CN112916987B - 一种电弧增材制造在线监测及实时控制方法和系统 - Google Patents

一种电弧增材制造在线监测及实时控制方法和系统 Download PDF

Info

Publication number
CN112916987B
CN112916987B CN202110144413.7A CN202110144413A CN112916987B CN 112916987 B CN112916987 B CN 112916987B CN 202110144413 A CN202110144413 A CN 202110144413A CN 112916987 B CN112916987 B CN 112916987B
Authority
CN
China
Prior art keywords
data
control
real
additive manufacturing
time
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
Application number
CN202110144413.7A
Other languages
English (en)
Other versions
CN112916987A (zh
Inventor
刘长猛
黄俊锦
王天宇
韦金松
马树元
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202110144413.7A priority Critical patent/CN112916987B/zh
Publication of CN112916987A publication Critical patent/CN112916987A/zh
Application granted granted Critical
Publication of CN112916987B publication Critical patent/CN112916987B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
    • B23K9/00—Arc welding or cutting
    • B23K9/04—Welding for other purposes than joining, e.g. built-up welding
    • B23K9/044—Built-up welding on three-dimensional surfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B33—ADDITIVE MANUFACTURING TECHNOLOGY
    • B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
    • B33Y50/00—Data acquisition or data processing for additive manufacturing
    • B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Plasma & Fusion (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Arc Welding Control (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种电弧增材制造在线监测及实时控制方法和系统。其中，本发明提供的电弧增材制造在线监测及实时控制方法，通过实时监测电弧增材制造过程中的制造数据，采用训练后的实时调控模型，以实时监测得到的制造数据为输入得到最优的调控数据，然后依据得到的调控数据生成调控指令以完成对电弧增材制造过程的自适应控制和实时在线校准控制，进而提高电弧增材制造的的精确度，为实现大规模工件精确生产奠定基础。

Description

一种电弧增材制造在线监测及实时控制方法和系统
技术领域
本发明涉及电弧增材制造控制领域，特别是涉及一种电弧增材制造在线监测及实时控制方法和系统。
背景技术
二十一世纪以来，随着计算机技术、电子技术、控制工程、人工智能等学科的飞速发展，增材制造技术与上述学科的交叉融合进一步加深，为解决增材制造技术存在的问题提供了可能。
近年来，随着深度学习的迅猛发展，计算机视觉也成为了目前人工智能领域落地最顺利的技术。计算机视觉是一门研究如何用摄影机和计算机代替人眼对目标进行跟踪、识别、分析、处理等。监督学习通过大量数据样本可训练得到泛化能力较好的模型，在许多复杂问题应用场景中取得了非常好的效果。
