CN112632720B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112632720B CN112632720B CN202011487155.4A CN202011487155A CN112632720B CN 112632720 B CN112632720 B CN 112632720B CN 202011487155 A CN202011487155 A CN 202011487155A CN 112632720 B CN112632720 B CN 112632720B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- process system
- additive manufacturing
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 227
- 239000000654 additive Substances 0.000 title claims abstract description 110
- 230000000996 additive effect Effects 0.000 title claims abstract description 110
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 99
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 89
- 239000002184 metal Substances 0.000 title claims abstract description 89
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 187
- 238000004458 analytical method Methods 0.000 claims abstract description 47
- 238000013139 quantization Methods 0.000 claims abstract description 43
- 239000000463 material Substances 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000008878 coupling Effects 0.000 claims abstract description 14
- 238000010168 coupling process Methods 0.000 claims abstract description 14
- 238000005859 coupling reaction Methods 0.000 claims abstract description 14
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000005094 computer simulation Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 238000005253 cladding Methods 0.000 claims description 47
- 238000012360 testing method Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 23
- 230000015572 biosynthetic process Effects 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 13
- 238000007493 shaping process Methods 0.000 claims description 9
- 239000002994 raw material Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 3
- 238000012856 packing Methods 0.000 claims description 3
- 230000006855 networking Effects 0.000 claims 1
- 238000012800 visualization Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 13
- 229910000838 Al alloy Inorganic materials 0.000 description 12
- 239000007789 gas Substances 0.000 description 12
- 239000000758 substrate Substances 0.000 description 12
- 238000003466 welding Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 9
- 230000035515 penetration Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 239000012071 phase Substances 0.000 description 7
- 238000007667 floating Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000010891 electric arc Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 229910052786 argon Inorganic materials 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010894 electron beam technology Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000010963 304 stainless steel Substances 0.000 description 2
- 229910000619 316 stainless steel Inorganic materials 0.000 description 2
- 229910000589 SAE 304 stainless steel Inorganic materials 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000007711 solidification Methods 0.000 description 2
