CN112632724A - 金属增材制造工艺系统试验设计与结构化数据采集方法 - Google Patents
金属增材制造工艺系统试验设计与结构化数据采集方法 Download PDFInfo
- Publication number
- CN112632724A CN112632724A CN202011539152.0A CN202011539152A CN112632724A CN 112632724 A CN112632724 A CN 112632724A CN 202011539152 A CN202011539152 A CN 202011539152A CN 112632724 A CN112632724 A CN 112632724A
- Authority
- CN
- China
- Prior art keywords
- data
- test
- additive manufacturing
- metal additive
- process system
- 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
- 238000000034 method Methods 0.000 title claims abstract description 377
- 238000012360 testing method Methods 0.000 title claims abstract description 216
- 239000000654 additive Substances 0.000 title claims abstract description 129
- 230000000996 additive effect Effects 0.000 title claims abstract description 129
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 129
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 108
- 239000002184 metal Substances 0.000 title claims abstract description 108
- 238000013461 design Methods 0.000 title claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 302
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 239000000463 material Substances 0.000 claims abstract description 46
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 230000009897 systematic effect Effects 0.000 claims abstract description 14
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 238000005253 cladding Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 16
- 230000033001 locomotion Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 239000000758 substrate Substances 0.000 claims description 11
- 239000006185 dispersion Substances 0.000 claims description 10
- 238000013178 mathematical model Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 7
- 238000013401 experimental design Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000011056 performance test Methods 0.000 claims description 7
- 239000002994 raw material Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000001681 protective effect Effects 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000014509 gene expression Effects 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000013502 data validation Methods 0.000 claims description 2
- 238000011438 discrete method Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000012805 post-processing Methods 0.000 claims description 2
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims description 2
- 238000003466 welding Methods 0.000 abstract description 14
- 238000010168 coupling process Methods 0.000 abstract description 12
- 239000000203 mixture Substances 0.000 abstract description 10
- 238000012512 characterization method Methods 0.000 abstract description 9
- 238000007405 data analysis Methods 0.000 abstract description 9
- 230000004044 response Effects 0.000 abstract description 9
- 238000004445 quantitative analysis Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 description 13
- 239000007789 gas Substances 0.000 description 11
- 230000007797 corrosion Effects 0.000 description 10
- 238000005260 corrosion Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 9
- 230000008878 coupling Effects 0.000 description 8
- 238000005859 coupling reaction Methods 0.000 description 8
- 238000010891 electric arc Methods 0.000 description 7
- 239000012071 phase Substances 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 229910000838 Al alloy Inorganic materials 0.000 description 3
- 230000008018 melting Effects 0.000 description 3
- 238000002844 melting Methods 0.000 description 3
- 230000035515 penetration Effects 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 238000007711 solidification Methods 0.000 description 3
- 230000008023 solidification Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 238000002441 X-ray diffraction Methods 0.000 description 2
- 238000004833 X-ray photoelectron spectroscopy Methods 0.000 description 2
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 2