增材制造(additive manufacturing，AM)技术，又称3D打印技术，是基于离散-堆积原理，由零件三维数据驱动，采用材料逐层累加的方法制造实体构件的快速成形技术。其中，电弧增材制造(WAAM)是以电弧为载能束，采用逐层堆焊的方式制造金属实体构件。电弧增材制造技术(WAAM)凭借在直接堆垛成形中大型金属零件上具有堆垛效率高、成形致密度好以及不受设备空间限制自由制造的特点成为近年来国内外学者研究的热点。
丝材电弧增材制造技术适于大尺寸且形状较复杂构件的低成本、高效快速成形，是与目前发展较成熟的激光增材制造方法优势互补的3D增材成形技术。目前，3D打印设备种类非常多，专用性非常强，因此市场上的成熟的控制系统很难满足个性化的需求，针对电弧增材制造装备的控制系统就更少了，难以在成熟的控制系统上进行二次开发。为实现制造过程的自适应控制，需要自行开发控制系统以及实时调控算法。并且，现有的增材制造装备控制系统数量较少，且不太成熟，难以在现有控制系统的基础上进行二次开发，集成度低等缺点。
发明内容
本发明的目的是提供一种具有操作简单、方便等特点的电弧增材制造在线监测及实时控制方法和系统，以实现电弧增材制造的自适应控制，进而提高电弧增材制造的的精确度。
为实现上述目的，本发明提供了如下方案：
一种电弧增材制造在线监测及实时控制方法，包括：
实时获取电弧增材制造数据；所述电弧增材制造数据包括：工件图像数据、工件温度数据和焊机电压数据；
获取训练后的实时调控模型；所述实时调控模型包括卷积神经网络和循环神经网络；
采用所述训练后的实时调控模型，以获取得到的所述电弧增材制造数据为输入得到调控数据；所述调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流；焊机电流包括：焊机基值电流和焊机峰值电流；
采用所述调控数据完成电弧增材制造过程的控制。
优选地，所述采用所述训练后的实时调控模型，以获取得到的所述电弧增材制造数据为输入得到调控数据，具体包括：
获取卷积神经网络；
采用所述卷积神经网络以所述工件图像数据为输入得到输出向量；
获取循环神经网络；
采用所述循环神经网络，以所述输出向量、所述工件温度数据和所述焊机电压数据为输入得到调控数据。
优选地，所述实时调控模型的损失函数为平方差损失函数。
优选地，所述获取训练后的实时调控模型，之前还包括：
获取实验过程中的电弧增材制造数据和与该数据相对应的调控数据，以构成训练样本数据对；
采用BPTT算法根据所述训练样本数据对对所述实时调控模型进行训练。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的电弧增材制造在线监测及实时控制方法，通过实时监测电弧增材制造过程中的制造数据，采用训练后的实时调控模型，以实时监测得到的制造数据为输入得到最优的调控数据，然后依据得到的调控数据生成调控指令以完成对电弧增材制造过程的自适应控制和实时在线校准控制，进而提高电弧增材制造的的精确度，为实现大规模工件精确生产奠定基础。
对应于上述提供的电弧增材制造在线监测及实时控制方法，本发明还提供了如下两种实施系统：
其中，一种电弧增材制造在线监测及实时控制系统，包括：
CCD相机，用于获取工件图像数据；
温度传感器，用于获取工件温度数据；
电压采集器，用于获取焊机电压数据；
上位机，植入有上述电弧增材制造在线监测及实时控制方法，用于根据所述工件图像数据、所述工件温度数据和所述焊机电压数据生成调控数据，并用于根据所述调控数据生成控制指令；所述控制指令包括：机床扫描指令、送丝指令和加热指令；所述调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流；焊机电流包括：焊机基值电流和焊机峰值电流；
焊机和热丝电源，与所述上位机连接，用于根据所述加热指令为电弧增材制造提供热源，以熔化丝材；
送丝机，与所述上位机连接，用于根据所述送丝指令为电弧增材制造输送丝材；
机床控制装置，与所述上位机连接，用于根据所述机床扫描指令控制机床的运动。
优选地，所述上位机包括：
机床运动控制模块，用于根据所述机床坐标与扫描速度生成所述机床扫描指令；
送丝控制模块，用于根据所述送丝机送丝速度生成送丝指令；
图像检测模块，用于生成图像采集指令，以控制所述CCD相机实时获取工件图像数据。
优选地，所述机床控制装置包括：
运动控制卡，与所述上位机连接，用于将所述机床扫描指令转换为电机脉冲数；
电机，与所述运动控制卡连接，用于根据所述电机脉冲数驱动所述机床进行运动。
优选地，还包括：
显示器，用于显示用于实施上述电弧增材制造在线监测及实时控制方法的人机交互界面；
限位/回零开关，与所述运动控制卡连接，用于控制所述电弧增材制造在线监测及实时控制系统的开闭。
另一种电弧增材制造在线监测及实时控制系统，包括：
电弧增材制造数据获取模块，用于实时获取电弧增材制造数据；所述电弧增材制造数据包括：工件图像数据、工件温度数据和焊机电压数据；
实时调控模型获取模块，用于获取训练后的实时调控模型；所述实时调控模型包括卷积神经网络和循环神经网络；
