CN110789128B - 一种增材制造制件成形质量预测与控制系统及方法 - Google Patents
一种增材制造制件成形质量预测与控制系统及方法 Download PDFInfo
- Publication number
- CN110789128B CN110789128B CN201911021386.3A CN201911021386A CN110789128B CN 110789128 B CN110789128 B CN 110789128B CN 201911021386 A CN201911021386 A CN 201911021386A CN 110789128 B CN110789128 B CN 110789128B
- Authority
- CN
- China
- Prior art keywords
- forming quality
- module
- additive manufacturing
- prediction
- plume
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Optics & Photonics (AREA)
- General Factory Administration (AREA)
Abstract
本发明实施例公开了一种增材制造制件成形质量预测与控制系统,包括增材制造模块、图像获取模块、图像处理和特征提取模块、预测模块和工艺参数调整模块。本发明采集熔池、羽流和飞溅物的图像并进行处理,提取熔池、羽流和飞溅物三个区域的多种特征参数;利用LSTM网络预测后n秒的制件成形质量;当所预测的制件成形质量参数超出报警值时,及时调整工艺参数,并继续进行后续加工过程;当所预测的制件成形质量参数超出停机值时,及时发出警报,并停机,提高了增材制造制件质量,减少了材料损失。本发明实施例还公开了一种使用上述的增材制造制件成形质量预测与控制系统进行预测与控制的方法。
Description
技术领域
本发明涉及监测与控制技术领域,涉及一种增材制造制件成形质量预测与控制系统及方法。
背景技术
增材制造是集信息技术、新材料技术与制造技术等多种技术的先进制造技术,被誉为有望产生“第三次工业革命”的代表性技术,是大批量制造模式向个性化制造模式发展的引领技术。近20年来,该技术取得了快速的发展,在航空、航天、核电、兵器、船舶等领域都取得了广泛的应用。但是,目前的增材制造技术存在着在加工过程中易产生裂纹、气孔、球化、未熔合孔洞等缺陷的问题,导致制件质量不稳定,提高生产成本。因此对增材制造过程的状态预测和实时修复对于提高生产质量和降低生产成本具有重要意义。
专利号CN 107855687 A——《一种增材制造熔深在线检测和控制方法及系统》公开了通过采集熔池红外图像求得熔池实际熔深,从而调整后续工艺参数的方法。但是该方法只对当前熔深进行评估,而不是对后续熔深进行预测,工艺参数的调整具有一定滞后性;同时熔池实际熔深所能反映的熔池信息有限,不能全面的反映出熔池信息。专利号CN109387567 A——《一种基于波速修正的增材制造激光超声检测数据处理方法》公开了一种基于波速修正的增材制造激光超声检测数据处理方法。该方法在发现当加工层缺陷超过许用值时,采用减材或重熔的方式进行修复。但是,采用减材或重熔的修复方式,会导致生产效率下降,且对制件的整体质量有影响。
发明内容
本发明实施例所要解决的技术问题在于,提供一种增材制造制件成形质量预测和控制系统及方法,利用长短期记忆神经网络对制件成形质量进行预测,解决现有技术中的上述技术问题。
为了解决上述技术问题,本发明实施例提供了一种增材制造制件成形质量预测与控制系统,包括增材制造模块、图像获取模块、图像处理和特征提取模块、预测模块和工艺参数调整模块;
所述增材制造模块依据预设工艺参数进行增材制造;
所述图像获取模块设置于增材制造的区域斜上方,对熔池、羽流和飞溅物进行图像采集;
所述图像处理和特征提取模块用于将所述图像获取模块获取的图像分割为熔池、羽流和飞溅物三个区域,再根据所述三个区域分别提取熔池、羽流和飞溅物的特征参数;
所述预测模块以所述特征参数作为输入,通过训练好的制件成形质量预测模型预测出后n秒的制件成形质量;
所述工艺参数调整模块用于根据所述预测模块的预测制件成形质量对增材制造的工艺参数进行调整或是发出警报并及时停机。
其中,所述预测模块的制件成形质量预测模型通过LSTM网络训练得到。
相应地,本发明实施例还提供了一种使用上述的增材制造制件成形质量预测与控制系统进行预测与控制的方法,包括以下步骤:
S1:增材制造:使用增材制造模块根据当前工艺参数进行增材制造;
S2:图像获取:将图像获取模块的高速摄像机放置于增材制造区域斜上方,利用高速摄像机采集包含熔池、羽流和飞溅物区域的图像;
S3:图像处理和特征提取:对所述图像通过图像处理和特征提取模块,利用基于卡尔曼滤波的目标跟踪方法定位熔池中心位置;基于所述熔池中心位置,通过图像处理和特征提取模块将拍摄的图像分割为熔池、羽流和飞溅物三个区域,在所述三个区域中通过图像处理和特征提取模块提取熔池、羽流和飞溅物的特征参数;
S4:成形质量预测:将所述特征参数输入到训练好的成形质量预测模型中,模型预测出第n秒的成形质量等级;
S5:工艺参数调整或报警停机:根据所述成形质量等级进行对增材制造的工艺参数进行调整或是发出警报并及时停机。
其中,所述步骤S3所得到的特征参数包括:熔池面积、羽流面积、羽流强度、羽流方向、飞溅物数目、飞溅物面积平均值和飞溅物平均取向。
