CN112329275A - 一种激光金属增材沉积融合状态实时预测方法及系统 - Google Patents
一种激光金属增材沉积融合状态实时预测方法及系统 Download PDFInfo
- Publication number
- CN112329275A CN112329275A CN202110000530.6A CN202110000530A CN112329275A CN 112329275 A CN112329275 A CN 112329275A CN 202110000530 A CN202110000530 A CN 202110000530A CN 112329275 A CN112329275 A CN 112329275A
- Authority
- CN
- China
- Prior art keywords
- real
- time prediction
- metal additive
- laser metal
- network
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000002184 metal Substances 0.000 title claims abstract description 43
- 239000000654 additive Substances 0.000 title claims abstract description 41
- 230000000996 additive effect Effects 0.000 title claims abstract description 41
- 230000008021 deposition Effects 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 239000012159 carrier gas Substances 0.000 claims description 12
- 239000000843 powder Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 239000000463 material Substances 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 50
- 238000011176 pooling Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 239000002356 single layer Substances 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- B33Y40/00—Auxiliary operations or equipment, e.g. for material handling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Materials Engineering (AREA)
- Powder Metallurgy (AREA)
Abstract
本发明公开了一种激光金属增材沉积融合状态实时预测方法及系统，该方法包括如下步骤：（1）建立实时预测初模型，所述实时预测初模型包括用于将工艺参数数据集转换为图像数据的stackGAN网络、与stackGAN网络连接的多路并行用于提取图像数据中的特征数据的卷积神经网络、与多路并行卷积神经网络连接的用于将多路卷积神经网络输出的特征数据进行特征融合的特征融合层、以及特征融合层后依次连接的全连接层和分类层；（2）训练实时预测初模型形成实时预测终模型；（3）输入工艺参数数据集至实时预测终模型实时预测激光金属增材沉积融合状态；本发明通过构建stackGAN网络+VGG19网络的预测模型，可满足通过工艺参数预测熔池状态，形成有监督学习的神经网络，成本低。
Description
技术领域
本发明属于金属增材制造技术领域，具体涉及一种激光金属增材沉积融合状态实时预测方法及系统。
背景技术
因易成形复杂零件和良好的涂层加工，激光金属增材制造技术被广泛应用于医疗、航空航天和国防等领域。在激光金属增材制造技术中，单道单层的沉积熔合状态是影响零件成形质量的的重要因素，而在影响沉积熔合状态的诸多工艺参数中，激光功率、扫描速度、光斑直径、送粉量和载气速度是目前激光金属增材制造领域研究的重点。因此研究激光金属增材制造过程中上述工艺参数的变化对单道单层沉积熔合状态的影响对保证零件的成形质量有重要意义。
目前，常通过速度或位移传感器以及从实验平台的工控机直接获取后台数据来采集激光功率、扫描速度、光斑直径、送粉量和载气速度等工艺参数，再构建逻辑回归模型来实现对沉积熔合状态的实时预测，或者通过熔池状态图像进行预测，这种预测方式都需要从打印机上获取数据，在对数据进行处理后进行预测，在数据传输过程必然会存在时间差，就会造成沉积熔合状态的实时预测往往泛化性能差，鲁棒性不足。
发明内容
本发明的目的在于提供一种直接通过工艺参数进行熔合状态的实时预测的激光金属增材沉积融合状态实时预测方法及系统。
为实现上述目的，本发明采用如下技术方案：
一种激光金属增材沉积融合状态实时预测方法，包括如下步骤：
（1）建立实时预测初模型