- 238000005452 bending Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000005 dynamic secondary ion mass spectrometry Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000010218 electron microscopic analysis Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 229910052748 manganese Inorganic materials 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 238000000399 optical microscopy Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000000682 scanning probe acoustic microscopy Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000009864 tensile test Methods 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 230000000930 thermomechanical effect Effects 0.000 description 2
- 238000005011 time of flight secondary ion mass spectroscopy Methods 0.000 description 2
- 238000002042 time-of-flight secondary ion mass spectrometry Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 241000282994 Cervidae Species 0.000 description 1
- 229910000990 Ni alloy Inorganic materials 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000005267 amalgamation Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012669 compression test Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013400 design of experiment Methods 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 238000002050 diffraction method Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 238000009661 fatigue test Methods 0.000 description 1
- 238000007656 fracture toughness test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 229910001338 liquidmetal Inorganic materials 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 230000005389 magnetism Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 238000009862 microstructural analysis Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000329 molecular dynamics simulation Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004621 scanning probe microscopy Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000005469 synchrotron radiation Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000002411 thermogravimetry Methods 0.000 description 1
- 239000010936 titanium Substances 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/14—Error detection or correction of the data by redundancy in operation
- G06F11/1402—Saving, restoring, recovering or retrying
- G06F11/1446—Point-in-time backing up or restoration of persistent data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
- G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses
-
- 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
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- 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
- G06F2111/08—Probabilistic or stochastic 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Factory Administration (AREA)
Abstract
本发明基于对金属增材制造工艺系统特征、机理、数据及其内在复杂关系量化建模需求的综合分析，详细阐述工艺数据组成及数据节点关系框架，将现代试验设计、先进材料表征、多物理场数值模拟和大数据分析技术融入系统性工艺试验设计及结构化工艺数据采集过程，以均匀性和正交性为原则通过精心设计试验点和工艺数据采集方案获得建立优质深度神经网络预测模型所需的全部数据，聚焦多个变量的共同响应重点关注综合试验质量和试验效率，实现工艺系统高度关联的多样多元多维离散强耦合工艺数据的结构化高效采集，为复杂制造工艺系统量化分析及工艺过程机理建模提供数据支撑，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。
Description
技术领域
本发明涉及数据采集分析，具体涉及一种金属增材制造工艺系统试验设计与结构化数据采集方法
背景技术
金属增材制造(Additive Manufacturing,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。
金属增材制造过程信息采集与分析表征是其工艺机理揭示与过程控制的核心关键。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异常复杂，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通过传统试验方法获得建立工艺系统内在量化关系模型所必需的全部试验数据，在保证试验质量和效率的前提下进行工艺数据系统性结构化采集，为金属增材制造工艺系统量化表征建模分析提供数据支撑。
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，却缺乏有效的结构化工艺数据采集手段，研发一种金属增材制造工艺系统试验设计与结构化数据采集方法成为当务之急。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种金属增材制造工艺系统试验设计与结构化数据采集方法。
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试验设计与结构化数据采集方法，所述方法包括：
步骤一：对金属增材制造工艺系统进行综合分析，以支持工艺试验方案设计和工艺过程机理建模分析；
步骤二：根据金属增材制造工艺系统特征和实际工程需求，确定金属增材制造工艺系统数据节点及其主要参数，制定工艺参数设定表，选定过程参量采集办法和指标数据测试方法，核实试验成本及周期，明确具体试验操作步骤，统筹数据采集试验时间安排，确定数据采集试验方案；
步骤三：根据所确定的数据采集试验方案来实施金属增材制造工艺试验并对工艺过程进行参量采集和控制优化，对工艺试验无法或难以测得的物理场变量进行机理建模、数值模拟、计算结果分析，将试验和模拟所得数据进行比较印证，以确保原始数据真实可靠地反映物理现象本质；
步骤四：对工艺试验所得金属增材制造结构检测分析与表征，获得增材结构检测分析的原始数据；
步骤五：对所获得的工艺系统原始数据进行结构化处理，以确保数据完整、安全；
步骤六：通过对结构化处理后的工艺系统原始数据的持续采集和挖掘分析，揭示金属增材制造结构和工艺技术隐含的专业知识，补充或扩充工艺数据集。
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特征、机理、数据及其内在复杂关系量化建模需求的综合分析，聚焦工艺系统实体在不同物理场和尺度下相关工艺数据及其关系的内驱性变化特征、工艺数据间内在关系的本征性质和结构性数据对复杂关系量化建模质量的决定性影响，极有利于对工艺数据和数据关系的深层理解；