调控数据确定模块，用于采用所述训练后的实时调控模型，以获取得到的所述电弧增材制造数据为输入得到调控数据；所述调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流；焊机电流包括：焊机基值电流和焊机峰值电流；
制造控制模块，用于采用所述调控数据完成电弧增材制造过程的控制。
因本发明提供的两种电弧增材制造在线监测及实时控制系统所达到的技术效果与上述提供的电弧增材制造在线监测及实时控制方法的技术效果相同，在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的电弧增材制造在线监测及实时控制方法的流程图；
图2为本发明提供的实时调控模型的结构示意图；
图3为本发明提供的第一种电弧增材制造在线监测及实时控制系统的结构示意图；
图4为本发明提供的第二种电弧增材制造在线监测及实时控制系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种具有操作简单、方便等特点的电弧增材制造在线监测及实时控制方法和系统，以实现电弧增材制造的自适应控制，进而提高电弧增材制造的的精确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的电弧增材制造在线监测及实时控制方法，包括：
步骤100：实时获取电弧增材制造数据。电弧增材制造数据包括：工件图像数据、工件温度数据和焊机电压数据。
步骤110：获取训练后的实时调控模型。实时调控模型包括卷积神经网络和循环神经网络。实时调控模型的损失函数为平方差损失函数。
其中，实时调控模型的构建依据为：1)、由于每个时刻输入实时调控模型的数据Xt＝(Image,temperature,voltage)都有其对应的期望输出数据Yt＝(y1,y2,y3,y4,y5,y6)，所以在建立实时调控模型时，采用的是监督式的学习方法。2)、由于在工件的过程中，各个时刻的工艺参数是具有相关性的，每个时刻的工艺参数均可对最终的成型质量产生影响，因此可将其看作是一个时序信号，那么建立的实时调控模型需要能够处理时序信号，所以采用循环神经网络。3)、由于在每个时刻，实时监测的图像经过卷积神经网络输出的向量长度为8，加上工件温度和焊机电压两个参数，最终的输入数据向量长度为10，期望输出的参数个数为6。因此建立的实时调控模型接受的输入数据向量长度为10，输出数据的向量长度为6。
基于上述构建依据构建得到的实时调控模型的具体结构如图2所示。其中，X是输入，H是隐层单元，O为实时调控模型的输出，t为时刻的状态，V、W、U均为权值，同一类型的权所连接权值相同。其中需要注意的是，因为单元H在t时刻的表现不仅由该时刻的输入决定，还受所有t-p时刻的影响，p≤t。
步骤120：采用训练后的实时调控模型，以获取得到的电弧增材制造数据为输入得到调控数据。调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流。焊机电流包括：焊机基值电流和焊机峰值电流。
步骤120具体包括：
获取卷积神经网络。
采用卷积神经网络以工件图像数据为输入得到输出向量。
获取循环神经网络。
采用循环神经网络，以输出向量、工件温度数据和焊机电压数据为输入得到调控数据。
步骤130：采用调控数据完成电弧增材制造过程的控制。
进一步，在步骤110之前本发明为了进一步提高电弧增材制造的精确性，还优选包括：
A、获取实验过程中的电弧增材制造数据和与该数据相对应的调控数据，以构成训练样本数据对。该过程具体包括：
通过做实验，装备与真实环境交互来获得实验数据，在实验的过程中，通过人来观察实时的工况(即该时刻需要监测的数据，之后作为实时调控模型的输入数据)，并适时地进行人工调控(即需要实时调控的数据，人工调控后的数据可作为该时刻的期望输出数据)。其中，主要观察的参数为：工件图像、工件的温度、焊机电压。主要调控的参数为：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝电源的电流。
在进行大量实验后并记录相关的数据，以需要实时监测的参数作为实时调控模型的输入。以需要调控的参数作为输出。这样就可以通过每个时刻的数据对——(实时监测的参数，人工调控后的期望输出参数)所构成的数据集，来训练监督式的实时调控模型，进而得到输入输出的对应关系。
记录数据的具体方法为：假设每隔一段时间time记录一次实验数据，每打印一个工件需要的总时间为time，则需要记录的数据次数为
Figure BDA0002929660220000073
每个时刻的数据记录方法为：
(1)记录每个时刻的算法模型的输入数据
将当前时刻t的工件图像(224×224)、工件温度、焊机电压分别记作Image,temperature,voltage，Xt＝(Image,temperature,voltage)，然后对图像进行处理，将图像作为卷积神经网络的输入，卷积神经网络的作用是进行特征提取和降维，设定卷积神经网络的输出向量长度为8，可得Image(224x224)