所述实时预测初模型包括用于将工艺参数数据集转换为图像数据的stackGAN网络、与stackGAN网络连接的多路并行用于提取图像数据中的特征数据的卷积神经网络、与多路并行卷积神经网络连接的用于将多路卷积神经网络输出的特征数据进行特征融合的特征融合层、以及特征融合层后依次连接的全连接层和分类层；
（2）训练实时预测初模型形成实时预测终模型
一定的时间序列下连续采集激光功率、扫描速度、光斑直径、送粉量、载气速度和熔池图像，采用激光功率、扫描速度、光斑直径、送粉量、载气速度构建为工艺参数数据集，采用熔池图像构建为图像数据集；将工艺参数数据集和图像数据集分别分为训练集和测试集，将训练集输入实时预测模型进行训练，并通过测试集测试训练后的实时预测模型，直到测试的预测精度达到设定的阈值时，此时的实时预测模型为实时预测终模型；
（3）输入工艺参数数据集至实时预测终模型实时预测激光金属增材沉积融合状态。
进一步地，步骤（1）中所述卷积神经网络为VGG19网络。
进一步地，步骤（2）所述训练集和测试集按照7:3的比例划分。
本发明还提供了一种激光金属增材沉积融合状态实时预测系统，包括工控机和激光金属增材打印机，工控机包括处理器和显示器，所述工控机的处理器加载并执行用于实现上述的激光金属增材沉积融合状态实时预测方法的软件程序，所述激光金属增材打印机上安装有用于采集熔池状态的图像信息的图像采集装置和用于采集工艺参数的数据采集装置，所述工控机与图像采集装置和数据采集装置连接，用于获取图像信息和工艺参数，再进行实时预测激光金属增材沉积融合状态，预测的激光金属增材沉积融合状态通过工控机的显示器显示。
本发明具有以下有益效果：
（1）通过构建stackGAN网络+VGG19网络的预测模型，可满足通过工艺参数预测熔池状态，形成有监督学习的神经网络，成本低；
（2）通过工艺参数和融合状态的图像信息对模型进行训练优化，可使模型的预测结果精度更好；
（3）通过设置多路并行的卷积神经网络提取特征数据，再通过特征融合曾进行特征融合，可对关键特征进提取，提高预测模型的预测效率；
（4）工艺参数在进行打印前就可以获得，在打印同步进行实时预测，预测效果好。
附图说明
图1为本发明的预测模型结构示意图。
具体实施方式
本实施例提供的一种激光金属增材沉积融合状态实时预测方法包括如下步骤：
（1）建立实时预测初模型
如图1所示，所述实时预测初模型包括stackGAN网络、与stackGAN网络连接的多路并行卷积神经网络、与多路并行卷积神经网络连接的特征数据进行特征融合的特征融合层、以及特征融合层后依次连接的全连接层和分类层。
所述stackGAN网络用于生成对抗网络，目的是将工艺参数数据集转换为卷积神经网络的图像数据，本实施例采用传统的stackGAN网络，所述stackGAN网络包括satck-Ⅰ和satck-Ⅱ；satck-Ⅰ实现将工艺参数数据集转化为64×64低分辨率熔池形貌图像，具体地，将所获取的工艺参数数据集输入1层全连接层中得到一个正态分布的均值和方差，再进行条件增强后通过生成网络生成64×64低分辨率熔池形貌图像；生成网络由4个上采样块组成，上采样块采用1个空间大小乘数为2的上采样层，后接1个卷积核尺寸为3×3、步长1×1的卷积层、批归一化层和relu非线性激活函数层组成，从而解决工艺参数序列特征信息量有限引起的特征信息矩阵稀疏问题。satck-Ⅱ用于将64×64低分辨率熔池形貌图像转化为256×256高分辨率熔池形貌图像输出；satck-Ⅱ阶段主要由1个残差块和4个上采样块组成，4个上采样块的结构和satck-Ⅰ相同；1个残差块由2个1层卷积核尺寸为3×3的卷积核后接批归一化层和relu非线性激活函数层组成，如此在保证增加网络深度，提升网络的非线性表达能力的同时，解决随网络深度提升而出现的梯度消失和梯度爆炸问题。
所述卷积神经网络采用VGG19网络，VGG19网络包括五个特征提取层和一个决策分类层，在五个特征提取层中，第一层和第二层均包括2个卷积层和1个池化层，其中卷积层的卷积核尺寸为3×3，卷积核的滑动步长为1×1，采用3×3这类较小的卷积核多层叠加，能够在保证足够的感受野大小的同时，既减少了网络的参数量，又增加了网络深度，使网络的非线性表达能力和泛化性能增强。在多层卷积层后接一层池化层，其中池化核的尺寸为2×2，步长为2×2，采用该参数的池化降采样，能够在保证关键特征信息得到提取的同时，有效减少无关特征信息量，并防止过拟合的发生，提高网络模型的泛化性能；第三层、第四层和第五层包括4个卷积层和1个池化层，其中的卷积层和池化层参数与第一层相同，采用4个卷积层，更进一步扩大感受野范围，保证了更细致或语义层次更高的特征信息的提取。在经过5个特征提取阶段后，将提取到的特征输入批归一化层，在防止出现梯度消失问题的同时，也加快了网络训练过程并正则化网络模型。将经过批归一化层后的特征信息输入决策分类层，决策分类层包括3层全连接层和1个softmax分类层，其中，第1、2层全连接层的神经元个数分别为4096和1024个，并在每层全连接层后面连接了1个防止过拟合的参数为0.5的dropout层和1个relu非线性激活层；第3层的全连接层的神经元个数为4，对应4种沉积熔合状态，后接softmax分类层，完成沉积熔合状态的分类。
通过多路VGG19网络并行同步提取256×256的高分辨率熔池形貌图像中的特征数据，再通过特征融合层将多路企图的特征数据进行融合叠加，可增强256×256的高分辨率熔池形貌图像中的特征数据，提高实时预测效果。
（2）训练实时预测初模型