进一步地,所述步骤S5还包括对所述成形质量等级和标准成形质量等级进行比较,若差值在报警值以内,则判断成形质量合格;若差值在报警值和停机值之间,则判断成形质量存在问题,需修改工艺参数;若差值超过停机值,则判断修改工艺参数无法修复成形质量,需发出警报,并停止加工。
更进一步地,所述成形质量预测模型的训练过程包括:
S41:数据采集:通过若干次增材制造实验,以构建出不同的成形质量等级,按S3的步骤记录不能实验条件下的特征参数随时间的变化情况,以及不同制件成形质量参数所对应的时间点,组成制件成形质量原始数据集;
S42:数据预处理:将S41中的特征参数进行归一化处理,同时对成形质量等级进行标注,将第一次实验的数据进行模型拟合,作为训练集,其他的实验数据进行评估,作为测试集,构建三维(N,W,F)数字阵列,其中N为用于预测的特征向量的时间序列总长度,W为时间步长,F为特征参数数目;
S43:建立模型:搭建x层长短期记忆神经网络作为主干网络,每层长短期记忆神经网络包括输入门、遗忘门、状态更新门和输出门;在长短期记忆神经网络后添加Dropout操作;最终输出加入Dense层将维度聚合为1,输出成形质量等级,训练模型所用的损失函数为MAE,优化算法采用Adam优化算法;
S44:保存模型:训练完成后,将模型权重保存,即可用于制件成形质量预测。
实施本发明实施例,具有如下有益效果:与以往增材制造成形质量监测系统相比,本发明提取了熔池、羽流和飞溅物三个区域的十种特征参数,更加全面的反映了增材制造制件的成形质量;且利用LSTM网络预测出后n秒的制件成形质量,实现了对制件成形质量的提前预测和对工艺参数的及时修正,减少了加工时间,提高了生产质量;当所预测的制件成形质量参数超出报警值时,及时调整工艺参数,并继续进行后续加工过程;当所预测的制件成形质量参数超出停机值时,及时发出警报,并停机,提高了增材制造制件质量,减少了材料损失。
附图说明
图1是本发明系统的结构框图;
图2是本发明方法的流程图;
图3是制件成形质量预测模型训练流程图。
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,下面将结合附图对本发明作进一步地详细描述。
参照图1所示的结构示意图。
本发明实施例的一种增材制造制件成形质量预测与控制系统,包括增材制造模块、图像获取模块、图像处理和特征提取模块、预测模块和工艺参数调整模块;
增材制造模块依据预设工艺参数进行增材制造。
图像获取模块采用高速摄像机对熔池、羽流和飞溅物进行图像采集,高速摄像机安装于增材制造区域斜上方。
图像处理和特征提取模块将图像获取模块获取的图像分割为熔池、羽流和飞溅物三个区域,再根据分割的三个区域分别提取熔池、羽流和飞溅物的特征参数。
预测模块以图像处理和特征提取模块提取的特征参数作为输入,利用训练好的制件成形质量预测模型根据提取的特征参数预测出不同长短时间后的成形质量等级。
工艺参数调整模块根据预测模块预测出的制件成形质量对增材制造的工艺参数进行调整或是发出警报并及时停机。
制件成形质量预测模块是通过LSTM网络(Long Short Term Memory Network)训练得到。
本发明实施例还公开了一种上述增材制造制件成形质量预测与控制系统进行预测与控制的方法,如图2所示,包括以下步骤:
S1、增材制造:增材制造模块根据当前工艺参数进行增材制造。
S2、图像获取:将图像获取模块的高速摄像机放置于增材制造区域斜上方,利用高速摄像机采集包含熔池、羽流和飞溅物在内的区域的图像。
S3、图像处理和特征提取:对于步骤S2中高速摄像机拍摄的图像,通过图像处理和特征提取模块,利用基于卡尔曼滤波的目标跟踪方法定位熔池中心位置;基于熔池中心,通过图像处理和特征提取模块将拍摄的图像分割为熔池、羽流和飞溅物三个区域;在三个图像区域中通过图像处理和特征提取模块提取熔池、羽流和飞溅物的特征参数,特征参数包括熔池面积、羽流面积、羽流强度、羽流方向、羽流长轴长、羽流短轴长、飞溅物数目、飞溅物面积平均值和飞溅物平均取向。
利用基于类Haar特征基于熔池中心对图像中高亮的熔池、飞溅物和羽流等进行识别,将拍摄的图像分割为熔池、羽流和飞溅物三个区域,由于在实际增材制造加工中,熔池位置相对于沉积喷头的相对位移不大,所以在沉积开始阶段对熔池进行识别后,后续的过程基于卡尔曼滤波方法对熔池、羽流、飞溅物及表面形貌等的位置进行追踪,进而对图像进行切割来抠取每个熔池、羽流和飞溅物等的局部图像,去除图像中的其他部分;切割后所获图像通过预设的阈值将灰度图像变换为二值化图像;根据变换后的二值化图像进行归一化处理来获得反应熔池面积、熔池温度、羽流面积、羽流强度、羽流方向、飞溅物数目、飞溅物面积平均值和飞溅物平均取向等的特征图像。
其中,飞溅物是在激光打印过程从熔池中飞溅出去的金属颗粒,羽流是飞溅物形成的轨迹路径。
根据变换后的二值化图像进行归一化处理,测量出飞溅物的数量,通过测量图像中熔池边缘区域计算熔池面积,通过图像上反应的飞溅物颗粒的位置和数目以及飞溅物所在区域的直径大小来获取飞溅物面积的平均值,通过图像上不同位置飞溅物颗粒的方向以及数目计算出飞溅物的平均取向,根据图像上飞溅物形成的轨迹路径的大小以及数目计算羽流强度,同时根据飞溅物轨迹形成的羽流形状,来测量羽流的面积。通过测量飞溅物形成轨迹的不同位置方向测量出羽流的方向。
S4、成形质量预测:将步骤S3提取的特征参数输入到训练好的成形质量预测模型中,根据实际工况以及成形质量预测精度要求确定n值,n取值越大,成形质量预测结果误差越大,n取值越小预测结果误差越小的原理,模型预测出第n秒的成形质量等级;工艺参数调整模块对预测成形质量等级和标准成形质量等级进行比较,若差值在报警值以内,则判断成形质量合格;若差值在报警值和停机值之间,则判断成形质量存在问题,需修改工艺参数;若差值超过停机值,则判断修改工艺参数无法修复成形质量,需发出警报,并停止加工。