Figure BDA0002929660220000071
卷积神经网络
Figure BDA0002929660220000072
(x1,x2,x3,x4,x5,x6,x7,x8)，再将temperature,voltage两个参数与卷积神经网络的输出向量拼接在一起。作为每个时刻的实时调控模型的输入向量：Xt＝(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10)。
(2)记录每个时刻的算法模型的期望输出数据
将需要调控的参数，即机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝电源的电流记作Yt＝(y1,y2,y3,y4,y5,y6)，之后将这些参数作为算法模型的期望输出。
每打印一个工件就记录T次实验数据，分别代表不同时刻的工况及其对应的期望输出参数。设开始时刻为0，最后时刻为K-1，即可得时序数据为：(X0,Y0),(X1,Y1)……(Xt,Yt)……(XK-1,YK-1)，因此，经过N次实验即可得到N个时序数据样本，作为实时调控模型的训练样本和测试样本，N个时序数据样本如下所示：
Figure BDA0002929660220000081
B、采用BPTT算法根据训练样本数据对对实时调控模型进行训练。该过程具体包括：
1)、前向传播过程
每一个时刻t的图像Imaget经过卷积神经网络，这里选择经典的卷积神经网络AlexNet，它接收输入为224×224大小的彩色图片数据，为实现特征提取和降维，修改AlexNet输出的向量长度It，It的向量长度为8，将工件温度temperature和焊机电压voltage这两个参数与It拼接，得到循环神经网络t时刻的输入向量Xt＝(x1,x2,x3,x4,x5,x6,x7,x8,x9,x10)。
则t时刻的实施调控模型的状态向量为：
It＝AlexNet(Imaget)，卷积神经网络AlexNet中的参数设为A。
Ht＝φ(UXt+WHt-1+B)
其中，φ()为中间隐藏层的激活函数，这里采用的是tanh函数，B为偏置向量。双曲正切函数的解析式如下：
Figure BDA0002929660220000082
实时调控模型的最终输出为Ot＝VHt+C。
其中，C为偏置向量，初始值H0经过随机初始化得到。
2)、实时调控模型的损失函数
由于该模型处理的是序列问题，因此该模型的损失不仅仅只是一个时刻的损失，而是全部K个时刻的损失之和。每一个时刻的输出值Ot与该时刻的期望输出值Yt都会产生一个误差值et(Losst)，因为损失函数也是有误差积累的，则总的误差(各个时刻的损失之和)可以表示为：
Figure BDA0002929660220000091
由于期望输出值Yt是连续的实数值，所以损失函数选择平方差损失函数，所以各个时刻的损失函数et(Losst)为：
Figure BDA0002929660220000092
其中，N表示样本的个数，Yi t表示第i个样本在t时刻的期望输出，
Figure BDA0002929660220000096
表示实时调控模型在t时刻的实际输出。
3)、实时调控模型的损失函数的偏导(梯度)
由于每一步的输出不仅仅依赖当前时刻的网络，并且还需要当前时刻之前的所有时刻的状态，因此，损失函数对各个参数的求导也要考虑前边的各个时刻，因为各个时刻的损失函数都包括相关的参数V、W、U、B、C、A，这些参数都是共享的，所以，该时刻以及该时刻之前的所有时刻的这些参数均参与运算，那么这种BP改版的算法叫做BackpropagationThroughTime(BPTT)，也就是将输出端的误差值进行反向传递，运用梯度下降法进行更新，所以求得参数的梯度为：
Figure BDA0002929660220000093
Figure BDA0002929660220000094
Figure BDA0002929660220000095
BPTT(back-propagation through time)算法是常用的训练RNN(循环神经网络)的方法，其实本质还是BP算法，只不过RNN处理时间序列数据，所以要基于时间反向传播，故叫随时间反向传播。BPTT的中心思想和BP算法相同，沿着需要优化的参数的负梯度方向不断寻找更优的点直至收敛。
综上，BPTT算法本质还是BP算法，BP算法本质还是梯度下降法，那么求各个参数的梯度便成了此模型的核心，然后通过梯度值来迭代更新各个参数。
4)实时调控模型的优化算法
在每轮迭代中随机均匀采样多个样本来组成一个小批量，然后使用这个小批量来计算梯度。在每一次迭代中，随机均匀采样多个样本来组成一个小批量，通过小批量随机梯度下降算法来更新参数值U、V、W、B、C、A，小批量随机梯度下降随机均匀采样一个由训练数据样本索引组成的小批量B。此处选择不复采样方式得到一个小批量中的各个样本。给定学习率η(取正数)，m表示第m次迭代，则可得小批量随机梯度下降对自变量的迭代如下：