- 230000008023 solidification Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 229910000990 Ni alloy Inorganic materials 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000011156 metal matrix composite Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/22—Moulding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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，包括：获取金属增材制造工艺系统相关联的多样多元多维离散强耦合原始数据，并对数据预处理，得到金属增材制造工艺数据；对金属增材制造工艺数据进行分布状态评估、分类筛检、特征提取、归一化处理，得到金属增材制造工艺系统归一化的结构性数据；针对金属增材制造工艺系统归一化的结构性数据，按照工艺系统建模框架，设计神经网络结构，设定模型训练参数，进行计算训练，经训练结果分析进行模型结构和参数优化，得到工艺系统量化模型。本发明解决不同设备不同材料不同工艺方法多维多样数据的分析、应用和可视化难题。
Description
技术领域
本发明涉及数据处理领域，具体涉及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。
背景技术
金属增材制造(AdditiveManufacturing,AM)或3D打印是最前沿和最有潜力的增材制造技术，是航空航天、生物医学和能源交通等重要领域的潜在颠覆性技术。该技术借助激光束、电子束或电弧等热源熔化金属粉末或丝材，通过熔池凝固逐道逐层构建金属零部件，可以提高设计自由度和制造灵活性，从而实现复杂结构成型、增加产品定制性和缩短上市时间，同时消除传统规模经济的约束。
然而，金属增材制造工艺系统是一个涉及电弧热、力、声、光、电、磁等复杂物理效应、材料熔化、熔池流动、熔体凝固与基体固态相变的复杂选区连续熔铸系统，其中能场、温度场、流场、相场、应力场等物理场耦合作用强烈，且金属材料固、液、等离子三态急速转变的传热传质过程极为复杂，导致等离子体形态、熔滴过渡、熔覆成形、合金元素分布、显微组织状态、构件强韧性能的显著变化与差异，引起气孔、裂纹、驼峰、未熔合、夹渣等缺陷，严重影响增材制造过程稳定性和构件综合性能，却因参数繁多、耦合强烈、过程复杂又高度非线性而难以量化表征及系统性建模分析，常规数学建模、简单神经网络和工艺专家系统等分析推理手段因功能少、精准度低、泛化能力弱、无自主学习能力等局限而难以凑效且实用性较低。
鉴于金属增材制造行业对全参数化设计、工艺过程精准控制和高效智能化制造等方面的极致追求，却缺乏有效的系统性建模分析手段，研发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成为当务之急。
发明内容
本发明的目的在于实现金属结构增材制造工艺系统多维数据融合和数据间复杂内在关系量化建模，提供一套金属增材制造工艺系统多维数据融合及量化建模的完整解决方案。
为实现上述目的，本发明的技术方案是：
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，包括：
获取金属增材制造工艺系统相关联的多样多元多维离散强耦合原始数据，并对数据预处理，得到金属增材制造工艺数据；
对金属增材制造工艺数据进行分布状态评估、分类筛检、特征提取、归一化处理，得到金属增材制造工艺系统归一化的结构性数据；
针对金属增材制造工艺系统归一化的结构性数据，按照工艺系统建模框架，设计神经网络结构，设定模型训练参数，进行计算训练，经训练结果分析进行模型结构和参数优化，得到工艺系统量化模型。
进一步地，所述的金属增材制造工艺系统多维数据融合及量化建模方法还包括：
对所得到的工艺系统量化模型进行误差分析、特征分析、反演规则、实验验证、模型能效分析验证。
进一步地，所述的金属增材制造工艺系统多维数据融合及量化建模方法还包括：
将分析验证后的工艺系统量化模型进行云端部署，以进行多终端访问应用，根据模型的输入参数，输出对应的预测结果。
进一步地，所述的金属增材制造工艺系统多维数据融合及量化建模方法还包括：
针对工艺系统量化模型应用过程中的数据扩充，实现模型的自学习自优化自升级。
进一步地，所述金属增材制造工艺系统多维数据包括设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能数据，数据基于互联网和物联网源自网络化工艺数据采集和分布式记录存储。
进一步地，对数据预处理，得到金属增材制造工艺数据包括：
金属增材制造工艺系统核心数据按各自来源逐一核查无误后，进行汇总；
标注结构化编号、来源时间地点及单位、标注时间、对应原始数据编号；
按工艺原材料、热源类型和工艺方法进行分类；
将分类后数据按照设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织、结构性能进行结构化编排和存储；
将金属增材制造工艺系统结构化数据和对应原始数据均按所属单位和时间戳进行打包加密和备份。
进一步地，所述对对金属增材制造工艺数据进行分布状态评估、分类筛检、特征提取、归一化处理包括：
按照数据物理维度和特征进行筛检量化，对名称、种类标签数据进行用整数进行数字化编号，对有无、开关、是否等状态用逻辑型进行量化，然后对全部数据按维度进行分类；
根据工艺数据的来源、种类、内涵对量化数据进行精简，减少数据的绝对数量，以符合现阶段机器处理能力和人的识别能力；
以保持最大数据信息量为前提，对工艺数据进行挖掘和降维处理，以去除无关特征避免维数灾难问题，获得低维的工艺系统特征数据集；
对工艺系统特征数据集进行标准化和归一化处理，以消除数据之间的量纲影响和奇异样本数据影响。
进一步地，所述工艺系统建模框架包括能场参量预测、熔覆成形预测、显微组织预测、结构性能预测、成形反演工艺、组织反演工艺、性能反演工艺七个核心网络；
所述能场参量预测模型以设备信息、工况条件、工艺参数为输入，以能场参量为输出；
所述熔覆成形预测模型以设备信息、工况条件、工艺参数、能场参量为输入，以熔覆成形为输出；
所述显微组织预测模型以设备信息、工况条件、工艺参数、能场参量为输入，以显微组织为输出；
所述结构性能预测模型以设备信息、工况条件、工艺参数、熔覆成形、显微组织为输入，以结构性能为输出；
所述成形反演工艺模型以熔覆成形为输入，以工艺参数为输出；
所述性能反演工艺模型以结构性能为输入，以工艺参数为输出；
所述预测模型预测结果是唯一数值或等级值或等级概率，反演模型反演结果是系列工艺参数的数据集，根据设备能效和工况条件进行筛选。
进一步地，所述神经网络结构由输入层、输出层和隐含层构成，输入层、输出层由工艺系统建模框架决定，隐含层为全连接层、卷积层、池化层、局部连接层、循环层、嵌入层、融合层、噪声层、残差层、LSTM层中的一种或任意组合形式，以平衡训练计算和模型性能。
进一步地，所述对所得到的工艺系统量化模型进行误差分析、特征分析、反演规则、实验验证、模型能效分析验证包括：
在工艺系统量化模型输入数据集中，选定特征输入数据；
针对预测模型，在输入数据范围内，基于单一变量原则，依次选定单一输入数据维度按梯度生成模型测试输入数据，和其余维度特征输入数据组成模型测试输入数据集，用预测模型进行预测，获得单变量模型预测数据集；
基于单变量模型测试输入数据集和模型预测数据集，绘制所有输出对任意输入的响应曲线，并将实验实测数据进行同屏绘制，以直观对比模型预测数据对实验实测数据的拟合效果；
用预测模型对实验实测数据输入数据集进行预测，获得实验实测数据入数据集的预测数据，并与其实验实测输出数据进行绝对误差、相对误差等分析，同时对实测数据和预测数据进行线性回归分析，确定预测模型精度；
针对预测模型，在输入数据范围内，所有维度均按梯度生成模型测试输入数据集，并用预测模型进行预测，获得模型预测数据集；
用二维云图对任意两个输入数据的响应数据进行可视化分析，用三维云图对任意三个输入数据的响应数据进行可视化分析，用三维云图动画对任意四个输入数据的响应数据进行可视化分析，用三维+颜色+散点尺寸+动画对任意五个输入数据的响应数据进行可视化分析，确定预测响应数据范围、最值、极值、等值线、梯度特征；
