CN110942150A - 用于激光选区熔化设备零部件成型失效的智能诊断方法 - Google Patents
用于激光选区熔化设备零部件成型失效的智能诊断方法 Download PDFInfo
- Publication number
- CN110942150A CN110942150A CN201911091005.9A CN201911091005A CN110942150A CN 110942150 A CN110942150 A CN 110942150A CN 201911091005 A CN201911091005 A CN 201911091005A CN 110942150 A CN110942150 A CN 110942150A
- Authority
- CN
- China
- Prior art keywords
- determined
- selective laser
- laser melting
- fault tree
- parts
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
本发明属于金属增材制造领域,公开了一种用于激光选区熔化设备零部件成型失效的智能诊断方法,其主要步骤包括分析整理SLM零件成型质量故障树,确定变量集和变量域;对比故障树结构确定贝叶斯网络结构;通过先验数据和知识或者观察测试或者专家经验来确定节点条件概率表。本发明能够确定零件成型缺陷发生原因的概率大小,帮助工艺人员准确调整工艺参数,提升增材制造的稳定性和一次合格率。
Description
技术领域
本发明属于金属增材制造领域,更具体地,涉及一种用于激光选区熔化设备零部件成型失效的智能诊断方法。
背景技术
目前,在航空、航天以及兵器等重点领域,对关键构件进行快速、可靠、高质量定制化生产的需求非常迫切,而增材制造技术以其小批量、个性化以及能够成型具有复杂表面及内部结构的金属零件等特点,正在军工领域成为研究热点。但是,现阶段增材制造零件存在加工质量不稳定、一次成型合格率低、产品设计制造过程中过于依赖工艺人员的经验等问题,这些问题严重制约了增材制造技术的发展和推广应用。
激光选区熔化技术(SLM)是金属增材制造领域的主要发展方向。在SLM成型过程中,机械、电气、光学等各种因素相互耦合,都会对最终零件的成型质量产生影响。现阶段SLM制造过程中,主要依靠工艺人员对成型零件的缺陷进行判断,然后对扫描速度、扫描间距、扫描策略、激光功率以及分层厚度等工艺参数进行调整,最后再次通过打印测试来验证工艺参数的有效性。上述制造过程严重依赖工艺人员的经验,无法保证零件成型质量的稳定性和最优性。
发明内容
为了解决上述制约SLM技术发展和推广应用的问题,研究者正在将基于多信息融合的加工失效诊断及修正机制应用于SLM领域,具体过程是通过检测SLM加工过程的特征量来判断加工缺陷种类,进而利用多信息融合技术来准确调节工艺参数,确保加工过程稳定,提升零件成型质量。基于上述背景,提出一种用于激光选区熔化(SLM)设备零部件成型失效的智能诊断方法。
本发明公开了一种用于激光选区熔化设备零部件成型失效的智能诊断方法,旨在根据零件成型缺陷对工艺参数进行准确调整,提升SLM成型过程质量。
为实现上述目的,本发明提供了一种用于SLM设备零部件成型失效的智能诊断方法,其特征在于,包括以下步骤:
包括以下步骤:
步骤一:分析整理SLM零件成型质量故障树,确定变量集和变量域;
步骤二:对比故障树结构确定贝叶斯网络结构;
步骤三:确定节点条件概率表。
进一步,步骤一:在SLM专家的指导下,通过分析整理出SLM零部件成型质量故障树,根据节点的重要性等因素将故障树中的节点选择出来作为变量集。变量域的确定主要有两种手段,若历史数据足够丰富,可以通过对之进行总结来确定变量域的范围。否则,需通过与知识和领域专家交流,来确定这些变量的可能取值。
进一步,步骤二:在变量节点选定后,贝叶斯网络结构及节点间的因果关系通常有两种构造方式:由专家知识指定网络的结构或通过大量的样本数据学习确定。在SLM成型质量故障分析领域,由于故障树分析已经体现了各节点间的因果关系,因此只需要先进行条件独立性分析,如果满足条件独立性则可以对比故障树结构来确定贝叶斯网络的结构。
进一步,步骤三:通常,各节点条件概率表可以由三种方法确定。一种是用先验数据的统计频率和用户的知识来确定;另一种是用户通过测试和观察来确定;再一种是根据专家经验来确定。
总体而言,本发明构思的以上技术方案与现有方法相比具有以下优点:
(1)将SLM零件成型缺陷和引起缺陷的原因通过因果关系联系起来,并通过样本数据和专家分析,用概率的大小来表征因果关系的强弱。当成型零件发生某种缺陷时,将SLM成型过程中的状态信息经过数据处理输入到贝叶斯网络中,通过贝叶斯网络推理,得出各故障原因发生的概率大小,这能够帮助工艺人员准确调整相应的工艺参数,保证SLM成型的稳定性。
(2)有助于研究SLM零部件成型失效模式与工艺参数之间的非线性映射规律,建立工艺参数修正知识库,更进一步地,基于工艺参数修正知识库,研究智能自整定技术,基于预测性建模机制,实现多工艺参数原位控制,提升增材制造的稳定性和一次合格率。
附图说明
图1为本发明实施例的故障树示意图。
图2为本发明实施例的贝叶斯网络示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
SLM成型零件缺陷常见的有:球化、翘曲、裂纹、孔隙、飞溅、过熔以及搭接等,为了简化实施例同时又能够清晰展现本发明的实施过程,将选取翘曲缺陷作为零部件成型质量故障分析对象。
在SLM工艺专家的指导下,通过分析整理出SLM零件成型翘曲失效故障树,如图1所示。结合SLM设备本身特点及专家知识,将故障树模型转化为贝叶斯网络模型。