在一定的时间序列下连续采集激光功率、扫描速度、光斑直径、送粉量、载气速度和熔池图像，对激光功率、扫描速度、光斑直径、送粉量、载气速度和熔池图像进行归一化数据处理，再将激光功率、扫描速度、光斑直径、送粉量、载气速度构建为工艺参数数据集P，以及将熔池图像构建为图像数据集I。
根据时间对应关系，标注对应的工艺参数序列数据和熔池图像数据，形成生成对抗网络的数据集；根据单道单层沉积熔合状态数据来标注熔池图像数据，以构建卷积神经网络数据集；再将数据集按7：3的比例划分为训练集和测试集。
将训练集输入至步骤（1）所述的实时预测初模型，对实时预测初模型进行训练和优化，本实施例不仅采用了工艺参数数据集对模型进行训练，同时还采用了熔池图像数据集对模型进行训练，可加速模型训练成型。
当实时预测初模型的预测精度达到阈值或训练优化时的迭代次数达到上限为止，此时的实时预测初模型为实时预测终模型，更新实时预测终模型的网络参数。
（3）同步输入工艺参数数据集至实时预测终模型实时预测激光金属增材沉积融合状态，此时预测的激光金属增材沉积融合状态与实际的激光金属增材沉积融合状态之间的误差较小，可实现精确预测。
实施例2
本实施例将是实施例1提供的所述的激光金属增材沉积融合状态实时预测方法编辑成软件，并且将该软件加载到一台带有显示器的工控机上，所述工控机采用现有技术常规工控机，其包括显示器和处理器，处理器可执行所述软件进行金属增材沉积融合状态实时预测，显示器显示预测结果。将工控机与激光金属增材打印机连接，具体为工控机通过USB连接线与安装在激光金属增材打印机的图像采集装置和数据采集装置连接，所述图像采集装置为CCD相机或CMOS相机；所述数据采集装置可为直接安装在金属增材打印机的传感器或者与金属增材打印机的控制系统直接连接获取其工艺参数。
通过数据采集装置和图像采集装置获取在一定的时间序列下连续采集激光功率、扫描速度、光斑直径、送粉量、载气速度和熔池图像，对激光功率、扫描速度、光斑直径、送粉量、载气速度和熔池图像进行归一化数据处理，再将激光功率、扫描速度、光斑直径、送粉量、载气速度构建为工艺参数数据集P，以及将熔池图像构建为图像数据集I。
根据时间对应关系，标注对应的工艺参数序列数据和熔池图像数据，形成生成对抗网络的数据集；根据单道单层沉积熔合状态数据来标注熔池图像数据，以构建卷积神经网络数据集；再将数据集按7:3的比例划分为训练集和测试集。
将训练集输入至实施例1步骤（1）所述的实时预测初模型，对实时预测初模型进行训练和优化，本实施例不仅采用了工艺参数数据集对模型进行训练，同时还采用了熔池图像数据集对模型进行训练，可加速模型训练成型。
当实时预测初模型的预测精度达到阈值或训练优化时的迭代次数达到上限为止，此时的实时预测初模型为实时预测终模型，更新实时预测终模型的网络参数。
然后在工控机中输入同步的工艺参数数据集即可实现实时预测熔池沉积融合状态，并且预测的熔池沉积融合状态可通过显示器显示。
以上所述仅是本发明优选的实施方式，但本发明的保护范围并不局限于此，任何基于本发明所提供的技术方案和发明构思进行的改造和替换都应涵盖在本发明的保护范围内。
Claims (4)
1.一种激光金属增材沉积融合状态实时预测方法，其特征在于：包括如下步骤：
（1）建立实时预测初模型
所述实时预测初模型包括用于将工艺参数数据集转换为图像数据的stackGAN网络、与stackGAN网络连接的多路并行用于提取图像数据中的特征数据的卷积神经网络、与多路并行卷积神经网络连接的用于将多路卷积神经网络输出的特征数据进行特征融合的特征融合层、以及特征融合层后依次连接的全连接层和分类层；
（2）训练实时预测初模型形成实时预测终模型
一定的时间序列下连续采集激光功率、扫描速度、光斑直径、送粉量、载气速度和熔池图像，采用激光功率、扫描速度、光斑直径、送粉量、载气速度构建为工艺参数数据集，采用熔池图像构建为图像数据集；将工艺参数数据集和图像数据集分别分为训练集和测试集，将训练集输入实时预测模型进行训练，并通过测试集测试训练后的实时预测模型，直到测试的预测精度达到设定的阈值时，此时的实时预测模型为实时预测终模型；
（3）输入工艺参数数据集至实时预测终模型实时预测激光金属增材沉积融合状态。
2.根据权利要求1所述的一种激光金属增材沉积融合状态实时预测方法，其特征在于：步骤（1）中所述卷积神经网络为VGG19网络。
3.根据权利要求1所述的一种激光金属增材沉积融合状态实时预测方法，其特征在于：步骤（2）所述训练集和测试集按照7:3的比例划分。
4.一种激光金属增材沉积融合状态实时预测系统，包括工控机和激光金属增材打印机，工控机包括处理器和显示器，其特征在于：所述工控机的处理器加载并执行用于实现权利要求1~3任一权利要求所述的激光金属增材沉积融合状态实时预测方法的软件程序，所述指令被处理器执行；所述激光金属增材打印机上安装有用于采集熔池状态的图像信息的图像采集装置和用于采集工艺参数的数据采集装置，所述工控机与图像采集装置和数据采集装置连接，用于获取图像信息和工艺参数，再进行实时预测激光金属增材沉积融合状态，预测的激光金属增材沉积融合状态通过工控机的显示屏显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110000530.6A CN112329275B (zh) | 2021-01-04 | 2021-01-04 | 一种激光金属增材沉积融合状态实时预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110000530.6A CN112329275B (zh) | 2021-01-04 | 2021-01-04 | 一种激光金属增材沉积融合状态实时预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112329275A true CN112329275A (zh) | 2021-02-05 |