(2)详细阐述工艺数据组成及数据节点关系，明确了金属增材制造工艺系统数据采集的对象和数据采集对象间的结构性关系框架，为工艺数据的系统性采集奠定基础，有利于工艺系统的量化分析、工艺数据的共享和应用；
(3)以均匀性和正交性为原则对金属增材制造工艺系统进行工艺试验设计，聚焦多个变量的共同响应重点关注综合试验质量和试验效率，既保证了量化关系模型精准度和试验质量，又极大减少了试验次数避免了时间、能耗、资源等各种浪费；
(4)将先进材料表征(步骤四)、多物理场数值模拟(步骤三)和大数据分析技术(步骤五和6)融入系统性结构化工艺数据采集过程，解决了金属增材制造工艺系统指标多、数据少、采集困难、成本高、关系复杂难分析的问题；
(5)通过对金属增材制造工艺系统量化模型使用过程中产生的智能化工艺设计、制造过程监测和结构性能测试数据的分析挖掘，以扩充基础工艺数据库和试验点数据特征集，有利于改善工艺系统量化模型的预测精度、泛化能力和鲁棒性；
(6)复杂工艺系统高度关联的多样多元多维离散强耦合工艺数据结构化高效采集的可靠实现，为复杂制造工艺系统量化分析及工艺过程机理建模提供数据支撑，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试验设计与结构化数据采集方法核心步骤流程图；
图2为金属增材制造工艺系统结构化工艺数据组成；
图3为金属增材制造工艺系统工艺参数节点内主要参数组成；
图4为金属增材制造工艺系统主要参数中运动参数对应多水平试验点；
图5为金属增材制造工艺系统工艺试验及工艺数据采集流程统筹安排图示；
图6为CMT电弧增材制造工艺系统部分工艺参数数据；
图7为CMT电弧增材制造工艺系统部分温度场数据；
图8为CMT电弧增材制造工艺系统部分熔覆成形和微观组织数据。
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试验设计与结构化数据采集方法主要包括如下步骤：
101、对金属增材制造工艺系统进行综合分析，以支持工艺试验方案设计和工艺过程机理建模分析；
具体地，针对金属增材制造工艺系统数据组成及其关系、工艺机理、模型性能和效率需求、量化建模数据需求、工艺数据采集成本和时效、数据离散程度及关系复杂度、核心数据维度及模型分析可视化难度等进行综合分析评估。
102、根据金属增材制造工艺系统特征和实际工程需求，确定金属增材制造工艺系统数据节点及其主要参数，制定工艺参数设定表，选定过程参量采集办法和指标数据测试方法，核实试验成本及周期，明确具体试验操作步骤，统筹数据采集试验时间安排，确定数据采集试验方案，从而可以确保工艺数据采集过程精准高效、最终数据真实可靠。
103、根据所确定的数据采集试验方案来实施金属增材制造工艺试验并对工艺过程进行参量采集和控制优化，对工艺试验无法或难以测得的物理场变量进行机理建模、数值模拟、计算结果分析，将试验和模拟所得数据进行比较印证，以确保原始数据真实可靠地反映物理现象本质；
104、对工艺试验所得金属增材制造结构进行成分、成形、组织、性能等方面的检测分析与表征，获得增材结构检测分析的原始数据。
105、对所获得的工艺系统原始数据进行结构化处理，以确保数据完整、安全。
具体地，对工艺试验所得原始数据进行汇总打包、原始备份、清洗、可视化分析、比较验证、过滤降维、特征提取、数据融合、结构化处理等操作，并进行存储和管理维护，确保工艺数据完整、安全；也就是说，工艺系统所产生的原始数据，有两个来源：一是试验所得，例如所述步骤一到步骤四，有目的性的数据采集；二是工程应用所得，例如所述工艺系统在实际工程应用中，所涉及的工艺设计、制造过程和结构性能，这些数据虽然离散凌乱，但也是有意义。
106、通过对结构化处理后的工艺系统原始数据的持续采集和挖掘分析，揭示金属增材制造结构和工艺技术隐含的专业知识，补充或扩充工艺数据集，以为为工艺系统量化建模、仿真预测和改进产品性能及可靠性提供完整数据支撑。
在上述步骤101中，金属增材制造工艺系统由设备、工况、材料和工艺四部分组成，如图2所示，金属增材制造工艺数据按照设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能等八个数据节点进行结构化。
具体地，工艺系统设备由运动、工艺、控制和监测等四类组成，设备信息涉及厂家型号、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、帧率、采样率、刷新率等等，原始数据是设备铭牌、说明书、操作指南等，数据类型为常量。
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数据，一般来源为材料手册、文献书籍、经验公式推算、数值模拟计算或实验测定，数据类型为常量或波形。
金属增材制造工艺系统工艺参数节点内具体参数组成如图3所示，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，金属增材制造工艺系统主要参数中运动参数对应多水平试验点如图4所示，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；每个具体参数取样次数为n，均匀取样序列为1、2、3、……、n-2、n-1、n。
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、送粉速率等，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，保护气体种类可选Ar、He、CO、CO2、O2、H2、N2及其二元、三元或多元保护气等；磁场参数包括磁场类型、磁感应强度、振幅、频率等；超声场参数包括模式、电流、振幅、频率、功率等；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；能量协同参数包括热源相对位置、热源相对姿态、能场功率匹配、能场相位匹配、能场时序匹配、多能场耦合调控等。原始数据来源为设备预先设定、过程信号在线监测分析结果，数据类型为常量或波形。
母材状态包括材料牌号、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，数据来源为基板母材的生产制造标准、材料手册、说明书、分析检测结果，原始数据类型为常量、范围、曲线或图片。
能场参量包括电场参数、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，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，数据来源为工艺过程实时监测采集或数值模拟计算，原始数据类型为常量、波形/曲线、场量、图片、视频等。
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，数据来源为工艺过程在线监测和增材结构的分析检测，原始数据类型为常量、图片、视频等。
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，原始数据类型为特殊文本、图片、视频等。
结构性能包括硬度指标、强度指标、弹性指标、塑性指标、韧性指标、耐腐蚀性能、高温性能、疲劳性能、蠕变性能等等，硬度指标包括洛氏硬度、维氏硬度、显微维氏硬度、布氏硬度、肖氏硬度、纳米压痕硬度、邵氏硬度等；强度指标包括强度极限、抗拉强度、屈服极限、屈服强度、抗弯强度、抗压强度、抗剪强度、抗扭强度等；弹性指标包括正弹性模量、切变弹性模量、比例极限、弹性极限等；塑性指标包括延伸率、断面收缩率；韧性指标包括冲击韧性、冲击吸收功、小能量多次冲击力、平面应变断裂韧度、条件断裂韧度等；耐腐蚀性能指标包括化学腐蚀、电化学腐蚀、晶间腐蚀、点腐蚀、应力腐蚀、腐蚀疲劳、腐蚀速率、腐蚀率等；高温性能指标包括高温蠕变、持久强度、应力松弛、高温强度、高温弹性、高温塑性等；疲劳性能指标包括对称应力下的疲劳、非对称循环应力下的疲劳、应变疲劳、疲劳裂纹扩展速率、热疲劳、腐蚀疲劳、接触疲劳、高温疲劳、低温疲劳等；蠕变性能指标包括蠕变极限、持久强度极限；数据源自增材结构的分析检测，原始数据类型为特殊文本、常数、曲线、图片、视频等。
工艺系统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关系组成：
①能场参量预测：设备信息+工况条件+工艺参数→能场参量
②熔覆成形预测：设备信息+工况条件+工艺参数+能场参量→熔覆成形
③显微组织预测：设备信息+工况条件+工艺参数+能场参量→显微组织
④结构性能预测：设备信息+工况条件+工艺参数+熔覆成形+显微组织→结构性能
⑤成形反演工艺：熔覆成形→工艺参数
⑥组织反演工艺：显微组织→工艺参数
⑦性能反演工艺：结构性能→工艺参数
增材制造工艺机理分析三要素为热源与耦合能场，材料输送、熔化与过渡，熔池形成、保护、流动、凝固与调控，决定着金属增材结构的成分、成形、组织和性能，是增材制造工艺机理建模和工艺数据主次因素排序的核心依据。
所述模型性能和效率需求主要考虑预测精度、模型计算效率、模型训练难以程度、计算量等因素。
量化建模数据需求主要考虑数据节点、特征质量、样本容量的选定。
工艺数据采集成本和时效主要考虑待采集数据种类、采集范围、采集条件和采集方法、准确度、成本及时效等因素。
数据离散程度及关系复杂度主要考虑工艺数据参数多、数据少，且来源、种类、内涵、维度、范围等方面差异大，数据关系强耦合、多维高度非线性等方面的特征，数据离散程度度量方法为极差、四分位差、平均差、方差、标准差、异众比率、离散系数等。
核心数据维度及模型分析可视化难度主要考虑核心工艺数据的完整性、准确性、可比性、一致性和数据维度，以及高维数据的可视化问题。