首先,将故障树中的所有事件对应表达为贝叶斯网络中的节点。并按故障树节点的性质将其分为三类,根节点层、中间层及原因层。图1中故障树根节点为SLM成型零件翘曲;中间层节点包括能量输入、扫描线长度以及支撑结构强度;原因层包括激光功率、扫描速度、零件纵横比、支撑齿顶宽、支撑间距。
其次,分析故障树中的逻辑门与基本事件的关系,连接贝叶斯网络中的节点,连接节点的有向边与故障树中逻辑门的输入输出关系对应。如图2所示为故障树转化而成的贝叶斯网络。
最后,将故障树中逻辑门的逻辑关系表达为贝叶斯网络中贝叶斯网络节点的条件概率表。在缺乏足够样本数据的情况下,通过知识与专家经验定性的确定各条件概率。
在建立贝叶斯网络模型之后,故障诊断的第二阶段是贝叶斯网络模型推理。在知道故障现象的证据信息情况下,去寻找其原因节点发生的概率。由于贝叶斯网络中各节点的条件概率表已知,故可采用精确推理算法,利用VE算法来对贝叶斯网络模型进行概率推理。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种用于激光选区熔化设备零部件成型失效的智能诊断方法,其特征在于,包括以下步骤:
步骤一:分析整理SLM零件成型质量故障树,确定变量集和变量域;
步骤二:对比故障树结构确定贝叶斯网络结构;
步骤三:确定节点条件概率表。
2.如权利要求1所述的一种用于激光选区熔化设备零部件成型失效的智能诊断方法,其特征在于,所述步骤一中,在SLM专家的指导下,通过分析整理出SLM零部件成型质量故障树,根据节点的重要性等因素将故障树中的节点选择出来作为变量集。
3.如权利要求1所述的一种用于激光选区熔化设备零部件成型失效的智能诊断方法,其特征在于,所述变量域的确定主要有两种手段,若历史数据足够丰富,可通过对之进行总结来确定变量域的范围;否则,需通过与知识和领域专家交流,来确定这些变量的可能取值。
4.如权利要求1所述的一种用于激光选区熔化设备零部件成型失效的智能诊断方法,其特征在于,所述步骤二中,在变量节点选定后,贝叶斯网络结构及节点间的因果关系通常有两种构造方式:由专家知识指定网络的结构或通过大量样本数据学习确定。
5.如权利要求1所述的一种用于激光选区熔化设备零部件成型失效的智能诊断方法,其特征在于,在SLM成型质量故障分析领域,由于故障树分析已经体现了各节点间的因果关系,因此只需要先进行条件独立性分析,如果满足条件独立性则可以对比故障树结构来确定贝叶斯网络的结构。
6.如权利要求1所述的一种用于激光选区熔化设备零部件成型失效的智能诊断方法,其特征在于,所述步骤三中,各节点条件概率表可以由三种方法确定:一种是用先验数据的统计频率和用户的知识来确定;另一种是用户通过测试和观察来确定;再一种是根据专家经验来确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911091005.9A CN110942150A (zh) | 2019-11-09 | 2019-11-09 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911091005.9A CN110942150A (zh) | 2019-11-09 | 2019-11-09 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110942150A true CN110942150A (zh) | 2020-03-31 |
Family
ID=69906436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911091005.9A Pending CN110942150A (zh) | 2019-11-09 | 2019-11-09 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942150A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710398A (zh) * | 2022-06-02 | 2022-07-05 | 深圳嘉麟科技有限责任公司 | 一种信息系统异常事故报警装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
CN107045584A (zh) * | 2017-05-11 | 2017-08-15 | 河海大学 | 一种适用于水泵转子系统的工频振动异常故障诊断方法 |
CN107402193A (zh) * | 2017-07-25 | 2017-11-28 | 华中科技大学 | 一种基于libs的激光选区熔化成形过程在线检测设备 |
CN109765450A (zh) * | 2019-03-21 | 2019-05-17 | 中国矿业大学 | 基于贝叶斯网络的开关磁阻电机驱动系统可靠性评估方法 |
CN109909502A (zh) * | 2019-03-18 | 2019-06-21 | 中国科学院合肥物质科学研究院 | 基于多源异构数据的激光增材制造过程的在线监测方法 |
CN109968671A (zh) * | 2019-03-20 | 2019-07-05 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
-
2019
- 2019-11-09 CN CN201911091005.9A patent/CN110942150A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN104267668A (zh) * | 2014-09-02 | 2015-01-07 | 上海交通大学 | 基于贝叶斯方法的航天阀门零件加工过程故障诊断方法 |
CN107045584A (zh) * | 2017-05-11 | 2017-08-15 | 河海大学 | 一种适用于水泵转子系统的工频振动异常故障诊断方法 |