针对反演模型或预测神经网络预测结果，根据实际设备能效、工况环境和目标结构性能要求，确定工艺参数反演规则，以缩小工艺参数选择范围降低工艺参数选定难度；
针对工艺系统量化模型，在输入数据范围外部，进行测试分析以验证其泛化能力，提高模型适用范围；
根据单变量预测模型测试、全维度预测模型测试、预测响应数据特征分析结果，设计实际工艺试验获取实测数据，对工艺系统量化模型进行实际实验验证，以综合评估其有效性、可靠性和反演规则的实用性、适用性；
对工艺系统量化模型的预测和反演过程进行大量数据的长时间测试，分析其计算效率、模型精度稳定性，综合优化模型计算效率。
本发明与现有技术相比，其有益效果在于：
(1)对金属增材制造工艺系统按设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能数据进行结构化归一化处理，弱化或消除数据来源、种类、内涵、维度、范围等方面的巨大差异，专注数据及数据关系，极有利于数据存储、交流与共享，为复杂工艺系统量化分析奠定数据基础；
(2)设计金属增材制造工艺系统量化建模框架，梳理数据节点关系解除数据耦合，明确了工艺数据在数据关系中的位置，有利于数据关系模型建立、应用和共享，使系统性量化建模成为可能；
(3)采用深度学习技术极大拓宽了工艺数据建模维度和高度非线性量化关系的复杂度，使工艺系统量化关系模型具有拟合泛化能力强、模型计算分析预测高效精准、自学习自优化强辅助等显著特性和极强的工程应用价值；
(4)采用物联网、大数据、云计算技术辅助工艺系统建模，解决了对应金属增材制造工艺系统参数多、数据少、分布离散等显著特征的数据融合和量化建模难点，极大提高了模型适用性、可靠性、适用性和便捷性；
(5)金属结构增材制造工艺系统量化模型对能场参量、熔覆成形、微观组织和结构性能的预测更为精准高效，对工艺参数的反演筛选更智能便捷，极有利于金属增材制造工艺参数设计、设备过程控制、结构质量评估及工艺系统实时可视化；
(6)金属结构增材制造工艺系统多维数据融合和数据间复杂内在关系量化建模的可靠实现，为金属增材制造结构的形性应力匹配调控、复杂制造工艺系统量化分析及高端新材料、难焊材料、异种材料等增材制造或焊接过程机理建模提供可行途径，也为实现焊接大数据、高端增材装备开发和智能制造领域探索奠下基础。
附图说明
图1为本发明实施例提供的金属增材制造工艺系统多维数据融合及量化建模方法的流程图；
图2为金属增材制造工艺系统多维数据融合及量化建模核心框架图；
图3为金属增材制造工艺系统量化模型自优化升级控制逻辑图；
图4a为后丝电流Ic分别为90A/120A/150A时，熔深D、熔宽W和余高H随后丝电流Ip的变化趋势图；
图4b为前丝电流Ip分别为160A/200A/240A时，熔深D、熔宽W和余高H随前丝电流Ic的变化趋势图；
图5为5083铝合金双丝CMT熔覆成形预测量化模型云端部署前端页面图；
图6为机器人电弧增材制造工艺系统建模工艺数据及核心网络图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
参阅图1所示，本实施例提供的金属增材制造工艺系统多维数据融合及量化建模方法主要包括如下步骤：
101、获取金属增材制造工艺系统高度相关联的多样多元多维离散强耦合原始数据，并对数据预处理，得到金属增材制造工艺数据；
102、对金属增材制造工艺数据进行分布状态评估、分类筛检、特征提取、归一化处理，得到金属增材制造工艺系统归一化的结构性数据；
在此步骤中，通过对金属增材制造工艺数据进行结构化归一化处理，弱化或消除数据来源、种类、内涵、维度、范围等方面的巨大差异，专注数据及数据关系，极有利于数据存储、交流与共享，为复杂工艺系统量化分析奠定数据基础。
103、针对金属增材制造工艺系统归一化的结构性数据，按照工艺系统建模框架，设计神经网络结构，设定模型训练参数，进行计算训练，经训练结果分析进行模型结构和参数优化，得到工艺系统量化模型。
在此步骤中，通过设计金属增材制造工艺系统量化建模框架，梳理数据节点关系解除数据耦合，明确了工艺数据在数据关系中的位置，有利于数据关系模型建立、应用和共享，使系统性量化建模成为可能。
具体地，金属增材制造工艺系统多维数据融合及量化建模核心框架如图2所示，包括设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能等数据节点，工艺数据关系由能场参量预测、熔覆成形预测、显微组织预测、结构性能预测、成形反演工艺、组织反演工艺、性能反演工艺等七个核心网络组成：①能场参量预测模型以设备信息、工况条件、工艺参数为输入，以能场参量为输出；②熔覆成形预测模型以设备信息、工况条件、工艺参数、能场参量为输入，以熔覆成形为输出；③显微组织预测模型以设备信息、工况条件、工艺参数、能场参量为输入，以显微组织为输出；④结构性能预测模型以设备信息、工况条件、工艺参数、熔覆成形、显微组织为输入，以结构性能为输出；⑤成形反演工艺模型以熔覆成形为输入，以工艺参数为输出；⑥组织反演工艺模型以显微组织为输入，以工艺参数为输出；⑦性能反演工艺模型以结构性能为输入，以工艺参数为输出；其中，预测模型预测结果可以是唯一数值、等级值、等级概率等，反演模型反演结果是系列工艺参数的数据集，可根据设备能效和工况条件进行筛选。
作为本实施例的一种优选，上述的金属增材制造工艺系统多维数据融合及量化建模方法还包括如下步骤：
104、对所得到的工艺系统量化模型进行误差分析、特征分析、反演规则、实验验证、模型能效分析验证，以确保模型功能健全、稳定可靠高效。
作为本实施例的另一种优选，上述的金属增材制造工艺系统多维数据融合及量化建模方法还包括如下步骤：
105、将分析验证后的工艺系统量化模型进行云端部署，以进行多终端访问应用，根据模型的输入参数，输出对应的预测结果。通过云端部署，实现多终端访问应用，确保终端数据通讯流畅、服务响应快捷、模型状态可视化且界面友好简洁。
作为本实施例的另一种优选，上述的金属增材制造工艺系统多维数据融合及量化建模方法还包括如下步骤：
针对工艺系统量化模型应用过程中的数据扩充，实现模型的自学习自优化自升级，从而降低模型应用和升级难度。
具体地，金属增材制造工艺系统量库读取结构化工艺化模型自优化升级控制逻辑如图3所示，首先，金属增材制造工艺系统量化建模系统从扩充数据数据；其次，进行深度神经网络结构预设和网络训练参数预设；然后，按照预设深度网络结构参数和网络训练参数对焊缝成形预测深度神经网络进行训练；接着，对深度神经网络焊缝成形预测模型进行效能评估，如果评估未通过，则通过网络结构优化算法改进深度神经网络结构参数，同时通过网络训练参数优化算法自动调整网络训练参数，并再次进行网路训练，直至模型效能评估通过；最后，对通过效能评估的深度神经网络模型进行在线部署。
由此可见，本方法通过对对金属增材制造工艺系统参数多、数据少、分布离散、多维高度非线性、强耦合的显著特征，采用物联网、大数据、深度学习和云计算技术，解决不同设备不同材料不同工艺方法多维多样数据的分析、应用和可视化难题，具有无数据维度类型范围等限制、多维高度非线性量化关系拟合泛化能力强、模型计算分析预测高效精准、自学习自优化强辅助等显著特性和极强的工程应用价值。
具体地，上述步骤101中，金属增材制造工艺系统由设备、工况、材料和工艺四部分共同确定，其核心数据包括设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能数据，数据基于互联网和物联网源自网络化工艺数据采集和分布式短时小容量记录存储，其中，