| CN112329275B CN112329275B (zh) | 2021-04-02 |
Family
ID=74301498
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110000530.6A Active CN112329275B (zh) | 2021-01-04 | 2021-01-04 | 一种激光金属增材沉积融合状态实时预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112329275B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113059184A (zh) * | 2021-03-30 | 2021-07-02 | 南京航空航天大学 | 锭坯喷射成形工艺参数优化方法 |
| CN113063507A (zh) * | 2021-03-26 | 2021-07-02 | 中国科学院物理研究所 | 基于卷积神经网络的超短脉冲宽度预测方法 |
| CN113077078A (zh) * | 2021-03-19 | 2021-07-06 | 中国科学院物理研究所 | 基于深度学习的超短激光脉冲相位预测方法及其系统 |
| CN113136578A (zh) * | 2021-04-20 | 2021-07-20 | 大连理工大学 | 一种基于离焦量预测的激光熔覆薄壁件高度控制方法 |
| CN115415549A (zh) * | 2022-09-05 | 2022-12-02 | 苏州中科煜宸激光智能科技有限公司 | 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法 |
| TWI790668B (zh) * | 2021-07-02 | 2023-01-21 | 國立高雄科技大學 | 積層表面品質預測方法及其電腦程式產品 |
| CN116070484A (zh) * | 2023-01-31 | 2023-05-05 | 南京林业大学 | 一种基于深度学习的在线实时预测构件状态的方法 |
| CN116275124A (zh) * | 2023-05-11 | 2023-06-23 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
| CN116408462A (zh) * | 2023-04-12 | 2023-07-11 | 四川大学 | 一种激光金属增材沉积内部空隙状态实时预测方法 |
| CN117593255A (zh) * | 2023-11-07 | 2024-02-23 | 四川大学 | 一种基于时空信息融合的激光增材制造缺陷监控方法 |
| CN118305332A (zh) * | 2024-06-07 | 2024-07-09 | 吉林大学 | 采用激光粉末床技术制备高强度不锈钢的控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346151A (zh) * | 2018-03-12 | 2018-07-31 | 湖南大学 | 一种判断激光焊接熔透性的方法 |
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
| CN110490866A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度特征融合的金属增材成形尺寸实时预测方法 |
| CN112059386A (zh) * | 2020-09-08 | 2020-12-11 | 湘潭大学 | 一种控制熔丝沉积熔池状态的方法 |
| CN112101432A (zh) * | 2020-09-04 | 2020-12-18 | 西北工业大学 | 一种基于深度学习的材料显微图像与性能双向预测方法 |
-
2021
- 2021-01-04 CN CN202110000530.6A patent/CN112329275B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180341248A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| CN108346151A (zh) * | 2018-03-12 | 2018-07-31 | 湖南大学 | 一种判断激光焊接熔透性的方法 |
| CN110472698A (zh) * | 2019-08-22 | 2019-11-19 | 四川大学 | 基于深度和迁移学习的金属增材成形熔深实时预测方法 |
| CN110490866A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度特征融合的金属增材成形尺寸实时预测方法 |
| CN112101432A (zh) * | 2020-09-04 | 2020-12-18 | 西北工业大学 | 一种基于深度学习的材料显微图像与性能双向预测方法 |