Figure BDA0002929660220000101
Figure BDA0002929660220000102
Figure BDA0002929660220000103
Figure BDA0002929660220000104
Figure BDA0002929660220000105
Figure BDA0002929660220000106
通过以上步骤即可得到训练后的实时调控模型，之后便可通过该模型来预测需要调控的参数。即将工件图像、工件温度、焊机电压输入实时调控模型，输出的参数为：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝电源的电流。将上述参数发送到相应的下位机，根据实时工况实现自适应调控。
本发明以工件成形过程中，实时采集到的图像以及成形件温度为监测目标，并以热参数、机床坐标与扫描速度和送丝速度作为被控变量，通过收集的数据来训练监督学习模型。进而预测需要调控的参数，实现成形过程中成形质量的自适应控制。
对应于上述提供的电弧增材制造在线监测及实时控制方法，本发明还提供了如下两种实施系统：
其中，一种电弧增材制造在线监测及实时控制系统，如图3所示，包括：
CCD相机，用于获取工件图像数据。
温度传感器，用于获取工件温度数据。
电压采集器，用于获取焊机电压数据。
上位机，植入有上述电弧增材制造在线监测及实时控制方法，用于根据工件图像数据、工件温度数据和焊机电压数据生成调控数据，并用于根据调控数据生成控制指令。控制指令包括：机床扫描指令、送丝指令和加热指令。调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流。焊机电流包括：焊机基值电流和焊机峰值电流。
焊机和热丝电源，与上位机连接，用于根据加热指令为电弧增材制造提供热源，以熔化丝材。
送丝机，与上位机连接，用于根据送丝指令为电弧增材制造输送丝材。
机床控制装置，与上位机连接，用于根据机床扫描指令控制机床的运动。
优选地，上述上位机包括：
机床运动控制模块，用于根据机床坐标与扫描速度生成机床扫描指令。
送丝控制模块，用于根据送丝机送丝速度生成送丝指令。
图像检测模块，用于生成图像采集指令，以控制CCD相机实时获取工件图像数据。
优选地，上述机床控制装置包括：
运动控制卡，与上位机连接，用于将机床扫描指令转换为电机脉冲数。
电机(可替换为驱动器)，与运动控制卡连接，用于根据电机脉冲数驱动机床进行运动。
优选地，本发明提供的电弧增材制造在线监测及实时控制系统还包括：
显示器，用于显示用于实施上述电弧增材制造在线监测及实时控制方法的人机交互界面。
限位/回零开关，与运动控制卡连接，用于控制电弧增材制造在线监测及实时控制系统的开闭。
在本发明提供的第一种电弧增材制造在线监测及实时控制系统中，机床为双龙门结构形式，可通过专用运动控制卡来进行控制。焊机、送丝机构、热丝均通过现场总线与上位机进行双向数字传输。图像采集装置获取打印的实时的图像。
以基于运动控制卡的三维运动平台为运动部分，该运动平台可依据提前设置好的路径(通过G代码来设置运动路径)进行移动，焊枪与焊丝成一定角度(优选为45度角)固定于三维运动平台的Z轴。在运动的过程中，焊枪发出的电弧将送丝机送出的焊丝熔化，熔融物依据设定的路径落在基板上，最终成型为需要的三维零件。热丝电源的两极分别接在焊丝与基板上，在打印的过程中，焊丝与基板之间形成回路，产生的电流使焊丝更容易熔化。
在该种电弧增材制造在线监测及实时控制系统种，其系统硬件设计主要包含PC机、运动控制卡、伺服系统、焊机、热丝电源、送丝机和图像采集装置等部分，在系统架构设计过程中，总体采用模块化开发思路，由各个模块实现对应功能。需要充分考虑模块化、开放式系统设计要求，使系统具备一定的可扩展性。其中，PC机属于上位机管理层，主要负责数据库搭建、控制指令存储和处理等任务。此外应建立PC机和运动控制卡的通讯，完成终端路径规划等操作。上位机与视觉系统的通信方式采用以太网通信方式，采用TCP/IP协议。焊机、热丝电源、送丝机通过CAN总线与PC机连接。上位机程序通过相应的API函数给对应的外围设备发送的命令，下位机接收命令并执行该命令对应的作业，来完成增材制造过程的整体任务。
基于PC机，将机床运动控制模块、送丝控制模块、热源控制模块和图像监测模块集成到上位机来进行控制，解决了当下增材制造领域的控制系统集成度低，难以将专用功能与开放性低的商业软件进行整合，进行二次开发的弊端，以此方案开发的控制系统集成度高，可扩展性强，并且可通过实时采集现场设备的参数，在上位机进行处理分析，根据现场工况进行实时的反馈调节，实现制造过程的自适应控制，使电弧增材制造的精度的得以进一步提升，操作简单、方便。
另一种电弧增材制造在线监测及实时控制系统，包括：