设备信息包括厂家型号、额定功率、工作温度、工作湿度、重复定位精度、最大负载、占载率、功率、能效、帧率、采样率、刷新率等等，数据源自运动、工艺、控制和监测四类设备，运动设备可以是机器人、增材制造专机、变位机等，工艺设备可以是熔焊电源、激光器、电子束焊机、超声波焊机、真空或保护氛围装置、多成分混粉装置、辅加能场装置等，控制设备可以是机器人控制机器、嵌入式主机、工控机、远程控制器等，监测设备可以是位移传感器、距离传感器、温度传感器、湿度传感器、电流传感器、湿电压传感器、磁场传感器、力传感器、黑白相机、彩色相机、深度相机、3D相机、高速相机、麦克风、显示器等。
工况条件包括环境温度、环境湿度、传热条件、加持约束、导电条件、传声条件、光吸收率等等，数据源自环境传感器、基板加持状态和工装夹具材料、基板材料、工艺原材料、保护气体等材料及其与热源和工况环境的相互作用特性。
工艺参数包括运动参数、电弧参数、磁场参数、超声场参数、激光参数、能量协同参数等等，数据源自设备及其控制系统设定，运动参数包括增材路径、增材方向、焊枪姿态、增材速度、摆动参数、干伸长、离焦量、热源间距等，由运动设备控制系统控制；电弧参数包括电弧模式、送丝速度、焊接电流、电弧电压、电弧长度、保护气种类、气体流量等，由弧焊电源系统控制，其中电弧模式可选熔化极MIG/MAG/PULSE/CMT、非熔化极TIG、等离子PLASMA、复合电弧等，保护气体可以是Ar、He、CO2、O2、H2、N2及其二元或三元保护气；磁场参数包括磁场类型、磁感应强度、振幅、频率等，由磁场控制系统控制；超声场参数包括模式、电流、振幅、频率、功率等，由超声场控制系统控制；激光参数包括激光类型、光束质量、功率、激光脉冲波形、光斑尺寸等，由激光束控制系统控制；能量协同参数包括热源相对位置姿态参数、能场功率相位时序匹配参数、能场能量耦合调控参数等，由能量协同控制系统控制。
母材状态包括材料成分、热处理状态、屈服强度、抗拉强度、冲击韧性、延伸率、晶粒度、组织特性等等，数据源自基板母材的分析检测。
能场参量包括磁场参数、超声场参数、温度场参数、应力场参数、流场参数、耦合场参数等等，数据源自工艺过程实验实测或数值模拟计算，其由设备状态、工况条件、工艺参数、母材状态、工艺原材料与能场的耦合作用共同决定，并严重影响目标结构的熔覆成形、微观组织和结构性能，工艺原材料可选不锈钢、钛合金、镍合金、铝合金、高熵合金、金属基复合材料等金属材料的粉末、丝材，其数据包含元素、相等组元的组成、比例、自身特性、热物理参数等数据。
熔覆成形包括熔覆层尺寸、热影响区尺寸、熔合比、搭接率、缺陷类型、缺陷尺寸、粗糙度、垂直度等等，数据源自工艺过程在线监测和增材结构的分析检测。
微观组织包括元素分布、相组成、晶粒尺寸、相分布、晶粒取向、晶界类型、晶界密度等等，数据源自增材结构的分析检测。
结构性能包括强度性能、塑性参数、韧性参数、腐蚀性能、高温性能、疲劳性能、蠕变性能等等，数据源自增材结构的分析检测。
金属增材制造工艺数据，以工艺控制为核心以揭示工艺对结构性能影响因素为目的进行结构化整理，以避免遗漏错位及内涵缺失，便于对数据的理解核实溯源，具体步骤包括：
(1-1)金属增材制造工艺系统核心数据按各自来源逐一核查无误后，进行汇总；
(1-2)标注结构化编号、来源时间地点及单位、标注时间、对应原始数据编号等；
(1-3)按工艺原材料、热源类型和工艺方法进行分类，其中分类依据工艺原材料可以是成分、种类、牌号等，热源类型可以是电弧、激光、电子束、摩擦热等，工艺方法可以是直接能量沉积、选区熔化等；
(1-4)将分类后数据按照设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织、结构性能进行结构化编排和存储；
(1-5)将金属增材制造工艺系统结构化数据和对应原始数据均按所属单位和时间戳进行打包加密和备份。
如此，经过上述步骤处理，便于复杂工艺系统数据采集、分析和管理，易于原始工艺数据量化和数据间复杂内在关系的量化建模，有利于量化模型的分析评估和应用。
上述步骤102，针对金属增材制造工艺系统的显著特征：
参数多、数据少、数据强耦合、数据关系多维高度非线性，
工艺数据来源、种类、内涵、维度、范围各不相同，
数据间相关性和对增材制造结构成形、组织、性能的决定性作用差异巨大，按照数据物理维度和特征进行筛检分类，并根据工艺数据的来源、种类、内涵进行精简，通过特征提取、分布状态评估等手段对其进行降维，以保持最大数据信息量为前提降低数据复杂度减少数据特征数量，进而改进模型性能，提高数据分析效率，降低数据可视化难度。
其中，
数据物理量包括空间(x、y、z)、时间t、温度T、力F、声功率W、电场强度E、磁感应强度B、速度v、流量Q、电流I、电压U、功率P及其相关物理量。数据物理维度包括以数字、波形、图片、视频、场量、时变场量、时变耦合场量为代表的1D、2D、3D、4D、5D、6D及更高维数据。数据分析所用基本数据类型为整型、浮点、逻辑等。
具体步骤包括：
(2-1)按照数据物理维度和特征进行筛检量化，对名称、种类等标签数据进行用整数进行数字化编号，对有无、开关、是否等状态用逻辑型进行量化，然后对全部数据按维度进行分类，其中，0D数据包含编号、状态量、常数等；1D数据包含电流波形、电压波形、送丝速度波形、声波、功率波形、热循环曲线等随时间变化的0D数据、偏移量、变形量、温度梯度、组织梯度等随空间位置变化的0D数据等；2D数据包括焊缝轮廓、金相组织、电弧、熔池、结构探伤等结构分析和工艺过程照片等；3D数据包括焊接路径、位置、姿态、工艺过程视频、元素分布、相分布等空间数据和时变2D数据；4D数据包括能场、温度场、流场、相场、应力场等物理场数据、元素、相、组织等组元的空间分布数据、时变3D数据等；5D数据包括时变物理场数据、二元耦合场数据(热力、热流、流固、声热、光热、电热等)等；6D数据包括机器人位姿数据、时变二元耦合场、三元耦合场(热流固、声热力、光电磁等)等；更高维数据主要包含多元耦合场及其时变场数据。
(2-2)根据工艺数据的来源、种类、内涵对量化数据进行精简，减少数据的绝对数量，以符合现阶段机器处理能力和人的识别能力。数据精简的常用策略包含过滤/重采样、分组聚合、模型拟合等，数据过滤方法包含缺失值比率、低方差滤波、高相关滤波、随机森林/组合树等。
(2-3)以保持最大数据信息量为前提，对工艺数据进行挖掘和降维处理，以去除无关特征避免维数灾难问题，获得低维的工艺系统特征数据集，主要数据挖掘方法为分类、回归分析、聚类、关联规则、特征、变化和偏差分析等，主要降维方法为主成分分析、反向特征消除、前向特征构造等。
(2-4)对工艺系统特征数据集进行标准化和归一化处理，以消除数据之间的量纲影响和奇异样本数据影响，主要标准化和归一化方法为min-max标准化、0-1标准化、线性函数归一化、离差标准化等。
上述步骤103，金属增材制造工艺系统归一化的结构性数据包括设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能数据。
神经网络结构由输入层、输出层和隐含层构成，输入层、输出层由工艺系统建模框架决定，隐含层可以是全连接层、卷积层、池化层、局部连接层、循环层、嵌入层、融合层、噪声层、残差层、LSTM层等及其任意组合形式，以平衡训练计算和模型性能。
模型训练包括损失函数、评价函数、优化器、激活函数、回调函数、初始化器、正则化器等的选用和相关参数的设定，取决于工艺数据特征和网络结构。
模型训练计算、结果评估和参数优化可以采用基于CPU+GPU异构多核并行高性能计算平台、高性能云计算平台、分布式边缘计算平台等，以满足实际计算需求为目的。
上述步骤104中，对工艺系统量化模型进行分析评估以验证模型性能，具体步骤为：