在上述步骤102中，确定工艺系统数据节点及其主要参数，并制定工艺参数设定表的具体步骤如下：
(2-1)明确金属增材制造工艺系统核心数据节点的状态和关系特征。即对特定工艺系统，设备信息是常量，工况条件、工艺参数、母材状态是自变量是因素，能场参量、熔覆成形、微观组织和结构性能是因变量是指标，其中能场参量是过程量既是因素又是指标，熔覆成形、微观组织和结构性能是金属增材制造结构主要评价指标，过程量由自变量决定且严重影响评价指标从而反映工艺机理本质。
(2-2)明确工艺系统核心数据的结构化特征。即对特定工艺系统，其结构化的工艺数据和具体参数是确定且有限的，数据节点间关系网络是已知且明确的，但数据节点内具体参数间的相互影响程度是未知和不确定的，而且对评价指标的贡献是有主次的。
(2-3)对工艺数据节点内具体因素和指标参数进行穷举和重要性排序，并根据实际工程对工艺系统量化模型功能的需求和成本预算，确定工艺系统数据节点及其主要参数。
(2-4)明确系统性工艺数据采集的核心目的。即借助现代试验设计方法通过精心设计试验点获得建立优质预测模型所需的全部数据，聚焦多个变量的共同响应影响，重点关注综合试验质量和试验效率。
(2-5)明确现代试验设计方法的本质。即在试验的范围内给出挑选代表性试验点的方法，使得选出的试验点能反映试验范围内各因素和试验指标的关系。试验点应取设计空间的典型子集，以从相互独立的设计变量中获取最大化的设计空间信息，因此试验点在设计空间中的分布应具有良好的正交性和均匀性，正交化序列取样，可以避免不可预知的多变量交互作用，试验点均匀分散可以保证试验点的代表性。
(2-6)明确试验设计方法的选择范围及其特征，并按实际需求选定试验设计方法。适用于金属增材制造工艺数据系统性结构化采集的现代试验设计方法主要有全面试验、正交试验、均匀试验、随机试验及其任意组合试验等方法。
全面试验设计是对所选取的试验因素的所有水平组合全部进行试验以获得全面试验信息的方法，主要用于单因素或双因素系统。
正交试验设计是根据正交性从全面试验中挑选有代表性的试验点，特点是：均匀分散，整齐可比。“均匀分散”使试验点均衡地分布在试验范围内，让每个试验点有充分的代表性；“整齐可比”使试验结果的分析十分方便，易于估计各因素的主效应和部分交互效应，从而可分析各因素对指标的影响大小和变化规律。对于多因素多水平试验，可以大大减少试验次数，是一种高效率、快速、经济的试验设计方法。
均匀试验设计只考虑试验点在试验范围内均匀散布而选择的试验点，当试验因素变化范围较大，需要取较多水平时，可以极大减少试验次数。
对于同一试验，当试验因素水平数增加时，全面试验设计试验次数则随水平数的指数增加，正交试验设计试验次数则随水平数的平方数增加，均匀试验设计试验次数随水平数增加而线性增加。
正交试验设计和均匀试验设计分别通过均匀设计表和正交表来编排试验，正交试验结果可用方差分析法进行分析；均匀试验结果可用回归分析法进行分析，便于同量化预测模型对比验证。
(2-7)明确工艺系统全部试验点数量确定原则，并确定试验点数量。工艺系统全部试验点数量必须满足以下两点：①足够的数据可以建立一个可以完整全面描述因变量对自变量响应的量化关系模型；②保证有更多的数据以使所建立的量化关系模型更接近于实际情况，特别是满足模型设计精度要求。
(2-8)明确金属增材制造工艺数据的系统性结构化采集的特点。即试验质量只由预测因变量对自变量响应数据的量化模型的精度决定，而无需盲目采集大量数据以期提高试验精度，以避免了时间、能耗、资源等各种浪费，提高了试验效率。
(2-9)选定过程参量采集办法和指标数据测试方法。对于金属增材制造工艺数据采集试验设计，设备信息是已知的，母材状态是选定的，工艺参数由工艺试验设计表设定，试验实测值源自信号在线采集；熔覆成形数据源自在线监测、直接测量和分析测试；工况条件数据源自书籍文献、数值计算和分析测试；能场参量数据源自在线监测、模拟仿真；微观组织数据采集依赖显微结构分析和先进材料表征技术；结构性能数据源自金属成分分析、材料热分析、性能测试实验、无损检测和数值计算。
其中，
信号在线采集主要是对位移传感器、距离传感器、温度传感器、湿度传感器、电流传感器、电压传感器、磁场传感器、力传感器、声音传感器等传感数据的记录和分析；
在线监测主要是对黑白相机、彩色相机、深度相机、3D相机、高速相机、红外热成像仪等视觉检测数据的观察、测量和深度处理；
分析检测主要涉及表面粗糙度分析、表面张力分析、粘度分析、热导率测量分析、电导率测量分析、声速测量分析等；
数值计算是针对具体材料特定的物理机制或反应机理，直接通过理论模型进行计算，以获得材料自身属性或结构性能数据；
模拟仿真是结合试验数据，通过理论模型进行计算以预测或再现实际物理过程，用于获得工艺过程全方位的完整数据。
显微结构分析方法主要包括光学显微分析与测量(OM)、扫描电子显微分析(SEM)、电子背散射衍射分析(EBSD)、透视电子显微分析(TEM)、X射线衍射分析(XRD)、能谱分析(EDS)等；
先进材料表征技术包括聚焦离子束分析(FIB)、俄歇电子能谱分析(AES)、X射线光电子能谱分析(XPS)、动态二次离子质谱分析(D-SIMS)、飞行时间二次离子质谱分析(TOF-SIMS)、同步辐射光源分析、中子源分析等；
材料热分析方法主要包括差示扫描量热法、热重分析、热机械分析、动态热机械分析等；
结构性能测试实验方法主要包括硬度测试、拉伸试验、弯曲与压缩试验、冲击韧性试验、断裂韧度试验、高温力学性能测试、疲劳试验等；
无损检测方法主要包括超声检测(UT)、射线检测(RT)、磁粉检测(MT)、渗透检测(PT)、涡流检测(ET)等。
如此，通过上述步骤，对金属增材制造工艺系统特征、机理、数据及其内在复杂关系量化建模需求的综合分析，聚焦工艺系统实体在不同物理场和尺度下相关工艺数据及其关系的内驱性变化特征、工艺数据间内在关系的本征性质和结构性数据对复杂关系量化建模质量的决定性影响，极有利于对工艺数据和数据关系的深层理解，明确数据采集对象。
同时，通过上述步骤，明确了金属增材制造工艺系统数据采集的对象和数据采集对象间的结构性关系框架，即采集对象是通过“数据节点-主要参数-具体参数-试验点”这样逐步确定的，关系框架是描述数据节点之间关系的，为工艺数据的系统性采集奠定基础，有利于工艺系统的量化分析、工艺数据的共享和应用。
此外，上述步骤以均匀性和正交性为原则对金属增材制造工艺系统进行工艺试验设计，聚焦多个变量的共同响应重点关注综合试验质量和试验效率，既保证了量化关系模型精准度和试验质量，又极大减少了试验次数避免了时间、能耗、资源等各种浪费。
在上述步骤103中，金属增材制造工艺过程动态数据的采集主要包含(a)工艺试验实施及工艺过程数据采集和(b)工艺过程数值模拟及计算结果提取分析，具体地，
金属增材制造工艺试验实施及工艺过程数据采集包含如下步骤：
(3-a-1)根据工艺试验设备中工装夹具、设备承载、运动能力以及试验人员的劳动强度，同时考虑试验效率、基板利用率、增材制造结构间的影响及其其他可能导致试验失控的因素，确定试验基板尺寸；
(3-a-2)按照工艺数据采集试验方案中试验点数量，确定基板、工艺原材料、保护气体等实验材料的数量，并制定采购方案、准备必要的存储条件；
(3-a-3)按照工艺过程数据采集需求，设计安装调试相关传感或检测设备，实现检测设备、工艺设备、运动设备和控制设备顺畅通讯与协调控制，确保工艺试验参数和过程数据采集的精准度和可靠性；
(3-a-4)按照工艺数据采集试验方案，统筹编排实验进度，并实施金属增材制造工艺试验并对工艺过程进行参量采集和优化控制；
(3-a-5)对试验所得的金属增材制造结构和工艺过程数据，按数据采集试验方案进行准确编号，并集中存放，避免试验样品遗失混淆，影响实验进展和数据完整性；
金属增材制造工艺过程数值模拟及计算结果提取分析包含如下步骤：
(3-b-1)按照工艺数据采集试验方案中对工艺系统物理场变量的实际需求，明确待分析和解决的科学问题，确定问题背后决定性的物理机制或现象；
(3-b-2)根据数值模拟的计算量和实际计算资源，将金属增材制造工艺过程的物理机制或现象，按尺度、物理场或实体进行细分抽象和简化；具体地，按尺度分类为宏观尺度有限元仿真、介观微观尺度相场法仿真、微观纳观尺度分子动力学仿真等，按物理场分类为电场、磁场、超声场、温度场、应力场、流场、耦合场等，按实体分类为热源能场、熔覆材料、熔池、增材结构。
(3-b-3)根据工艺系统物理机制和过程建立数学模型，确定模型初始条件和边界条件，数学模型包含以偏微分方程为代表的控制方程和其他表达状态量之间、状态量和材料性质之间关系的附加公式；
(3-b-4)根据待分析物理现象和待求数学模型，自主编程或选定相关数值计算软件，以便数学模型进行数值离散和求解分析，常用方法为有限单元法、有限体积法和有限差分法；
(3-b-5)建立金属增材制造工艺系统的几何模型，确定待分析实体的形状和尺寸，明确计算域，并根据工艺系统实际情况赋予各区域对应材料属性；
(3-b-6)划分网格以对几何模型进行空间离散，对瞬态问题求解，设定计算初始条件，添加表达材料性质或者在后处理中需要用到的函数和关系式；
(3-b-7)选择待分析物理过程对应的计算模块或者物理场，指定每个物理场在几何模型的边界上对应实际问题的边界条件，并根据工艺参数和工况条件赋值；
(3-b-8)选择求解器，确定数学模型离散方法和参数，设定求解的时间和步长、迭代方式和控制参数以及允许的误差；
(3-b-9)计算求解，并根据工艺数据采集试验方案提取物理场数据并分析相关参量，并保存为曲线、图片、视频等，以备后续使用。
如此，通过上述步骤解决了金属增材制造工艺系统指标多、数据少、采集困难、成本高、关系复杂难分析的技术问题。
在上述步骤105中，金属增材制造工艺数据的系统性结构化处理主要步骤如下：