电弧增材制造数据获取模块，用于实时获取电弧增材制造数据。电弧增材制造数据包括：工件图像数据、工件温度数据和焊机电压数据。
实时调控模型获取模块，用于获取训练后的实时调控模型。实时调控模型包括卷积神经网络和循环神经网络。
调控数据确定模块，用于采用训练后的实时调控模型，以获取得到的电弧增材制造数据为输入得到调控数据。调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流。焊机电流包括：焊机基值电流和焊机峰值电流。
制造控制模块，用于采用调控数据完成电弧增材制造过程的控制。
综上，本发明提供的技术方案相较于现有技术具有以下优点：
现有的增材制造装备控制系统数量较少，且不太成熟，难以在现有控制系统的基础上进行二次开发，集成度低等缺点。本发明提供的电弧增材制造在线监测及实时控制系统以模块化思想进行设计开发，是一种完全开放式的数控系统，可根据自身需求进行自主增加一些专用功能，集成度高，可由上位机来进行整体的协调控制，大大提高了装备的性能。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种电弧增材制造在线监测及实时控制方法，其特征在于，包括：
实时获取电弧增材制造数据；所述电弧增材制造数据包括：工件图像数据、工件温度数据和焊机电压数据；
获取训练后的实时调控模型；所述实时调控模型包括卷积神经网络和循环神经网络；
采用所述训练后的实时调控模型，以获取得到的所述电弧增材制造数据为输入得到调控数据；所述调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流；焊机电流包括：焊机基值电流和焊机峰值电流；
采用所述调控数据完成电弧增材制造过程的控制；
所述采用所述训练后的实时调控模型，以获取得到的所述电弧增材制造数据为输入得到调控数据，具体包括：
获取卷积神经网络；
采用所述卷积神经网络以所述工件图像数据为输入得到输出向量；
获取循环神经网络；
采用所述循环神经网络，以所述输出向量、所述工件温度数据和所述焊机电压数据为输入得到调控数据。
2.根据权利要求1所述电弧增材制造在线监测及实时控制方法，其特征在于，所述实时调控模型的损失函数为平方差损失函数。
3.根据权利要求1所述电弧增材制造在线监测及实时控制方法，其特征在于，所述获取训练后的实时调控模型，之前还包括：
获取实验过程中的电弧增材制造数据和与该数据相对应的调控数据，以构成训练样本数据对；
采用BPTT算法根据所述训练样本数据对训练所述实时调控模型。
4.一种电弧增材制造在线监测及实时控制系统，其特征在于，包括：
CCD相机，用于获取工件图像数据；
温度传感器，用于获取工件温度数据；
电压采集器，用于获取焊机电压数据；
上位机，植入有如权利要求1-3任意一项所述的电弧增材制造在线监测及实时控制方法，用于根据所述工件图像数据、所述工件温度数据和所述焊机电压数据生成调控数据，并用于根据所述调控数据生成控制指令；所述控制指令包括：机床扫描指令、送丝指令和加热指令；所述调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流；焊机电流包括：焊机基值电流和焊机峰值电流；
焊机和热丝电源，与所述上位机连接，用于根据所述加热指令为电弧增材制造提供热源，以熔化丝材；
送丝机，与所述上位机连接，用于根据所述送丝指令为电弧增材制造输送丝材；
机床控制装置，与所述上位机连接，用于根据所述机床扫描指令控制机床的运动。
5.根据权利要求4所述的一种电弧增材制造在线监测及实时控制系统，其特征在于，所述上位机包括：
机床运动控制模块，用于根据所述机床坐标与扫描速度生成所述机床扫描指令；
送丝控制模块，用于根据所述送丝机送丝速度生成送丝指令；
图像检测模块，用于生成图像采集指令，以控制所述CCD相机实时获取工件图像数据。
6.根据权利要求4所述的一种电弧增材制造在线监测及实时控制系统，其特征在于，所述机床控制装置包括：
运动控制卡，与所述上位机连接，用于将所述机床扫描指令转换为电机脉冲数；
电机，与所述运动控制卡连接，用于根据所述电机脉冲数驱动所述机床进行运动。
7.根据权利要求6所述的一种电弧增材制造在线监测及实时控制系统，其特征在于，还包括：
显示器，用于显示用于实施如权利要求1-3任意一项所述的电弧增材制造在线监测及实时控制方法的人机交互界面；
限位/回零开关，与所述运动控制卡连接，用于控制所述电弧增材制造在线监测及实时控制系统的开闭。
8.一种电弧增材制造在线监测及实时控制系统，其特征在于，包括：
电弧增材制造数据获取模块，用于实时获取电弧增材制造数据；所述电弧增材制造数据包括：工件图像数据、工件温度数据和焊机电压数据；
实时调控模型获取模块，用于获取训练后的实时调控模型；所述实时调控模型包括卷积神经网络和循环神经网络；