(4-1)在工艺系统量化模型输入数据集中，选定特征输入数据，可以是数据范围中间数据、对应性能最佳数据、结构数据最完整的数据等；
(4-2)针对预测模型，在输入数据范围内，基于单一变量原则，依次选定单一输入数据维度按梯度生成模型测试输入数据，和其余维度特征输入数据组成模型测试输入数据集，用预测模型进行预测，获得单变量模型预测数据集；
(4-3)基于单变量模型测试输入数据集和模型预测数据集，绘制所有输出对任意输入的响应曲线，并将实验实测数据进行同屏绘制，以直观对比模型预测数据对实验实测数据的拟合效果；
(4-4)用预测模型对实验实测数据输入数据集进行预测，获得实验实测数据入数据集的预测数据，并与其实验实测输出数据进行绝对误差、相对误差等分析，同时对实测数据和预测数据进行线性回归分析，确定预测模型精度；
(4-5)针对预测模型，在输入数据范围内，所有维度均按梯度生成模型测试输入数据集，并用预测模型进行预测，获得模型预测数据集；
(4-6)用二维云图对任意两个输入数据的响应数据进行可视化分析，用三维云图对任意三个输入数据的响应数据进行可视化分析，用三维云图动画对任意四个输入数据的响应数据进行可视化分析，用三维+颜色+散点尺寸+动画对任意五个输入数据的响应数据进行可视化分析，确定预测响应数据范围、最值、极值、等值线、梯度等特征；
(4-7)针对反演模型或预测神经网络预测结果，根据实际设备能效、工况环境和目标结构性能要求，确定工艺参数反演规则，以缩小工艺参数选择范围降低工艺参数选定难度；
(4-8)针对工艺系统量化模型，在输入数据范围外部，进行测试分析以验证其泛化能力，提高模型适用范围；
(4-9)根据单变量预测模型测试、全维度预测模型测试、预测响应数据特征分析等结果，设计实际工艺试验获取实测数据，对工艺系统量化模型进行实际实验验证，以综合评估其有效性、可靠性和反演规则的实用性、适用性；
(4-10)对工艺系统量化模型的预测和反演过程进行大量数据的长时间测试，分析其计算效率、模型精度等稳定性，综合优化模型计算效率。
上述的模型验证方法步骤不受数据维度、数据关系复杂度限制，普遍适用于复杂工艺系统量化建模。
上述步骤105，金属增材制造工艺系统量化模型，基于云计算技术进行应用部署和多终端访问，以弥补工艺系统相关设备计算、通讯、存储能力弱的现实问题，提高对老旧工艺设备的兼容性。
基于工艺系统量化模型，提供能场参量、熔覆成形、微观组织、结构性能等相关参数的预测和工艺参数反演服务，使增材系统工艺过程相关的设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能数据，均能以状态、数字、曲线、云图、动画等方式进行可视化，并提供工艺过程在线精准控制的开放接口，以辅助工艺过程参量的可视化调整与控制。
实施2：
以实施例1提供的方法来构建5083铝合金双丝CMT熔覆成形预测系统，重点展示金属增材制造工艺系统量化建模的完整流程与效果，其中，增材设备型号为FroniusTransPlus Synergic5000CMTR，自动弧焊机器人型号为KUKAKR60HA，基板牌号为5083-H116铝合金，基板尺寸为300mm×150mm×8mm，共6块；电弧类型为双丝共熔池，前丝脉冲PULS+后丝CMT方式，填充金属为ESABOKAutrod5183铝合金丝材，直径1.2mm，电弧电压24V；当前丝电流分别为160A、200A、240A时，后丝CMT电流分别为60A、80A、100A、120A、140A、160A；当后丝CMT电流分别为160A、200A、240A时，前丝脉冲电流分别为60A、110A、160A、210A、260A、310A；增材速度2m/min、保护气体25L/min、送丝速度8m/min，干伸长12mm，双丝间距4mm，保护气为纯氩气、流量30L/min。
5083铝合金双丝CMT熔覆成形预测系统构建步骤为：
步骤一、数据预处理：对于5083铝合金双丝CMT熔覆成形预测系统，系统变量仅为前丝电流和后丝电流，及其对应熔覆成形参数，如表1所示：
表1
步骤二、数据分析量化：对于5083铝合金双丝CMT熔覆成形工艺数据，前丝电流范围为60～310A，后丝电流范围为60～160A；熔深范围为0.687～3.054mm，熔宽范围为2.605～7.882mm，余高范围为1.918～3.36mm。由于样本不同特征的取值范围的巨大差异，可能导致迭代速度异常缓慢甚至出现奇异值，为减少特征取值的影响提高神经网络性能，利用最大最小值归一化方法(Min-maxnormalization)对特征数据进行处理，即对每个特征x，计算它的均值mean(x)、最大值max(x)和最小值min(x)，然后进行线性变换：
使结果落到[0,1]区间，以降低模型的训练难度、加快迭代速度、防止模型过拟合。
步骤三、工艺系统建模：5083铝合金双丝CMT熔覆成形预测系统深度神经网络结构包含输入层、隐含层1、隐含层2、输出层，输入层维度为2，隐含层维度为12，输出层维度为3。系统最终参数batch_size为5，epochs为5000，训练数据集大小为31，测试数据集大小为1，神经网络初始化算法为glorot_uniform，学习率为0.1。
步骤四、模型分析验证：5083铝合金双丝CMT熔覆成形预测系统误差评估结果如图4所示，对于最终待部署的熔覆成形预测深度神经网络，属于从前丝脉冲电流Ip和后丝CMT电流Ic到焊缝成形系数熔深D、熔宽W和余高H的多输入多输出高度非线性函数关系，可记为
为评估深度网络预测模型的有效性、准确性及其泛化能力，在Ip和Ic的合理取值范围内密集的生成大量的数据点进行预测，经拟归一化处理后与实验数据对比，单因素法分析焊缝成形参数的变化趋势，详细分析实测值与预测值之间的相关性和误差范围。
后丝电流Ic分别为90A/120A/150A时，熔深D、熔宽W和余高H随后丝电流Ip的变化趋势如图4a，前丝电流Ip分别为160A/200A/240A时，熔深D、熔宽W和余高H随前丝电流Ic的变化趋势如图4b。如图4a2——前丝电流90A时熔深D、熔宽W和余高H随后丝电流Ic的变化曲线，虚线为实验实测数据曲线，实线为DNN预测数据曲线，对应的两条曲线颜色一致。我们可以直观看出，无论是熔深、熔宽还是余高，预测值曲线随实测值曲线变化平滑无畸变，因防止过拟合导致神经网络泛化能力恶化，预测值并未经过样本数据点，而是贴近顺势变化，对于图4a3-a4和图4b2-b4也同样，预测神经网络表现出极好的多维拟合和泛化效果。根据图4a2-a4绝对误差和图4a1相对误差，训练样本熔深的预测值与实测值的最大误差<＝0.1mm，熔宽的预测值与实测值的最大误差<＝0.2mm，余高的预测值与实测值的最大误差<＝0.15mm，训练样本预测值误差波动较小，而且样本个体的最大相对误差未超过9％。
步骤五、量化模型应用：5083铝合金双丝CMT熔覆成形预测量化模型云端部署前端页面如图5，界面友好简洁、数据通讯流畅、服务响应快捷；
步骤六、数据扩充与模型自升级：5083铝合金双丝CMT熔覆成形预测量化模型应用过程中的数据扩充，按如图3的设计逻辑在后台进行自优化升级。
实施例3：
以实施例1提供的方法来构建机器人电弧增材制造工艺系统量化模型，重点展示对于复杂工艺系统量化建模的数据融合与量化建模思路，其中，增材设备型号为FroniusTransPlus Synergic5000CMTR，自动弧焊机器人型号为KUKAKR20R1810，丝材牌号为精泰MIG304、OKAutrod308LSi，焊丝直径为1.0mm、1.2mm，保护气体为纯氩、Ar+5％CO二元混合气，气体流量为12L/min、15L/min，基板材料牌号为304不锈钢、316不锈钢，基板尺寸为300mm×150mm×8mm、300mm×150mm×10mm，增材速度梯度为1-2-3-4-5-6-7-8-9-10mm/s，送丝速度梯度为3-4-5-6m/min，环境温度25℃、30℃，增材路径为Z字形、螺旋形，增材结构为实心方块，便于成形和性能检测。成形检测数据为表面缺陷、成形宽度、成形高度和粗糙度，结构性能检测数据为缺陷类型、缺陷尺寸、屈服强度、抗拉强度和延伸率。