| CN112059386A (zh) * | 2020-09-08 | 2020-12-11 | 湘潭大学 | 一种控制熔丝沉积熔池状态的方法 |
Non-Patent Citations (4)
| Title |
|---|
| H.L. WEI 等: "Prediction of spatiotemporal variations of deposit profiles and inter-track voids during laser directed energy deposition", 《ADDITIVE MANUFACTURING》 * |
| XINBO QI 等: "Applying Neural-Network-Based Machine Learning to Additive Manufacturing: Current Applications, Challenges, and Future Perspectives", 《ENGINEERING》 * |
| 向枭 等: "基于30CrNi2MoVA的激光熔化沉积工艺参数研究", 《机械》 * |
| 马琳杰 等: "一种基于PPCNN的金属激光熔化沉积熔池状态识别方法", 《内燃机与配件》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113077078B (zh) * | 2021-03-19 | 2023-10-31 | 中国科学院物理研究所 | 基于深度学习的超短激光脉冲相位预测方法及其系统 |
| CN113077078A (zh) * | 2021-03-19 | 2021-07-06 | 中国科学院物理研究所 | 基于深度学习的超短激光脉冲相位预测方法及其系统 |
| CN113063507A (zh) * | 2021-03-26 | 2021-07-02 | 中国科学院物理研究所 | 基于卷积神经网络的超短脉冲宽度预测方法 |
| CN113059184A (zh) * | 2021-03-30 | 2021-07-02 | 南京航空航天大学 | 锭坯喷射成形工艺参数优化方法 |
| CN113136578A (zh) * | 2021-04-20 | 2021-07-20 | 大连理工大学 | 一种基于离焦量预测的激光熔覆薄壁件高度控制方法 |
| TWI790668B (zh) * | 2021-07-02 | 2023-01-21 | 國立高雄科技大學 | 積層表面品質預測方法及其電腦程式產品 |
| CN115415549A (zh) * | 2022-09-05 | 2022-12-02 | 苏州中科煜宸激光智能科技有限公司 | 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法 |
| CN115415549B (zh) * | 2022-09-05 | 2024-03-08 | 苏州中科煜宸激光智能科技有限公司 | 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法 |
| CN116070484A (zh) * | 2023-01-31 | 2023-05-05 | 南京林业大学 | 一种基于深度学习的在线实时预测构件状态的方法 |
| CN116408462B (zh) * | 2023-04-12 | 2023-10-27 | 四川大学 | 一种激光金属增材沉积内部孔隙状态实时预测方法 |
| CN116408462A (zh) * | 2023-04-12 | 2023-07-11 | 四川大学 | 一种激光金属增材沉积内部空隙状态实时预测方法 |
| CN116275124B (zh) * | 2023-05-11 | 2023-08-01 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
| CN116275124A (zh) * | 2023-05-11 | 2023-06-23 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
| CN117593255A (zh) * | 2023-11-07 | 2024-02-23 | 四川大学 | 一种基于时空信息融合的激光增材制造缺陷监控方法 |
| CN118305332A (zh) * | 2024-06-07 | 2024-07-09 | 吉林大学 | 采用激光粉末床技术制备高强度不锈钢的控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112329275B (zh) | 2021-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112329275B (zh) | 一种激光金属增材沉积融合状态实时预测方法及系统 | |
| Zhong et al. | Bearing fault diagnosis using transfer learning and self-attention ensemble lightweight convolutional neural network | |
| Ren et al. | Cloud–edge-based lightweight temporal convolutional networks for remaining useful life prediction in iiot | |