S5、工艺参数调整或报警停机:根据步骤S4的预测结果,当判断成形质量存在问题,需修改工艺参数时,工艺参数调整模块按照预测成形质量等级和预设成形质量等级的差值大小,调整工艺参数,以保证后n秒的成形质量等级处于预设质量等级范围内;当判断修改工艺参数无法修复成形质量,需发出警报时,则发出警报,停止加工,以避免产生不合格制件,浪费材料。
所述的制件成形质量预测模型训练过程如图3所示,具体如下:
(1.1)数据采集:为构建制件成形质量预测模型的数据集,进行若干次增材制造实验,为模型训练的方便,每次实验时间相同,每次实验过程中多次改变实验参数,以构建出不同的成形质量等级;按照上述步骤S3所提方法,记录不同实验条件下的十种特征参数随时间的变化情况,以及不同制件成形质量参数所对应的时间点,组成制件成形质量原始数据集;
(1.2)数据预处理:为构建LSTM网络的输入,将提取的不同实验条件下的十种特征参数进行归一化处理;同时对成形质量等级进行标注;为进行训练,以第一次实验的数据进行模型拟合,作为训练集;以后几次的实验数据进行评估,作为测试集;构建三维(N,W,F)数字阵列,其中N为用于预测的十个特征向量的时间序列总长度,即一次实验的时间长度;W为时间步长,此处取决于要预测的时间长度;F为特征参数数目,由于提取了十个特征向量,此处F取10;
(1.3)建立模型:搭建x层长短期记忆神经网络作为主干网络,每层长短期记忆神经网络包括输入门、遗忘门、状态更新门和输出门;为防止过拟合,在长短期记忆神经网络后添加Dropout操作;最终输出加入Dense层将维度聚合为1,即输出成形质量等级,训练模型所用的损失函数为MAE(MeanAbsoluteError),优化算法采用Adam优化算法;
(1.4)保存模型:训练完成后,将模型权重保存,即可用于制件成形质量预测。
与以往增材制造成形质量监测系统相比,本发明提取了熔池、羽流和飞溅物三个区域的多种特征参数,更加全面的反映了增材制造制件的成形质量;且利用LSTM网络预测出后n秒的制件成形质量,实现了对制件成形质量的提前预测和对工艺参数的及时修正,减少了加工时间,提高了生产质量。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (5)
1.一种增材制造制件成形质量预测与控制系统,其特征在于,包括增材制造模块、图像获取模块、图像处理和特征提取模块、预测模块和工艺参数调整模块;
所述增材制造模块依据预设工艺参数进行增材制造;
所述图像获取模块设置于增材制造的区域斜上方,对熔池、羽流和飞溅物进行图像采集;
所述图像处理和特征提取模块用于将所述图像获取模块获取的图像分割为熔池、羽流和飞溅物三个区域,再根据所述三个区域分别提取熔池、羽流和飞溅物的特征参数;
所述预测模块的制件成形质量预测模型通过LSTM网络训练得到,所述预测模块以所述特征参数作为输入,通过训练好的制件成形质量预测模型预测出后n秒的制件成形质量;
所述工艺参数调整模块用于根据所述预测模块的预测制件成形质量对增材制造的工艺参数进行调整或是发出警报并及时停机。
2.一种使用权利要求1所述的增材制造制件成形质量预测与控制系统进行预测与控制的方法,其特征在于,包括以下步骤:
S1:增材制造:使用增材制造模块根据当前工艺参数进行增材制造;
S2:图像获取:将图像获取模块的高速摄像机放置于增材制造区域斜上方,利用高速摄像机采集包含熔池、羽流和飞溅物区域的图像;
S3:图像处理和特征提取:对所述图像通过图像处理和特征提取模块,利用基于卡尔曼滤波的目标跟踪方法定位熔池中心位置;基于所述熔池中心位置,通过图像处理和特征提取模块将拍摄的图像分割为熔池、羽流和飞溅物三个区域,在所述三个区域中通过图像处理和特征提取模块提取熔池、羽流和飞溅物的特征参数;
S4:成形质量预测:将所述特征参数输入到训练好的成形质量预测模型中,模型预测出第n秒的成形质量等级;
S5:工艺参数调整或报警停机:根据所述成形质量等级进行对增材制造的工艺参数进行调整或是发出警报并及时停机。
3.根据权利要求2所述的预测与控制的方法,其特征在于,所述步骤S3所得到的特征参数包括:熔池面积、羽流面积、羽流强度、羽流方向、飞溅物数目、飞溅物面积平均值和飞溅物平均取向。
4.根据权利要求3所述的预测与控制的方法,其特征在于,所述步骤S5还包括对所述成形质量等级和标准成形质量等级进行比较,若差值在报警值以内,则判断成形质量合格;若差值在报警值和停机值之间,则判断成形质量存在问题,需修改工艺参数;若差值超过停机值,则判断修改工艺参数无法修复成形质量,需发出警报,并停止加工。
5.根据权利要求4所述的预测与控制的方法,其特征在于,所述成形质量预测模型的训练过程包括:
S41:数据采集:通过若干次增材制造实验,以构建出不同的成形质量等级,按S3的步骤记录不能实验条件下的特征参数随时间的变化情况,以及不同制件成形质量参数所对应的时间点,组成制件成形质量原始数据集;
S42:数据预处理:将S41中的特征参数进行归一化处理,同时对成形质量等级进行标注,将第一次实验的数据进行模型拟合,作为训练集,其他的实验数据进行评估,作为测试集,构建三维(N,W,F)数字阵列,其中N为用于预测的特征向量的时间序列总长度,W为时间步长, F为特征参数数目;