机器人电弧增材制造工艺系统量化模型的构建步骤为：
步骤一、数据预处理：机器人电弧增材制造工艺系统建模工艺数据如图4所示，工艺数据基于设备信息和工况条件以工艺参数、熔覆成形和接头性能为核心，设备信息为不变量，工况条件仅环境温度可变，工艺参数为环境温度、基板牌号、基板厚度、丝材牌号、丝材直径、气体流量、送丝速度、增材速度、增材路径，熔覆成形数据为表面缺陷、成形宽度、成形高度和粗糙度，结构性能数据为缺陷类型、缺陷尺寸、屈服强度、抗拉强度和延伸率。
具体地，环境温度数值为25、30，单位℃；基板牌号304不锈钢、316不锈钢，编号为0、1；基板厚度数值为8、10，单位为mm；丝材牌号精泰MIG304、OKAutrod308LSi，编号为0、1；丝材直径1.0mm、1.2mm，非连续值，因此编号为0、1；气体流量数值为12、15，单位为L/min；送丝速度数值为3、4、5、6，单位为m/min；增材速度数值为1、2、3、4、5、6、7、8、9、10，单位为mm/s；增材路径Z字形、螺旋形，编号为0、1。
步骤二、数据分析量化：用min-max标准化方法对工艺数据进行处理，可得，环境温度0、1，浮点数；基板牌号0、1，整数；基板厚度0、1，浮点数；丝材牌号0、1，整数；丝材直径0、1，整数；气体流量0、1，浮点数；送丝速度0.00、0.33、0.67、1.00，浮点数；增材速度0.00、0.11、0.22、0.33、0.44、0.56、0.67、0.78、0.89、1.00，浮点数；增材路径0、1，整数。
步骤三、工艺系统建模：机器人电弧增材制造工艺系统建模核心网络如图6所示，工艺系统数据节点由工艺参数、熔覆成形和接头性能组成，工艺数据关系由熔覆成形预测、成形参数反演、接头性能预测、性能参数反演等四个核心网络，①熔覆成形预测模型以设备信息、工况条件、工艺参数为输入，以熔覆成形为输出；②成形参数反演模型以熔覆成形为输入，以工艺参数为输出；③接头性能预测模型以设备信息、工况条件、工艺参数、熔覆成形为输入，以接头性能为输出；④性能参数反演模型以接头性能为输入，以工艺参数为输出。
综上，本发明将物联网、大数据、深度学习和云计算技术融入金属增材制造工艺系统的量化建模及系统分析，通过对工艺设计、制造过程和结构性能历史数据的挖掘揭示结构和工艺技术隐含的专业知识，实现不同层面、不同种类、不同结构、不同含义、不同维度工艺数据融合，建立工艺参数、母材状态、能场参量、熔覆成形、微观组织、结构性能之间多维高度非线性量化关系模型，以预测成型结构性能和改进增材制造工艺提高金属结构综合性能及可靠性，支撑焊接大数据系统和高端智能化增材制造装备的研发。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (8)
1.一种金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，包括：
获取金属增材制造工艺系统相关联的多样多元多维离散强耦合原始数据，并对数据预处理，得到金属增材制造工艺数据；
对金属增材制造工艺数据进行分布状态评估、分类筛检、特征提取、归一化处理，得到金属增材制造工艺系统归一化的结构性数据；
针对金属增材制造工艺系统归一化的结构性数据，按照工艺系统建模框架，设计神经网络结构，设定模型训练参数，进行计算训练，经训练结果分析进行模型结构和参数优化，得到工艺系统量化模型；
所述工艺系统建模框架包括能场参量预测模型、熔覆成形预测模型、显微组织预测模型、结构性能预测模型、成形反演工艺模型、组织反演工艺模型、性能反演工艺模型七个核心网络；
所述能场参量预测模型以设备信息、工况条件、工艺参数为输入，以能场参量为输出；
所述熔覆成形预测模型以设备信息、工况条件、工艺参数、能场参量为输入，以熔覆成形为输出；
所述显微组织预测模型以设备信息、工况条件、工艺参数、能场参量为输入，以显微组织为输出；
所述结构性能预测模型以设备信息、工况条件、工艺参数、熔覆成形、显微组织为输入，以结构性能为输出；
所述组织反演工艺模型以显微组织为输入，以工艺参数为输出；
所述成形反演工艺模型以熔覆成形为输入，以工艺参数为输出；
所述性能反演工艺模型以结构性能为输入，以工艺参数为输出；
所述预测模型预测结果是唯一数值或等级值或等级概率，反演模型反演结果是系列工艺参数的数据集，根据设备能效和工况条件进行筛选。
2.如权利要求1所述的金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，还包括：
对所得到的工艺系统量化模型进行误差分析、特征分析、反演规则、实验验证、模型能效分析验证，具体包括：
在工艺系统量化模型输入数据集中，选定特征输入数据；
针对预测模型，在输入数据范围内，基于单一变量原则，依次选定单一输入数据维度按梯度生成模型测试输入数据，和其余维度特征输入数据组成模型测试输入数据集，用预测模型进行预测，获得单变量模型预测数据集；
基于单变量模型测试输入数据集和模型预测数据集，绘制所有输出对任意输入的响应曲线，并将实验实测数据进行同屏绘制，以直观对比模型预测数据对实验实测数据的拟合效果；
用预测模型对实验实测数据输入数据集进行预测，获得实验实测数据入数据集的预测数据，并与其实验实测输出数据进行绝对误差、相对误差分析，同时对实测数据和预测数据进行线性回归分析，确定预测模型精度；
针对预测模型，在输入数据范围内，所有维度均按梯度生成模型测试输入数据集，并用预测模型进行预测，获得模型预测数据集；
用二维云图对任意两个输入数据的响应数据进行可视化分析，用三维云图对任意三个输入数据的响应数据进行可视化分析，用三维云图动画对任意四个输入数据的响应数据进行可视化分析，用三维+颜色+散点尺寸+动画对任意五个输入数据的响应数据进行可视化分析，确定预测响应数据范围、最值、极值、等值线、梯度特征；
针对反演模型或预测神经网络预测结果，根据实际设备能效、工况环境和目标结构性能要求，确定工艺参数反演规则，以缩小工艺参数选择范围降低工艺参数选定难度；
针对工艺系统量化模型，在输入数据范围外部，进行测试分析以验证其泛化能力，提高模型适用范围；
根据单变量预测模型测试、全维度预测模型测试、预测响应数据特征分析结果，设计实际工艺试验获取实测数据，对工艺系统量化模型进行实际实验验证，以综合评估其有效性、可靠性和反演规则的实用性、适用性；
对工艺系统量化模型的预测和反演过程进行大量数据的长时间测试，分析其计算效率、模型精度稳定性，综合优化模型计算效率。
3.如权利要求2所述的金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，还包括：
将分析验证后的工艺系统量化模型进行云端部署，以进行多终端访问应用，根据模型的输入参数，输出对应的预测结果。
4.如权利要求3所述的金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，还包括：
针对工艺系统量化模型应用过程中的数据扩充，实现模型的自学习自优化自升级。
5.如权利要求1所述的金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，所述金属增材制造工艺系统相关联的多样多元多维离散强耦合原始数据包括设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能数据，数据基于互联网和物联网源自网络化工艺数据采集和分布式记录存储。