| Shen et al. | Wind speed prediction of unmanned sailboat based on CNN and LSTM hybrid neural network | |
| Hao et al. | Intelligent detection of steel defects based on improved split attention networks | |
| Lyu et al. | A novel RSG-based intelligent bearing fault diagnosis method for motors in high-noise industrial environment | |
| CN106295799B (zh) | 一种深度学习多层神经网络的实现方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN112070768B (zh) | 基于Anchor-Free的实时实例分割方法 | |
| CN114792378B (zh) | 一种量子图像识别方法及装置 | |
| CN110197307B (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
| Hu et al. | Quantized STDP-based online-learning spiking neural network | |
| CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
| Ma et al. | Temporal pyramid recurrent neural network | |
| CN112987665B (zh) | 一种基于强化学习的流水车间调度方法 | |
| CN112288078B (zh) | 一种基于脉冲神经网络的自学习、小样本学习和迁移学习的方法与系统 | |
| Kong et al. | MoE-FFD: Mixture of Experts for Generalized and Parameter-Efficient Face Forgery Detection | |
| Hu et al. | Reduced-reference image deblurring quality assessment based on multi-scale feature enhancement and aggregation | |
| CN117272726A (zh) | 一种航空动力与热管理一体化装置多维温度场分析方法 | |
| Han et al. | Employing deep learning in non‐parametric inverse visualization of elastic–plastic mechanisms in dual‐phase steels | |
| Tan et al. | Improved LeNet-5 model based on handwritten numeral recognition | |
| Uchida et al. | Generation of microscopic structure of solder material with desirable characteristics based on deep learning | |
| Xu | Research on the influence of convolutional neural network parameters on fruit classification | |
| CN112215351B (zh) | 增强的多尺度卷积神经网络软测量方法 | |
| Zu et al. | Consecutive layer collaborative filter similarity for differentiable neural network pruning |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240708 Address after: 610000, No. 24, south section of Ring Road, Sichuan, Chengdu Patentee after: SICHUAN University Country or region after: China Patentee after: China Ordnance Equipment Group Automation Research Institute Co.,Ltd. Address before: 610000, No. 24, south section of Ring Road, Sichuan, Chengdu Patentee before: SICHUAN University Country or region before: China Patentee before: China Ordnance Equipment Group Automation Research Institute Co.,Ltd. |
|
| TR01 | Transfer of patent right |