CN107402193A (zh) * | 2017-07-25 | 2017-11-28 | 华中科技大学 | 一种基于libs的激光选区熔化成形过程在线检测设备 |
CN109909502A (zh) * | 2019-03-18 | 2019-06-21 | 中国科学院合肥物质科学研究院 | 基于多源异构数据的激光增材制造过程的在线监测方法 |
CN109968671A (zh) * | 2019-03-20 | 2019-07-05 | 北京科技大学 | 3d打印过程故障诊断方法和装置 |
CN109765450A (zh) * | 2019-03-21 | 2019-05-17 | 中国矿业大学 | 基于贝叶斯网络的开关磁阻电机驱动系统可靠性评估方法 |
Non-Patent Citations (1)
Title |
---|
王恺: "基于贝叶斯网络的3D打印产品可靠性评估" * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114710398A (zh) * | 2022-06-02 | 2022-07-05 | 深圳嘉麟科技有限责任公司 | 一种信息系统异常事故报警装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fernandes et al. | Machine learning techniques applied to mechanical fault diagnosis and fault prognosis in the context of real industrial manufacturing use-cases: a systematic literature review | |
CN113469241A (zh) | 基于工艺网络模型与机器学习算法的产品质量控制方法 | |
Li et al. | Preventive maintenance decision model of urban transportation system equipment based on multi-control units | |
CN110716520B (zh) | 基于多源信息融合的飞控伺服作动器可靠性评估建模方法 | |
CN110942150A (zh) | 用于激光选区熔化设备零部件成型失效的智能诊断方法 | |
CN114896882A (zh) | 数据驱动的绿色数字孪生建造系统及方法 | |
Xu et al. | Short-term wind speed prediction based on GRU | |
CN117033984B (zh) | 结合数字孪生的半导体加工质量预测方法及系统 | |
AU2020101603A4 (en) | A Method of Constructing Wide-area Damping Controller with Iterative Identification for Improving Power System Stability | |
CN114757111B (zh) | 一种基于数字孪生技术的智能装备健康管理方法 | |
CN111027251A (zh) | 一种基于偏好集的电磁继电器稳健性优化设计方法 | |
CN115755775A (zh) | 一种基于cam云服务架构的特征刀轨动态生成系统及方法 | |
CN115640980A (zh) | 基于目标控制的电网工程造价动态管理系统 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
Xiao et al. | Metric learning‐based whole health indicator model for industrial robots | |
CN114861969A (zh) | 一种基于lstm的电力系统振荡风险预测方法 | |
CN114611485A (zh) | 结合文本分析和机器学习方法的智能车辆故障诊断方法 | |
Han et al. | Testability modeling method based on MSFG-BN composite model | |
CN110008221A (zh) | 一种注塑生产数据与mes系统数据交互方法 | |
Czwick et al. | Data Pre-Processing Method for Industrie 4.0 Applications | |
CN114579824B (zh) | 应用于工业互联网的设备状态识别方法及识别终端 | |
Kang et al. | Research on Fault Diagnosis of Power Communication Network Based on Improved Convolutional Neural Network | |
Last et al. | Optimizing a batch manufacturing process through interpretable data mining models | |
Qin et al. | Improved particle swarm optimized fuzzy neural network based fault diagnosis for computer numerical control machine | |
Wang et al. | Study on the Influence Path of Sustainable Development of Green Building in Tianjin |
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 |