6.如权利要求5所述的金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，对数据预处理，得到金属增材制造工艺数据包括：
金属增材制造工艺系统核心数据按各自来源逐一核查无误后，进行汇总；
标注结构化编号、来源时间地点及单位、标注时间、对应原始数据编号；
按工艺原材料、热源类型和工艺方法进行分类；
将分类后数据按照设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织、结构性能进行结构化编排和存储；
将金属增材制造工艺系统结构化数据和对应原始数据均按所属单位和时间戳进行打包加密和备份。
7.如权利要求1所述的金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，所述对金属增材制造工艺数据进行分布状态评估、分类筛检、特征提取、归一化处理包括：
按照数据物理维度和特征进行筛检量化，对名称、种类标签数据进行用整数进行数字化编号，对有无、开关、是否状态用逻辑型进行量化，然后对全部数据按物理维度进行分类；
根据工艺数据的来源、种类、内涵对量化数据进行精简，减少数据的绝对数量，以符合现阶段机器处理能力和人的识别能力；
以保持最大数据信息量为前提，对工艺数据进行挖掘和降维处理，以去除无关特征避免维数灾难问题，获得低维的工艺系统特征数据集；
对工艺系统特征数据集进行标准化和归一化处理，以消除数据之间的量纲影响和奇异样本数据影响。
8.如权利要求1所述的金属增材制造工艺系统多维数据融合及量化建模方法，其特征在于，所述神经网络结构由输入层、输出层和隐含层构成，输入层、输出层由工艺系统建模框架决定，隐含层为全连接层、卷积层、池化层、局部连接层、循环层、嵌入层、融合层、噪声层、残差层、LSTM层中的一种或任意组合形式，以平衡训练计算和模型性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487155.4A CN112632720B (zh) | 2020-12-16 | 2020-12-16 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487155.4A CN112632720B (zh) | 2020-12-16 | 2020-12-16 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112632720A CN112632720A (zh) | 2021-04-09 |
| CN112632720B true CN112632720B (zh) | 2023-08-18 |
Family
ID=75313898
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011487155.4A Active CN112632720B (zh) | 2020-12-16 | 2020-12-16 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112632720B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113420385A (zh) * | 2021-05-25 | 2021-09-21 | 武汉工程大学 | 一种基于机器学习的钢材微观组织力学性能预测方法 |
| CN114003003A (zh) * | 2021-08-04 | 2022-02-01 | 上海航天设备制造总厂有限公司 | 一种激光熔覆过程工艺参数优化与稳定性控制方法 |
| CN114239389B (zh) * | 2021-12-07 | 2023-04-25 | 中国电子科技集团公司第二十九研究所 | 一种微波射频工艺ip仿真模型高保真建模方法及系统 |
| CN114101855B (zh) * | 2021-12-29 | 2023-02-14 | 福州大学 | 双相不锈钢的电弧增材制造及测试方法 |
| CN114860692B (zh) * | 2022-05-27 | 2023-04-18 | 国网河北省电力有限公司营销服务中心 | 一种电网运营诉求风险数据库及其应用 |
| CN114919819B (zh) * | 2022-06-01 | 2023-06-06 | 中迪机器人(盐城)有限公司 | 一种钢带贴膜自动化控制方法及系统 |
| CN115239769B (zh) * | 2022-06-02 | 2024-06-21 | 中国国家博物馆 | 对象的分布位置确定方法、装置、电子设备和介质 |
| CN115879380B (zh) * | 2023-02-20 | 2023-05-12 | 西南交通大学 | 岩体蠕变状态的判断方法、装置、设备及可读存储介质 |
| CN115906339B (zh) * | 2023-03-13 | 2023-09-29 | 中国建筑西北设计研究院有限公司 | 一种基于增材制造技术的建筑结构金属节点制造方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445127A (zh) * | 2015-11-27 | 2016-03-30 | 中国航空工业集团公司沈阳飞机设计研究所 | 基于增材制造的钛合金晶粒尺寸与疲劳强度关系分析方法 |
| CN106599385A (zh) * | 2016-11-11 | 2017-04-26 | 广东家易科技有限公司 | 一种新材料合成工艺的智能设计系统及方法 |
| CN107368642A (zh) * | 2017-07-13 | 2017-11-21 | 武汉大学 | 金属增材制造多尺度多物理场耦合仿真方法 |
| WO2019055538A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS OF ADDITIVE MANUFACTURING |
| CN110789128A (zh) * | 2019-10-24 | 2020-02-14 | 汕头大学 | 一种增材制造制件成形质量预测与控制系统及方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11491729B2 (en) * | 2018-05-02 | 2022-11-08 | Carnegie Mellon University | Non-dimensionalization of variables to enhance machine learning in additive manufacturing processes |
| US11009863B2 (en) * | 2018-06-14 | 2021-05-18 | Honeywell International Inc. | System and method for additive manufacturing process monitoring |
| US11383450B2 (en) * | 2018-10-03 | 2022-07-12 | National Cheng Kung University | Additive manufacturing system and method and feature extraction method |
-
2020
