PATH_IMAGE008
表示有界闭合的实区间，
Figure 277752DEST_PATH_IMAGE004
用于表示属于状态空间区域内的子集，并且被分割时没有交集，每个实区间需要加权时的权值要设定相等，当以时间为权重时，在k时刻迭代因子的状态为
Figure DEST_PATH_IMAGE010
，k+1时刻，分析单元使用时间为权重的成份预测为：
Figure DEST_PATH_IMAGE012
；其中，f为状态空间中以时间为权重的稳定状态预测函数；将当前时间状态预测扩展到区间内下一个稳定状态预测运算，已知k时刻有界闭合的实区间的稳定状态集合为
Figure 585106DEST_PATH_IMAGE006
，k+1时刻，下一个稳定状态预测为：
Figure DEST_PATH_IMAGE014
；模型优化单元根据涂装成份在一定时刻性能的稳定状态预测调整时间权重的权值和缩小状态空间，防止状态空间不断增多带来的爆炸；时间权重的权值根据实时数据
Figure DEST_PATH_IMAGE016
和预测值
Figure DEST_PATH_IMAGE018
之间的近似程度决定是否判断，时间权重的权值的调整依据为
Figure DEST_PATH_IMAGE020
；模型优化单元根据调整依据
Figure DEST_PATH_IMAGE022
计算后验概率为：
Figure DEST_PATH_IMAGE024
；
模型优化单元在迭代过程中，要不断减少区间迭代因子的值包含由系统误差或者输入误差引起的优化误差，并在每个区间赋予新值来约束区间迭代因子，从而消除误差，并利用不断测量涂装环境进行优化，并且使
Figure DEST_PATH_IMAGE026
尽量为空，
Figure 882619DEST_PATH_IMAGE026
为预测区间时间权重的权值的测量值和实时区间时间权重的权值的测量值的交集，则区间迭代因子保持不变；而预测测量时间权重的权值的测量值和实时测量时间权重的权值的测量值的交集
Figure 481091DEST_PATH_IMAGE026
不为空时，则区间迭代因子需要更新；模型优化单元计算似然模型
Figure DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE030
是感知测量的维数，j为自然数，1<j<
Figure 420097DEST_PATH_IMAGE030
，j表示要求解的似然模型的子集；
Figure DEST_PATH_IMAGE032
；模型优化单元估计区间迭代因子的当前权值，然后模型优化单元对每个区间迭代因子的权值进行更新：
Figure DEST_PATH_IMAGE034
，
Figure DEST_PATH_IMAGE036
表示
Figure DEST_PATH_IMAGE038
的后验概率
Figure 554144DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE040
、
Figure DEST_PATH_IMAGE042
分别表示区间迭代因子在不同时刻的权值的量化表示；区间迭代因子的当前权值的数值为先前权值乘以每个区间的似然：
Figure DEST_PATH_IMAGE044
，然后进行权值归一化处理：
Figure DEST_PATH_IMAGE046
；从而利用区间迭代因子能达到最精准的预测，利用已知的样本结果，反推最有可能或最大概率：
Figure DEST_PATH_IMAGE048
，其中，
Figure DEST_PATH_IMAGE050
是第i个区间迭代因子数值的中间值；模型优化单元经过迭代处理之后，并尽可能保留权值高的迭代因子，最终经过多次迭代得到最优值。
CN201911027310.1A 2019-10-27 2019-10-27 一种计算机形式化3d打印用模具钢粉末材料的制备方法 Active CN110756803B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911027310.1A CN110756803B (zh) 2019-10-27 2019-10-27 一种计算机形式化3d打印用模具钢粉末材料的制备方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911027310.1A CN110756803B (zh) 2019-10-27 2019-10-27 一种计算机形式化3d打印用模具钢粉末材料的制备方法

Publications (2)

Publication Number Publication Date
CN110756803A CN110756803A (zh) 2020-02-07
CN110756803B true CN110756803B (zh) 2021-10-26

Family

ID=69334010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911027310.1A Active CN110756803B (zh) 2019-10-27 2019-10-27 一种计算机形式化3d打印用模具钢粉末材料的制备方法

Country Status (1)

Country Link
CN (1) CN110756803B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008110673A1 (fr) * 2007-03-07 2008-09-18 Siemens Vai Metals Technologies Sas Procede et installation de depot en continu d'un revetement sur un support en bande
CN103745271A (zh) * 2014-01-02 2014-04-23 上海大学 基于神经网络的感应热沉积钙磷涂层工艺预测方法
CN105868461A (zh) * 2016-03-28 2016-08-17 中国科学院力学研究所 一种激光熔覆多组分合金涂层的成分计算方法
CN109191429A (zh) * 2018-07-26 2019-01-11 中国科学院福建物质结构研究所 一种基于机器视觉的3d打印喷嘴检测方法
CN109800533A (zh) * 2019-02-13 2019-05-24 福建省纳金网信息技术有限公司 一种基于人工智能技术的3d打印工艺参数优化方法
CN110372374A (zh) * 2019-07-05 2019-10-25 北京航空航天大学 一种陶瓷件及其结构设计与3d打印方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6867149B2 (en) * 2002-09-27 2005-03-15 Euv Limited Liability Corporation Growth of multi-component alloy films with controlled graded chemical composition on sub-nanometer scale
US9643251B2 (en) * 2014-06-13 2017-05-09 Zin Technologies, Inc. Optimized additive manufacturing process