(5-1)对工艺试验所得的数据节点-主要参数-具体参数-试验点一一对应且带有明确标签的包含实验策划、试验方案、实验记录、检测报告、设备运行报告、工艺原理分析报告、数据文本、公式、模型、表格、图片、视频、程序、软件、特定格式文件等的相关全部原始数据进行汇总、打包、多方式原始备份；
(5-2)按照工艺数据采集方案对工艺数据采集结果进行逐项核实，检查数据一致性，清除无关变量数值，标示奇异值，处理无效值、缺失值、重复值、乱码等，并详尽标注数据编号、来源、用途、每次操作内容和时间等，记录数据处理步骤、操作方法、最终效果等整理形成数据清洗报告，以备数据追溯和后期核查；
(5-3)自主编程或借助相关软件对数据进行可视化处理，确认试验点空间分布的均匀性和正交性，并对工艺数据进行全面的交叉验证，尤其数值模拟仿真数据和实验实测数据的对比分析，以去伪存真处理冲突数据，并形成数据验证报告；
(5-4)对工艺数据进行过滤和降维操作，以精简数据减少绝对数量，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，降维方法为主成分分析、反向特征消除、前向特征构造等；
(5-5)从工艺数据试验点对应的工艺参数采集数据、能场参量数据、熔覆成形数据、显微组织数据和结构性能测试数据中筛选和融合出最有效的数据特征，以提升模型的训练效果保证模型性能；
(5-6)将工艺数据特征集按照工艺数据、数据节点、主要参数、具体参数、试验点、数据特征进行自上而下一一对应的结构化处理、统计、编排、存储和备份。
如此，通过上述步骤，通过将先进材料表征、多物理场数值模拟和大数据分析技术融入系统性结构化工艺数据采集过程，解决了金属增材制造工艺系统指标多、数据少、采集困难、成本高、关系复杂难分析的问题。
在上述步骤106中，金属增材制造工艺数据扩充包含基础工艺数据库扩充和试验点数据特征扩充，目的是提高或改善工艺系统量化模型的预测精度、泛化能力和鲁棒性。前者是根据工艺数据采集试验方案所确定的统一的数据量化标准和单位，将对应金属增材制造工艺系统后续使用产生的工艺设计、制造过程监测和结构性能测试数据，按照结构化数据采集规范整合进基础工艺数据库；后者是借助深度神经网络和大数据分析技术对工艺数据进行深入分析挖掘，通过对数据的分类、融合、关联和整合构造更高效的数据特征集，提高数据特征的全局代表性，常用的数据挖掘方法有分类、回归分析、聚类、关联规则、特征、变化和偏差分析等。
如此，通过对金属增材制造工艺系统量化模型使用过程中产生的智能化工艺设计、制造过程监测和结构性能测试数据的分析挖掘，以扩充基础工艺数据库和试验点数据特征集，有利于改善工艺系统量化模型的预测精度、泛化能力和鲁棒性。
综上，复杂工艺系统高度关联的多样多元多维离散强耦合工艺数据结构化高效采集的可靠实现，为复杂制造工艺系统量化分析及工艺过程机理建模提供数据支撑，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。
实施例2：
金属增材制造工艺系统工艺试验及工艺数据采集流程统筹安排图示如图5所示，首先，基于实验材料和试件、自动增材制造及过程精准监测设备，进行大范围科学系统的增材制造工艺试验设计、实施、监测、控制与优化，其次，对金属增材制造工艺过程热源耦合、材料热效应等机理进行数学建模，然后，对工艺过程光电信号、压力、振动等参量进行采集，对熔覆层及热影响区HAZ进行量化，对显微组织进行光学显微OM、电子显微SEM、电子背散射衍射EBSD等量化分析，对增材制造结构硬度、强度、韧性、腐蚀等性能进行测试表征，同时，对声光电磁热流固及其耦合场进行数值仿真模拟分析，最后，借助Ubuntu+Tensorflow+Keras+Python+C/C++软件和技术通过自主编程实现对所得增材制造工艺数据进行清洗、挖掘、精简与融合等分析，并进行结构化存储管理。
实施例公开了一种金属增材制造工艺系统试验设计与结构化数据采集方法，具体实现步骤如下：
步骤一、金属增材制造工艺系统综合分析：
对于CMT电弧增材制造工艺系统，工艺数据组成按照设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能进行结构化处理，其中，设备信息涉及运动、工艺、控制和监测等四类，运动设备型号为KUKA KR 60 HA自动弧焊机器人，最大工作范围2033mm，重复定位精度±0.06mm；工艺设备型号为Fronius TransPlus Synergic5000 CMT R，最大电流500A，CMT模式下占载率100％；控制设备为KUKA KR C4控制柜，工作温度为5～45℃；检测设备为德国pco.dimax HS2超高速相机，全分辨率最高帧率5469fps，GWE-Ⅱ型焊接电信号采集仪，最大采样率1MHz。工况条件中环境温度25～30℃，环境湿度40％～60％，加持约束为刚性装夹。工艺参数包括运动参数、电弧参数，运动参数中增材路径为直线，焊枪垂直基板，无摆动，干伸长12～15mm，增材速度由试验方案设定，另外工艺原材料为ESAB OK Autrod 5183铝合金丝材，直径1.2mm；电弧参数中电弧模式为CMT，保护气为纯氩气，气体流量15L/min，焊接电流、电弧电压、电弧长度随送丝速度一元化设定，送丝速度由试验方案设定；母材状态中材料牌号5083铝合金，材料成分为4.00％Mg、0.40％Si、4.20％Mn、0.10％Cu、0.15％Ti、0.40％Fe、0.25％Zn、余量Al，热处理状态H116，屈服强度215.37MPa，抗拉强度305.29MPa，显微组织由α-Al基体、较大白色颗粒ALFe3和MnAl6混合相，即(Fe,Mn)Al6和弥散强化作用的细小的弥散相β-Mg2Al3组成。能场参量包括温度场参数、应力场参数，数据来源为工艺过程实时监测采集或数值模拟计算，原始数据类型为常量、波形/曲线、场量、图片、视频等。熔覆成形包括熔覆层尺寸、热影响区尺寸、搭接率，数据来源为增材结构的分析检测，原始数据类型为常量。微观组织包括晶粒尺寸、晶粒取向、晶界类型、晶界密度，数据源自增材结构的分析检测，原始数据类型为特殊文本、图片。结构性能包括硬度指标、强度指标、塑性指标，硬度指标为显微维氏硬度，强度指标为抗拉强度、屈服强度，塑性指标为延伸率，数据源自增材结构的分析检测，原始数据类型为特殊文本、常数、曲线。
工艺系统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关系组成，其中设备信息、工况条件为定值，关系简化为：
①能场参量预测：工艺参数→能场参量
②熔覆成形预测：工艺参数+能场参量→熔覆成形
③显微组织预测：工艺参数+能场参量→显微组织
④结构性能预测：工艺参数+熔覆成形+显微组织→结构性能
⑤成形反演工艺：熔覆成形→工艺参数
⑥组织反演工艺：显微组织→工艺参数
⑦性能反演工艺：结构性能→工艺参数
CMT电弧增材制造工艺机理为恒定或脉冲电流通过模型顶部的导电嘴施加到电极。电弧等离子体在电极和工件之间产生。焊丝作为电极被连续向工件方向送进，并因为高温电弧的热效应和大点流下的焊丝电阻热电极尖端熔化形成液态熔滴。熔滴在电极末端不断长大，然后分离并被快速转移到工件上。在高温熔滴的连续高速冲击和动态的高温高压电弧等离子体相互作用下，在工件上形成焊接熔池。熔池中的液态金属在体积力和表面力的综合作用下发生流动，并随电弧远离而冷却形成焊缝。惰性保护气体通过保护气喷嘴提供，用于防止熔融金属氧化。
本实施例工艺系统模型要求预测精度大于90％，单个工艺预测计算时间小于1s，模型数据规模较小，维度较低，训练难度可控，计算量在可接受范围之内。量化建模选用全部数据节点，特征依据专业知识选定，质量较高，样本容量应大于20组。工艺数据采集主要涉及工艺试验设计、基础条件准备、试验实施与过程监控、成形、组织和性能数据的分析检测，条件具备，成本和时效可控。本实施例工艺系统建模只关注主要因素，因此数据离散程度和复杂度在可接受范围，数据为不至于过高，分析和可视化难度可控。
步骤二、数据采集试验方案设计：根据工艺系统特征和实际工程需求，确定工艺系统数据节点及其主要参数，制定工艺参数设定表，选定过程参量采集办法和指标数据测试方法，核实试验成本及周期，明确具体试验操作步骤，统筹数据采集试验时间安排，确保工艺数据采集过程精准高效、最终数据真实可靠；
其中，确定工艺系统数据节点及其主要参数，并制定工艺参数设定表的具体步骤如下：
(2-1)对于CMT电弧增材制造工艺系统，设备信息、工况条件、母材状态是常量，工艺参数是自变量是因素，能场参量、熔覆成形、微观组织和结构性能是因变量是指标，其中能场参量是过程量既是因素又是指标，熔覆成形、微观组织和结构性能是金属增材制造结构主要评价指标，过程量由自变量决定且严重影响评价指标从而反映工艺机理本质。
(2-2)对于CMT电弧增材制造工艺系统，忽略设备信息、工况条件、母材状态等参量变化对能场参量、熔覆成形、微观组织和结构性能的影响，并忽略数据节点中次要参数对能场参量、熔覆成形、微观组织和结构性能的影响。
(2-3)经对工艺数据节点内具体因素和指标参数进行穷举和重要性排序，并根据实际工程对工艺系统量化模型功能的需求和成本预算，确定工艺系统数据节点为工艺参数、能场参量、熔覆成形、微观组织和结构性能，工艺参数中主要参数为运动参数和电弧参数，运动参数中具体参数为增材速度，电弧参数中具体参数为送丝速度，因此工艺参数中主要参数为增材速度和送丝速度。能场参量中主要参数为温度场和应力场，温度场中具体参数为时均最高温度及其位置，应力场中具体参数为最大米塞斯应力及其位置，因此能场参量中主要参数为时均最高温度及其位置和最大米塞斯应力及其位置。熔覆成形中主要参数为熔覆层尺寸、热影响区尺寸、搭接率，熔覆层尺寸中具体参数为熔深、熔宽和余高，热影响区尺寸中具体参数为平均热影响区宽度，因此熔覆成形中主要参数为熔覆层的熔深、熔宽、余高、平均热影响区宽度和搭接率。微观组织中主要参数为特征晶粒尺寸、晶粒取向、晶界类型和晶界密度。结构性能中主要参数为显微硬度、抗拉强度、屈服强度和延伸率。