调控数据确定模块，用于采用所述训练后的实时调控模型，以获取得到的所述电弧增材制造数据为输入得到调控数据；所述调控数据包括：机床坐标与扫描速度、送丝机送丝速度、焊机电流/占空比和热丝电源电流；焊机电流包括：焊机基值电流和焊机峰值电流；
制造控制模块，用于采用所述调控数据完成电弧增材制造过程的控制；
其中，采用所述训练后的实时调控模型，以获取得到的所述电弧增材制造数据为输入得到调控数据，具体包括：
获取卷积神经网络；
采用所述卷积神经网络以所述工件图像数据为输入得到输出向量；
获取循环神经网络；
采用所述循环神经网络，以所述输出向量、所述工件温度数据和所述焊机电压数据为输入得到调控数据。
CN202110144413.7A 2021-02-02 2021-02-02 一种电弧增材制造在线监测及实时控制方法和系统 Active CN112916987B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110144413.7A CN112916987B (zh) 2021-02-02 2021-02-02 一种电弧增材制造在线监测及实时控制方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110144413.7A CN112916987B (zh) 2021-02-02 2021-02-02 一种电弧增材制造在线监测及实时控制方法和系统

Publications (2)

Publication Number Publication Date
CN112916987A CN112916987A (zh) 2021-06-08
CN112916987B true CN112916987B (zh) 2022-02-15

Family

ID=76167790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110144413.7A Active CN112916987B (zh) 2021-02-02 2021-02-02 一种电弧增材制造在线监测及实时控制方法和系统

Country Status (1)

Country Link
CN (1) CN112916987B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4104955A1 (de) * 2021-06-18 2022-12-21 Siemens Aktiengesellschaft Verfahren zur additiven herstellung eines bauteils
CN113732444B (zh) * 2021-10-18 2023-06-23 兰州理工大学 一种tig电弧增材制造过程的精确成形方法及精确成形系统
CN113987828B (zh) * 2021-11-10 2023-06-09 中国兵器装备集团自动化研究所有限公司 一种基于时间序列的多能场增材制造工艺规划方法
CN114619119B (zh) * 2022-03-29 2023-01-13 北京理工大学 一种电弧增材制造在线监测及实时控制系统
CN115464237A (zh) * 2022-08-19 2022-12-13 北京理工大学 一种电弧增材制造装备的实时控制方法、系统及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338521A (zh) * 2016-09-22 2017-01-18 华中科技大学 增材制造表面及内部缺陷与形貌复合检测方法及装置
CN107855687A (zh) * 2017-10-17 2018-03-30 华中科技大学鄂州工业技术研究院 一种增材制造熔深在线检测和控制方法及系统
CN110883403A (zh) * 2019-12-24 2020-03-17 华中科技大学 一种用于电弧增材制造的焊道建模方法、设备及系统
CN111372755A (zh) * 2017-12-20 2020-07-03 穆格公司 增材制造图像的卷积神经网络评估以及以其为基础的增材制造系统
WO2020140477A1 (zh) * 2019-01-03 2020-07-09 中国科学院自动化研究所 基于神经网络的3d打印误差补偿方法、系统、装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338521A (zh) * 2016-09-22 2017-01-18 华中科技大学 增材制造表面及内部缺陷与形貌复合检测方法及装置
CN107855687A (zh) * 2017-10-17 2018-03-30 华中科技大学鄂州工业技术研究院 一种增材制造熔深在线检测和控制方法及系统
CN111372755A (zh) * 2017-12-20 2020-07-03 穆格公司 增材制造图像的卷积神经网络评估以及以其为基础的增材制造系统