S43:建立模型:搭建x层长短期记忆神经网络作为主干网络,每层长短期记忆神经网络包括输入门、遗忘门、状态更新门和输出门;在长短期记忆神经网络后添加Dropout操作;最终输出加入Dense层将维度聚合为1,输出成形质量等级,训练模型所用的损失函数为MAE,优化算法采用Adam优化算法;
S44:保存模型:训练完成后,将模型权重保存,即可用于制件成形质量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021386.3A CN110789128B (zh) | 2019-10-24 | 2019-10-24 | 一种增材制造制件成形质量预测与控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911021386.3A CN110789128B (zh) | 2019-10-24 | 2019-10-24 | 一种增材制造制件成形质量预测与控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110789128A CN110789128A (zh) | 2020-02-14 |
CN110789128B true CN110789128B (zh) | 2021-05-28 |
Family
ID=69441386
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911021386.3A Active CN110789128B (zh) | 2019-10-24 | 2019-10-24 | 一种增材制造制件成形质量预测与控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110789128B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111790910B (zh) * | 2020-07-07 | 2021-09-28 | 南京理工大学 | 一种激光粉末床熔融成形件缺陷反馈与调节方法 |
CN112149335B (zh) * | 2020-10-28 | 2022-07-19 | 浙江大学 | 基于机器学习的多层电弧增材制造过程热历史预测方法 |
CN112632720B (zh) * | 2020-12-16 | 2023-08-18 | 广东省科学院中乌焊接研究所 | 一种金属增材制造工艺系统多维数据融合及量化建模方法 |
CN112828311B (zh) * | 2021-01-03 | 2022-05-24 | 苏州星祥益精密制造有限公司 | 一种基于实时三维检测的金属增材制造在线轨迹调整方法 |
CN112801091B (zh) * | 2021-01-26 | 2023-06-13 | 汕头大学 | 一种基于深度学习的增材制造制件成形质量监控与预测方法 |
CN115106539B (zh) * | 2021-03-23 | 2023-07-14 | 大族激光科技产业集团股份有限公司 | 增减材一体化控制方法及系统 |
CN115510766B (zh) * | 2022-11-09 | 2023-03-03 | 北京大学 | 一种基于高斯过程模型的3d打印质量预测方法及系统 |
CN117340280B (zh) * | 2023-12-05 | 2024-02-13 | 成都斐正能达科技有限责任公司 | 一种lpbf增材制造过程监测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9855698B2 (en) * | 2013-08-07 | 2018-01-02 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
US20160114425A1 (en) * | 2014-07-03 | 2016-04-28 | Jian Liu | Method for Manipulating Microstructure and Grain Size in Laser Three-Dimensional Additive Manufacturing |
CN106881462B (zh) * | 2017-01-23 | 2019-01-29 | 华中科技大学 | 一种针对激光选区熔化成形缺陷的在线检测与优化系统 |
CN109482874B (zh) * | 2018-11-29 | 2019-12-20 | 湖南大学 | 基于图像监测控制激光增材中凝固组织形态的方法及系统 |
-
2019
- 2019-10-24 CN CN201911021386.3A patent/CN110789128B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110789128A (zh) | 2020-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110789128B (zh) | 一种增材制造制件成形质量预测与控制系统及方法 | |
CN112801091B (zh) | 一种基于深度学习的增材制造制件成形质量监控与预测方法 | |
US11243527B2 (en) | Production process control method and production process control device | |
CN109472057B (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