(2-4)借助现代试验设计方法通过精心设计试验点获得建立优质预测模型所需的全部数据，聚焦多个变量的共同响应影响，重点关注综合试验质量和试验效率。
(2-5)使试验点在设计空间中的分布应具有良好的正交性和均匀性，避免不可预知的多变量交互作用，保证试验点的代表性。
(2-6)按实际需求选定试验设计方法为正交试验和随机试验结合的方式。
(2-7)预设全部试验点数量为30个。
(2-8)试验质量只由预测因变量对自变量响应数据的量化模型的精度决定。
(2-9)能场参量数据源自高速摄像分析和基于MOOSE的数值模拟计算；熔覆成形数据源自光学显微分析OM，设备为Axio Imager M2m；微观组织数据源自电子扫描显微分析SEM，设备为Nova NanoSEM 430；结构性能数据源自显微硬度测试和拉伸试验，设备分别为HVS-1000数显显微硬度计和Zwick Roell Z250万能拉伸试验机。
步骤三、工艺试验与数值模拟：按照工艺数据采集试验方案，确定基板尺寸为300mm×150mm×8mm，基板20块，工艺原材料5盘，保护气体10瓶，本地就近采购，具备存储条件，试验实施和数据采集整理顺利，设定和采集到的部分工艺参数数据如图6所示。按照金属增材制造工艺过程数值模拟及计算结果提取分析步骤，获得的部分温度场数据如图7所示；
步骤四、增材结构检测分析：按照数据采集试验方案，获得微观组织、结构性能检测分析的原始数据，部分熔覆成形和微观组织数据如图8所示；
步骤五、工艺数据结构化处理：对CMT电弧增材制造工艺系统工艺试验所得原始数据进行汇总打包、原始备份、清洗、可视化分析、比较验证、过滤降维、特征提取、数据融合、结构化处理等操作，并进行存储和管理维护；
步骤六、智能分析与数据扩充：按照实际工程需求，通过对CMT电弧增材制造工艺系统工艺设计、制造过程和结构性能历史数据的持续采集和挖掘分析，揭示金属增材制造结构和工艺技术隐含的专业知识，补充或扩充工艺数据集。
综上，本发明与现有技术相比，具有如下技术优势：
(1)对金属增材制造工艺系统特征、机理、数据及其内在复杂关系量化建模需求的综合分析，聚焦工艺系统实体在不同物理场和尺度下相关工艺数据及其关系的内驱性变化特征、工艺数据间内在关系的本征性质和结构性数据对复杂关系量化建模质量的决定性影响，极有利于对工艺数据和数据关系的深层理解；
(2)详细阐述工艺数据组成及数据节点关系，明确了金属增材制造工艺系统数据采集的对象和数据采集对象间的结构性关系框架，为工艺数据的系统性采集奠定基础，有利于工艺系统的量化分析、工艺数据的共享和应用；
(3)以均匀性和正交性为原则对金属增材制造工艺系统进行工艺试验设计，聚焦多个变量的共同响应重点关注综合试验质量和试验效率，既保证了量化关系模型精准度和试验质量，又极大减少了试验次数避免了时间、能耗、资源等各种浪费；
(4)将先进材料表征、多物理场数值模拟和大数据分析技术融入系统性结构化工艺数据采集过程，解决了金属增材制造工艺系统指标多、数据少、采集困难、成本高、关系复杂难分析的问题；
(5)通过对金属增材制造工艺系统量化模型使用过程中产生的智能化工艺设计、制造过程监测和结构性能测试数据的分析挖掘，以扩充基础工艺数据库和试验点数据特征集，有利于改善工艺系统量化模型的预测精度、泛化能力和鲁棒性；
(6)复杂工艺系统高度关联的多样多元多维离散强耦合工艺数据结构化高效采集的可靠实现，为复杂制造工艺系统量化分析及工艺过程机理建模提供数据支撑，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。
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 (10)
1.一种金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，所述方法包括：
步骤一：对金属增材制造工艺系统进行综合分析，以支持工艺试验方案设计和工艺过程机理建模分析；
步骤二：根据金属增材制造工艺系统特征和工程需求，确定金属增材制造工艺系统数据节点及其主要参数，制定工艺参数设定表，选定过程参量采集办法和指标数据测试方法，核实试验成本及周期，明确具体试验操作步骤，统筹数据采集试验时间安排，确定数据采集试验方案；
步骤三：根据所确定的数据采集试验方案来实施金属增材制造工艺试验并对工艺过程进行参量采集和控制优化，对工艺试验无法或难以测得的物理场变量进行机理建模、数值模拟、计算结果分析，将试验和模拟所得数据进行比较印证，以确保原始数据真实可靠地反映物理现象本质；
步骤四：对工艺试验所得金属增材制造结构检测分析与表征，获得增材结构检测分析的工艺系统原始数据；
步骤五：对所获得的工艺系统原始数据进行结构化处理，以确保数据完整、安全；
步骤六：通过对结构化处理后的工艺系统原始数据的持续采集和挖掘分析，揭示金属增材制造结构和工艺技术隐含的专业知识，补充或扩充工艺数据集。
2.如权利要求1所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，所述步骤一中，金属增材制造工艺系统由设备、工况、材料和工艺四部分组成，其核心数据按照设备信息、工况条件、工艺参数、母材状态、能场参量、熔覆成形、微观组织和结构性能八个数据节点进行结构化。
3.如权利要求1所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，所述步骤二，确定工艺系统数据节点及其主要参数，并制定工艺参数设定表的具体步骤如下：
明确金属增材制造工艺系统核心数据节点的状态和关系特征；
明确工艺系统核心数据的结构化特征；
对工艺数据节点内具体因素和指标参数进行穷举和重要性排序，并根据实际工程对工艺系统量化模型功能的需求和成本预算，确定工艺系统数据节点及其主要参数；
明确系统性工艺数据采集的核心目的；
明确现代试验设计方法的本质；
明确试验设计方法的选择范围及其特征，并按实际需求选定试验设计方法；
明确工艺系统全部试验点数量确定原则，并确定试验点数量；
明确金属增材制造工艺数据的系统性结构化采集的特点；
选定过程参量采集办法和指标数据测试方法。
4.如权利要求1所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，
所述步骤三中，对工艺过程进行参量采集和控制优化包括：
工艺试验实施及工艺过程数据采集；
工艺过程数值模拟及计算结果提取分析。
5.如权利要求4所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，所述工艺试验实施及工艺过程数据采集包括：
根据工艺试验设备中工装夹具、设备承载、运动能力，同时考虑试验效率、基板利用率、增材制造结构间的影响及其其他可能导致试验失控的因素，确定试验基板尺寸；
按照工艺数据采集试验方案中试验点数量，确定基板、工艺原材料、保护气体实验材料的数量，并制定采购方案、准备必要的存储条件；
按照工艺过程数据采集需求，设计安装调试相关传感或检测设备，实现检测设备、工艺设备、运动设备和控制设备顺畅通讯与协调控制，确保工艺试验参数和过程数据采集的精准度和可靠性；
按照工艺数据采集试验方案，统筹编排实验进度，并实施金属增材制造工艺试验并对工艺过程进行参量采集和优化控制；
对试验所得的金属增材制造结构和工艺过程数据，按数据采集试验方案进行准确编号，并集中存放。
6.如权利要求4或5所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，所述艺过程数值模拟及计算结果提取分析包括：
按照数据采集试验方案中对工艺系统物理场变量的实际需求，明确待分析和解决的科学问题，确定问题背后决定性的物理机制或现象；
根据数值模拟的计算量和实际计算资源，将金属增材制造工艺过程的物理机制或现象，按尺度、物理场或实体进行细分抽象和简化；
根据工艺系统物理机制和过程建立数学模型，确定模型初始条件和边界条件，数学模型包含以偏微分方程为代表的控制方程和其他表达状态量之间、状态量和材料性质之间关系的附加公式；
根据待分析物理现象和待求数学模型，自主编程或选定相关数值计算软件，以便数学模型进行数值离散和求解分析；
建立金属增材制造工艺系统的几何模型，确定待分析实体的形状和尺寸，明确计算域，并根据工艺系统实际情况赋予各区域对应材料属性；
划分网格以对几何模型进行空间离散，对瞬态问题求解，设定计算初始条件，添加表达材料性质或者在后处理中需要用到的函数和关系式；
选择待分析物理过程对应的计算模块或者物理场，指定每个物理场在几何模型的边界上对应实际问题的边界条件，并根据工艺参数和工况条件赋值；
选择求解器，确定数学模型离散方法和参数，设定求解的时间和步长、迭代方式和控制参数以及允许的误差；
计算求解，并根据工艺数据采集试验方案提取物理场数据并分析相关参量，并保存。
7.如权利要求6所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，在步骤五中，对所获得的工艺系统原始数据进行结构化处理包括：
对工艺试验所得的数据节点-主要参数-具体参数-试验点一一对应且带有明确标签的包含实验策划、试验方案、实验记录、检测报告、设备运行报告、工艺原理分析报告、数据文本、公式、模型、表格、图片、视频、程序、软件、特定格式文件的相关全部原始数据进行汇总、打包、多方式原始备份；
按照工艺数据采集方案对工艺数据采集结果进行逐项核实，检查数据一致性，清除无关变量数值，标示奇异值，处理无效值、缺失值、重复值、乱码等，并详尽标注数据编号、来源、用途、每次操作内容和时间等，记录数据处理步骤、操作方法、最终效果等整理形成数据清洗报告，以备数据追溯和后期核查；