- 2020-12-16 CN CN202011487155.4A patent/CN112632720B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105445127A (zh) * | 2015-11-27 | 2016-03-30 | 中国航空工业集团公司沈阳飞机设计研究所 | 基于增材制造的钛合金晶粒尺寸与疲劳强度关系分析方法 |
| CN106599385A (zh) * | 2016-11-11 | 2017-04-26 | 广东家易科技有限公司 | 一种新材料合成工艺的智能设计系统及方法 |
| CN107368642A (zh) * | 2017-07-13 | 2017-11-21 | 武汉大学 | 金属增材制造多尺度多物理场耦合仿真方法 |
| WO2019055538A1 (en) * | 2017-09-12 | 2019-03-21 | Arconic Inc. | SYSTEMS AND METHODS OF ADDITIVE MANUFACTURING |
| CN110789128A (zh) * | 2019-10-24 | 2020-02-14 | 汕头大学 | 一种增材制造制件成形质量预测与控制系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进BP神经网络的FDM成型工艺参数反演;陈雪芳等;《组合机床与自动化加工技术》;20110620(第06期);第48-51页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112632720A (zh) | 2021-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112632720B (zh) | 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 | |
| CN111177976B (zh) | 一种基于深度学习的弧焊焊缝成形精准预测方法 | |
| Liu et al. | Wire and arc additive manufacturing of metal components: a review of recent research developments | |
| Pashazadeh et al. | Statistical modeling and optimization of resistance spot welding process parameters using neural networks and multi-objective genetic algorithm | |
| Mu et al. | Toward a smart wire arc additive manufacturing system: A review on current developments and a framework of digital twin | |
| Juang et al. | Process parameter selection for optimizing the weld pool geometry in the tungsten inert gas welding of stainless steel | |
| Ugrasen et al. | Process optimization and estimation of machining performances using artificial neural network in wire EDM | |
| CN111024736B (zh) | 一种激光增材制造的缺陷在线监测方法 | |
| Li et al. | Multi-objective process parameters optimization of SLM using the ensemble of metamodels | |
| CN111015006B (zh) | 基于光谱信息的激光电弧复合焊接质量在线监测方法 | |
| CN112632724A (zh) | 金属增材制造工艺系统试验设计与结构化数据采集方法 | |
| Chen et al. | A parallel strategy for predicting the quality of welded joints in automotive bodies based on machine learning | |
| Deng et al. | Bead geometry prediction for multi-layer and multi-bead wire and arc additive manufacturing based on XGBoost | |
| CN116595872B (zh) | 基于多目标学习算法的焊接参数自适应预测方法 | |
| Yin et al. | Prediction of weld formation in 5083 aluminum alloy by twin-wire CMT welding based on deep learning | |
| Madrid et al. | Enabling reuse of inspection data to support robust design: a case in the aerospace industry | |
| CN111815286A (zh) | 一种焊接工艺信息系统 | |
| Sharma et al. | Machine learning algorithms based advanced optimization of wire-EDM parameters: an experimental investigation into titanium alloy | |
| Cai et al. | Monitoring of distance between laser beam and arc in laser-arc hybrid welding based on deep learning | |
| Mattera et al. | Semi-supervised learning for real-time anomaly detection in pulsed transfer wire arc additive manufacturing | |
| Kim et al. | A review on optimizations of welding parameters in GMA welding process | |
| Zhao et al. | Dynamic resistance signal–based wear monitoring of resistance spot welding electrodes | |
| CN114117684A (zh) | 基于机器学习的选区激光熔化成形316l不锈钢磨损预测方法 | |
| Kwon et al. | SMWA: A CAD-based decision support system for the efficient design of welding | |
| Lin et al. | Intelligent methodology for sensing, modeling, and control of weld penetration in robotic welding system |
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 |