Cai et al. | A review of in-situ monitoring and process control system in metal-based laser additive manufacturing | |
Kao et al. | Laser cladding quality monitoring using coaxial image based on machine learning | |
CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
CN110978503B (zh) | 积层制造系统与方法及特征撷取方法 | |
Kwon et al. | A convolutional neural network for prediction of laser power using melt-pool images in laser powder bed fusion | |
Nalajam et al. | A hybrid deep learning model for layer-wise melt pool temperature forecasting in wire-arc additive manufacturing process | |
Chen et al. | A parallel strategy for predicting the quality of welded joints in automotive bodies based on machine learning | |
Yin et al. | Prediction of weld formation in 5083 aluminum alloy by twin-wire CMT welding based on deep learning | |
Knüttel et al. | Transfer learning of neural network based process models in Direct Metal Deposition | |
Yang et al. | Real-time layer height estimation during multi-layer directed energy deposition using domain adaptive neural networks | |
Shaikh et al. | Machine Learning Techniques for Smart Manufacturing: A Comprehensive Review | |
CN115861187A (zh) | 一种激光沉积增材制造在线监测系统及方法 | |
Ross et al. | A new intelligent approach of surface roughness measurement in sustainable machining of AM-316L stainless steel with deep learning models | |
Knüttel et al. | Height prediction in directed metal deposition with artificial neural networks | |
Koo et al. | Downskin Surface Roughness Prediction with Machine Learning for As-Built CM247LC Fabricated Via Powder Bed Fusion with a Laser Beam | |
Wang et al. | On the maintenance of processing stability and consistency in laser-directed energy deposition via machine learning | |
Kaji et al. | Intermittent adaptive trajectory planning for geometric defect correction in large-scale robotic laser directed energy deposition based additive manufacturing | |
Ng et al. | Progress and opportunities for machine learning in materials and processes of additive manufacturing | |
WO2020228932A1 (en) | Artificial intelligence in discrete manufacturing | |
Malekar et al. | Deep learning for defect identification in 3D printing with fused filament fabrication | |
Li et al. | Machine Learning in Process Monitoring and Control for Wire-Arc Additive Manufacturing |
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 |