自主编程或借助相关软件对数据进行可视化处理，确认试验点空间分布的均匀性和正交性，并对工艺数据进行全面的交叉验证，尤其数值模拟仿真数据和实验实测数据的对比分析，以去伪存真处理冲突数据，并形成数据验证报告；
对工艺数据进行过滤和降维操作，以精简数据减少绝对数量；
从工艺数据试验点对应的工艺参数采集数据、能场参量数据、熔覆成形数据、显微组织数据和结构性能测试数据中筛选和融合出最有效的数据特征，以提升模型的训练效果保证模型性能；
将工艺数据特征集按照工艺数据、数据节点、主要参数、具体参数、试验点、数据特征进行自上而下一一对应的结构化处理、统计、编排、存储和备份。
8.如权利要求7所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，所述对工艺数据进行过滤的过滤方法包括缺失值比率、低方差滤波、高相关滤波、随机森林/组合树，降维操作的降维方法包括主成分分析、反向特征消除、前向特征构造。
9.如权利要求1所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，在步骤六中，金属增材制造工艺数据扩充包含基础工艺数据库扩充和试验点数据特征扩充。
10.如权利要求2所述的金属增材制造工艺系统试验设计与结构化数据采集方法，其特征在于，所述核心数据来源为设备预先设定、过程信号在线监测分析结果，数据类型为常量或波形。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539152.0A CN112632724A (zh) | 2020-12-23 | 2020-12-23 | 金属增材制造工艺系统试验设计与结构化数据采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539152.0A CN112632724A (zh) | 2020-12-23 | 2020-12-23 | 金属增材制造工艺系统试验设计与结构化数据采集方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112632724A true CN112632724A (zh) | 2021-04-09 |
Family
ID=75321645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011539152.0A Pending CN112632724A (zh) | 2020-12-23 | 2020-12-23 | 金属增材制造工艺系统试验设计与结构化数据采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112632724A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113418560A (zh) * | 2021-06-29 | 2021-09-21 | 哈尔滨工业大学 | 一种快速制定树脂基复合材料成型工艺参数的设备及方法 |
| CN115146512A (zh) * | 2022-07-22 | 2022-10-04 | 南京航空航天大学 | 一种以增材制造构件服役性能为驱动的材料多次迭代混合设计方法 |
| CN115740498A (zh) * | 2022-11-23 | 2023-03-07 | 河北科技大学 | 选区激光熔化优化成型质量三元耦合调控方法 |
| CN116306040A (zh) * | 2023-05-19 | 2023-06-23 | 成都飞机工业（集团）有限责任公司 | 一种复材生产线流程仿真动态产能标定系统及方法 |
| CN116629128A (zh) * | 2023-05-30 | 2023-08-22 | 哈尔滨工业大学 | 一种基于深度强化学习的控制电弧增材成型的方法 |
| CN117219213A (zh) * | 2023-11-07 | 2023-12-12 | 中北大学 | 相场法定量预测含铌奥氏体不锈钢铌化物析出规律的方法 |
| CN117453216A (zh) * | 2023-11-03 | 2024-01-26 | 深圳市金石三维打印科技有限公司 | 基于3d打印设备的控制软件开发编辑方法及系统 |
| CN117870423A (zh) * | 2024-03-13 | 2024-04-12 | 上海妙可士材料科技有限公司 | 一种高导热液态金属相变片及其制备方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020157478A1 (en) * | 2001-04-26 | 2002-10-31 | Seale Joseph B. | System and method for quantifying material properties |
| US20170090462A1 (en) * | 2015-09-30 | 2017-03-30 | Sigma Labs, Inc. | Systems and methods for additive manufacturing operations |
| 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 |
| CN109514069A (zh) * | 2018-11-15 | 2019-03-26 | 中国航空制造技术研究院 | 电子束熔丝增材制造工艺的应力变形控制方法及装置 |
| US20190275585A1 (en) * | 2018-03-07 | 2019-09-12 | Ansys, Inc. | Systems and methods for performing microstructure simulation and implementation of additive manufacturing processes |
| CN111523268A (zh) * | 2020-04-22 | 2020-08-11 | 四川大学 | 一种基于机器学习的材料抗疲劳优化设计方法 |
| US20200276669A1 (en) * | 2017-11-10 | 2020-09-03 | Renishaw Plc | Spatial mapping of sensor data collected during additive manufacturing |
-
2020
- 2020-12-23 CN CN202011539152.0A patent/CN112632724A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020157478A1 (en) * | 2001-04-26 | 2002-10-31 | Seale Joseph B. | System and method for quantifying material properties |
| US20170090462A1 (en) * | 2015-09-30 | 2017-03-30 | Sigma Labs, Inc. | Systems and methods for additive manufacturing operations |
| 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 |
| US20200276669A1 (en) * | 2017-11-10 | 2020-09-03 | Renishaw Plc | Spatial mapping of sensor data collected during additive manufacturing |
| US20190275585A1 (en) * | 2018-03-07 | 2019-09-12 | Ansys, Inc. | Systems and methods for performing microstructure simulation and implementation of additive manufacturing processes |
| CN109514069A (zh) * | 2018-11-15 | 2019-03-26 | 中国航空制造技术研究院 | 电子束熔丝增材制造工艺的应力变形控制方法及装置 |
| CN111523268A (zh) * | 2020-04-22 | 2020-08-11 | 四川大学 | 一种基于机器学习的材料抗疲劳优化设计方法 |
Non-Patent Citations (5)
| Title |
|---|
| KAREEM S. AGGOUR ET AL.: "Federated Multimodal Big Data Storage & Analytics Platform for Additive Manufacturing", 《2019 IEEE INTERNATIONAL CONFERENCE ON BIG DATA 》 * |
| WENTAO YAN ET AL.: "Modeling process-structure-property relationships for additive manufacturing", 《FRONTIERS OF MECHANICAL ENGINEERING》 * |
| 乔树雷: "金属选区激光熔化增材制造工艺数据库及工艺试验研究", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技I辑》 * |
| 朱继宏等: "面向增材制造的飞行器结构优化设计关键问题", 《航空制造技术》 * |