WO2020140477A1 (zh) * 2019-01-03 2020-07-09 中国科学院自动化研究所 基于神经网络的3d打印误差补偿方法、系统、装置
CN110883403A (zh) * 2019-12-24 2020-03-17 华中科技大学 一种用于电弧增材制造的焊道建模方法、设备及系统

Also Published As

Publication number Publication date
CN112916987A (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
CN112916987B (zh) 一种电弧增材制造在线监测及实时控制方法和系统
Wang et al. Collision-free trajectory planning in human-robot interaction through hand movement prediction from vision
Šibalija et al. Advanced multiresponse process optimisation
CN112620652B (zh) 一种电弧增材制造过程的自适应控制系统及方法
CN110000795A (zh) 一种视觉伺服控制的方法、系统及设备
Wu et al. On-line motion prediction and adaptive control in human-robot handover tasks
Passalis et al. Deep reinforcement learning for controlling frontal person close-up shooting
Liu et al. A tutorial on learning human welder's behavior: Sensing, modeling, and control
CN116755474A (zh) 一种无人机用电力巡线方法及系统
CN111421554A (zh) 基于边缘计算的机械臂智能控制系统、方法、装置
CN115494733A (zh) 一种基于gazebo的水下机器人自适应控制方法
CN111753400A (zh) 一种激光熔覆成形中熔池温度控制方法
CN111152220A (zh) 一种基于人机融合的机械臂控制方法
Zhang et al. A closed-loop perception, decision-making and reasoning mechanism for human-like navigation
CN114619119B (zh) 一种电弧增材制造在线监测及实时控制系统
CN117444958A (zh) 基于gru神经网络和烟花算法的机械臂关节角快速提取方法
Liu et al. A human-robot collaboration framework based on human motion prediction and task model in virtual environment
CN116852353A (zh) 一种基于深度强化学习的密集场景机械臂抓取多目标物体的方法
Liu et al. An augmented reality-assisted interaction approach using deep reinforcement learning and cloud-edge orchestration for user-friendly robot teaching
Chen et al. Toward safe distributed multi-robot navigation coupled with variational Bayesian model
CN115464237A (zh) 一种电弧增材制造装备的实时控制方法、系统及装置
Huang et al. An adaptive inverse control method based on SVM–fuzzy rules acquisition system for pulsed GTAW process
Zhu et al. Robot construction simulation using deep reinforcement learning
Wu et al. Path planning of intelligent robot for substation operation and maintenance
Caianiello et al. A Case Study on Goal Oriented Obstacle Avoidance.

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