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008110673A1 (fr) * 2007-03-07 2008-09-18 Siemens Vai Metals Technologies Sas Procede et installation de depot en continu d'un revetement sur un support en bande
CN103745271A (zh) * 2014-01-02 2014-04-23 上海大学 基于神经网络的感应热沉积钙磷涂层工艺预测方法
CN105868461A (zh) * 2016-03-28 2016-08-17 中国科学院力学研究所 一种激光熔覆多组分合金涂层的成分计算方法
CN109191429A (zh) * 2018-07-26 2019-01-11 中国科学院福建物质结构研究所 一种基于机器视觉的3d打印喷嘴检测方法
CN109800533A (zh) * 2019-02-13 2019-05-24 福建省纳金网信息技术有限公司 一种基于人工智能技术的3d打印工艺参数优化方法
CN110372374A (zh) * 2019-07-05 2019-10-25 北京航空航天大学 一种陶瓷件及其结构设计与3d打印方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
3D inkjet printing of biomaterials with strength reliability and cytocompatibility: Quantitative process strategy for Ti-6Al-4V;Srimanta Baruia.etc;《Biomaterials》;20190517;第1-18页 *
Measurement and optimization of atmospheric plasma sprayed CoMoCrSi coatings parameters on Ti-6Al-4V substrates affecting microstructural and properties using hybrid abductor induction mechanism;Lin ChunMing.etc;《Measurement》;20160731;第157–167页 *
基于神经网络和遗传算法的激光多层熔覆厚纳米陶瓷涂层工艺优化;王东生等;《中国激光》;20130930;第40卷(第9期);第0903001-1至0903001-8页 *

Also Published As

Publication number Publication date
CN110756803A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN107992648B (zh) 一种自适应rbf神经网络进行航空发动机推力估计算法
CN112433507B (zh) 基于lso-lssvm的五轴数控机床热误差综合建模方法
CN110991495B (zh) 生产制造过程中产品质量预测方法、系统、介质及设备
CN114970396B (zh) 一种考虑随机和认知不确定性的cfd模型修正方法
CN112329322A (zh) 基于卷积神经网络的热喷涂方法及装置
CN116050007A (zh) 基于混合自适应采样代理模型的复杂装备优化设计方法
CN110756803B (zh) 一种计算机形式化3d打印用模具钢粉末材料的制备方法
CN110814342B (zh) 一种计算机形式化3d打印金属材料制备方法
CN115238581A (zh) 基于hml预测hvof涂层性能优化喷涂参数的方法
CN115237878A (zh) 基于增材制造的工艺数据库构建方法及介质
CN110197250A (zh) 一种多因素影响的动力电池参数在线辨识方法
CN113515891A (zh) 一种乳化炸药质量预测和优化方法
Kolahan et al. Modeling and optimization of process parameters in PMEDM by genetic algorithm
Rao et al. PROCESS PARAMETERS MODELING AND OPTIMIZATION OF WIRE ELECTRIC DISCHARGE MACHINING.
CN116796546A (zh) 基于小样本学习的高温合金增材制造工艺优化预测方法
Hallmann et al. A method for analyzing the influence of process and design parameters on the build time of additively manufactured components
Zhang et al. Machine Tools Thermal Error Modeling with Imbalanced Data Based on Transfer Learning
CN115026310A (zh) 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法
CN113569461A (zh) 一种基于改进人工蜂群算法的谐振子设计方法
CN111210877A (zh) 一种推断物性参数的方法及装置
CN116484752B (zh) 刀具刃型设计方法、系统、设备及存储介质
CN103198178A (zh) 一种pvc聚合过程的软测量建模方法
CN109783875A (zh) 一种海洋重力数据的自我迭代更新优化算法
Wang Scheduling Optimization for Batch Processing Machines Using Advanced Genetic Algorithm
CN109989875B (zh) 一种水轮机调节系统参数辨识方法

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 310030 No. 372, Jinpeng street, Xihu District, Hangzhou City, Zhejiang Province

Patentee after: Zhejiang Yatong New Materials Co.,Ltd.

Address before: 310030 No. 372, Jinpeng street, Xihu District, Hangzhou City, Zhejiang Province

Patentee before: ZHEJIANG ASIA GENERAL SOLDERING & BRAZING MATERIAL Co.,Ltd.