| 颜伟: "塑料成型工艺与模具综合实验平台", 《实验科学与技术》 * |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113418560A (zh) * | 2021-06-29 | 2021-09-21 | 哈尔滨工业大学 | 一种快速制定树脂基复合材料成型工艺参数的设备及方法 |
| CN115146512A (zh) * | 2022-07-22 | 2022-10-04 | 南京航空航天大学 | 一种以增材制造构件服役性能为驱动的材料多次迭代混合设计方法 |
| CN115740498B (zh) * | 2022-11-23 | 2023-08-04 | 河北科技大学 | 选区激光熔化优化成型质量三元耦合调控方法 |
| CN115740498A (zh) * | 2022-11-23 | 2023-03-07 | 河北科技大学 | 选区激光熔化优化成型质量三元耦合调控方法 |
| CN116306040B (zh) * | 2023-05-19 | 2023-10-03 | 成都飞机工业（集团）有限责任公司 | 一种复材生产线流程仿真动态产能标定系统及方法 |
| CN116306040A (zh) * | 2023-05-19 | 2023-06-23 | 成都飞机工业（集团）有限责任公司 | 一种复材生产线流程仿真动态产能标定系统及方法 |
| CN116629128A (zh) * | 2023-05-30 | 2023-08-22 | 哈尔滨工业大学 | 一种基于深度强化学习的控制电弧增材成型的方法 |
| CN116629128B (zh) * | 2023-05-30 | 2024-03-29 | 哈尔滨工业大学 | 一种基于深度强化学习的控制电弧增材成型的方法 |
| CN117453216A (zh) * | 2023-11-03 | 2024-01-26 | 深圳市金石三维打印科技有限公司 | 基于3d打印设备的控制软件开发编辑方法及系统 |
| CN117453216B (zh) * | 2023-11-03 | 2024-06-14 | 深圳市金石三维打印科技有限公司 | 基于3d打印设备的控制软件开发编辑方法及系统 |
| CN117219213A (zh) * | 2023-11-07 | 2023-12-12 | 中北大学 | 相场法定量预测含铌奥氏体不锈钢铌化物析出规律的方法 |
| CN117219213B (zh) * | 2023-11-07 | 2024-01-23 | 中北大学 | 相场法定量预测含铌奥氏体不锈钢铌化物析出规律的方法 |
| CN117870423A (zh) * | 2024-03-13 | 2024-04-12 | 上海妙可士材料科技有限公司 | 一种高导热液态金属相变片及其制备方法 |
| CN117870423B (zh) * | 2024-03-13 | 2024-05-31 | 上海妙可士材料科技有限公司 | 一种高导热液态金属相变片及其制备方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Levine et al. | Outcomes and conclusions from the 2018 AM-bench measurements, challenge problems, modeling submissions, and conference | |
| 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 | |
| Siefert et al. | Evaluation of the creep cavitation behavior in Grade 91 steels | |
| Saad et al. | Evaluation of welding processes based on multi-dimensional sustainability assessment model | |
| 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 | |
| JP2010214380A (ja) | リアルタイム溶接品質判定装置及び判定方法 | |
| Madrid et al. | Enabling reuse of inspection data to support robust design: a case in the aerospace industry | |
| US20230286075A1 (en) | Build plan assistance method and build plan assistance device | |
| Ghosh et al. | Investigation on dissimilar welding of AISI 409 ferritic stainless steel to AISI 316L austenitic stainless steel by using grey based Taguchi method | |
| Valiente Bermejo et al. | Computational thermodynamics in ferrite content prediction of austenitic stainless steel weldments | |
| Brayshaw et al. | Assessment of the micro-mechanical fracture processes within dissimilar metal welds | |
| El Ouafi et al. | Artificial neural network-based resistance spot welding quality assessment system | |
| Dhas et al. | Modeling and prediction of HAZ using finite element and neural network modeling | |
| Wang et al. | A novel surface temperature sensor and random forest-based welding quality prediction model | |
| Li et al. | Research and prospect of on-line monitoring technology for laser additive manufacturing | |
| Netto et al. | Optimization of GMAW Process Parameters in Ultra-High-Strength Steel Based on Prediction | |
| Andresen et al. | SCC of alloy 152/52 welds defects, repairs and dilution zones in PWR water | |
| Stavropoulos et al. | Quality assurance in resistance spot welding: state of practice, state of the art, and prospects | |
| Ganjabi et al. | Effects of various strength defects of spot weld on the connection strength under both static and cyclic loading conditions: empirical and numerical investigation | |
| CN105910921B (zh) | 一种预测dz125合金蠕变曲线的方法 | |
| Parker et al. | Manufacture and performance of welds in creep strength enhanced ferritic steels | |
| Aggarwal et al. | A methodology for investigating and modelling laser clad bead geometry and process parameter relationships | |
| Prajadhiana et al. | Experimental verification of numerical computation with evolved material property model and sensitivity analysis on WAAM distortion using P-GMAW | |
| Rafiei et al. | Process parameter optimization of WC/Inconel 625 metal matrix composites laser cladding based on the Taguchi approach and NSGA-II algorithm |
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 | ||
| AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20231017 |
|
| AD01 | Patent right deemed abandoned |