CN113136578A - 一种基于离焦量预测的激光熔覆薄壁件高度控制方法 - Google Patents

一种基于离焦量预测的激光熔覆薄壁件高度控制方法 Download PDF

Info

Publication number
CN113136578A
CN113136578A CN202110421703.1A CN202110421703A CN113136578A CN 113136578 A CN113136578 A CN 113136578A CN 202110421703 A CN202110421703 A CN 202110421703A CN 113136578 A CN113136578 A CN 113136578A
Authority
CN
China
Prior art keywords
defocus
image
thin
layer
molten pool
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110421703.1A
Other languages
English (en)
Other versions
CN113136578B (zh
Inventor
刘伟嵬
杨征宇
王灏
孙慧
李涛
刘淑杰
张元良
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202110421703.1A priority Critical patent/CN113136578B/zh
Publication of CN113136578A publication Critical patent/CN113136578A/zh
Application granted granted Critical
Publication of CN113136578B publication Critical patent/CN113136578B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
    • C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
    • C23C24/00—Coating starting from inorganic powder
    • C23C24/08—Coating starting from inorganic powder by application of heat or pressure and heat
    • C23C24/10—Coating starting from inorganic powder by application of heat or pressure and heat with intermediate formation of a liquid phase in the layer
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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)
  • Chemical & Material Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Materials Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Laser Beam Processing (AREA)

Abstract

本发明属于激光熔覆成形技术领域，涉及一种基于离焦量预测的激光熔覆薄壁件高度控制方法。本发明提供了熔池图像的四种特征参数，更加全面的反映了熔池的特征，从而能够更加准确的预测离焦量的值；与以往的LSTM神经网络相比，本发明改进后的具有长记忆门的LSTM神经网络对熔池图像的四种特征参数序列进行处理，除了能预测出下一时刻离焦量，还能输出当前熔覆层的离焦量总和，能够和PID控制很好的结合；本发明利用离焦量总和求得的离焦量平均值随打印层数的变化而变化，是根据实际工况实时计算出来的，能够更好的反映出每层熔覆层高度特征，从而能够更加精确的调节激光功率，实现薄壁件高度的控制。

Description

一种基于离焦量预测的激光熔覆薄壁件高度控制方法
技术领域
本发明属于激光熔覆成形技术领域，具体的，涉及一种基于离焦量预测的激光熔覆薄壁件高度控制方法。
背景技术
在激光熔覆过程中，是以大功率激光作为移动热源，在金属基体上熔出熔池的同时将金属粉末送入，随着热源的离去凝固成一条熔覆轨迹，多条轨迹的堆叠形成薄壁件。在薄壁件的成形过程中会出现高度不稳定的现象，即在薄壁件成形的过程中，由于散热不足，导致热量积累，温度不断升高，熔池形状不稳定，成形高度增加缓慢，从而导致薄壁件上表面光滑，最终影响薄壁件的成形质量。所以有必要对激光熔覆过程中的薄壁件高度进行控制，以保证薄壁件的成形质量。
在激光熔覆过程中，影响熔池温度的主要因素有激光功率、扫描速度、送粉速度等。而激光功率作为唯一的能量输入源，激光功率对温度的影响最直接，从而影响薄壁件成形高度。因此控制好激光功率能够有效控制薄壁件成形高度，根据合适的工况选择合适的激光功率成为一个需要解决的问题。
专利号CN 108907192 A——《一种基于温度预测的激光熔覆薄壁件精确成形的控制方法》公开了一种基于温度预测的激光熔覆薄壁件精确成形的控制方法，该方法通过以目标熔宽、熔高为补偿目标，对实际成形尺寸进行补偿，确定合适的功率调整曲线和每层提升量。但是该方法只能按照设定好的功率调整曲线进行功率调整，缺少对不同工况适应性。专利号CN 112381095 A——《基于深度学习的电弧增材制造层宽自抗扰控制方法》公开了一种基于深度学习的电弧增材制造层宽自抗扰控制方法，该方法利用Encoder-Decoder分割网络对熔池图像进行阈值分割，获得图像的二值图，进而获得熔池宽度特征。然而，该方法对熔池宽度的控制采用了二阶传递函数，此种控制方法比较依赖于参数的选取，且不适用于进行多层激光熔覆时的熔池宽度控制。
发明内容
针对现有技术的不足，本发明提供一种基于离焦量预测的激光熔覆薄壁件高度控制方法。该方法在激光熔覆加工过程中，能够根据预测得到的离焦量值，实时调整激光功率，使得薄壁件的高度每层能够平稳增加，最终获得熔覆质量较高的薄壁件。
本发明的技术方案：
一种基于离焦量预测的激光熔覆薄壁件高度控制方法，包括以下步骤：
步骤S1、图像特征提取：利用同轴高速相机获得激光熔覆薄壁件加工过程同轴熔池图像流，并利用图像处理方法提取图像特征向量，当离焦量发生变化时，同轴图像的亮度等特征会发生变化，故可以反映出离焦量的变化，进而反映出薄壁件高度的变化；
步骤S2、离焦量预测：将步骤S1提取的图像特征向量组成时间序列，图像特征向量和离焦量是一一对应的关系，即一组图像特征向量对应一个离焦量。将图像特征向量时间序列输入到训练好的改进的LSTM神经网络中，LSTM神经网络输出下一时刻的离焦量d(t)的同时，输出当前熔覆层所有离焦量的总和
Figure BDA0003028059300000021
利用当前熔覆层所有离焦量的总和，求出离焦量平均值
Figure BDA0003028059300000022
步骤S3、PID控制系统调节激光功率：将步骤S2中预测的离焦量的值d(t)作为PID控制的输入值，将步骤S2中求出的离焦量平均值
Figure BDA0003028059300000023
作为PID控制中的设定值；PID控制系统根据d(t)与
Figure BDA0003028059300000024
的差值Δd(t)调节激光器激光功率，使预测的离焦量的值d(t)趋近于设定值
Figure BDA0003028059300000025
从而保证薄壁件每层的高度稳定，保证成形质量；
所述步骤S1中所得到的图像特征包括：熔池头部纹理面积、熔池宽度、边缘面积和熔池整体图像面积。
所述步骤S2中的改进的LSTM神经网络，在传统LSTM神经网络的基础上增加长记忆状态，用来记录整个预测过程中每个预测值之和，即之前所有离焦量的总和。
所述的改进的LSTM神经网络是在传统LSTM神经网络的基础上的改进，传统LSTM神经网络中隐藏层有两个状态，隐层h和细胞状态c，改进的LSTM神经网络有三个状态，隐层h、细胞状态c和长记忆状态lm。
对应的，传统LSTM神经网络的门控结构由遗忘门、输入门和输出门组成，而改进的LSTM神经网络的门控结构由遗忘门、输入门、输出门和长记忆门组成。
长记忆状态由长记忆门计算而来，用来记录整个预测过程中每个预测值之和，长记忆门lmt的定义为：
lmt＝σ(ht-1·V+b)+lmt-1
其中，lmt-1为上一时刻之前所有预测的离焦量之和，ht-1为上一时刻隐层状态，V为隐层h到输出lm的权重矩阵，b为偏转矩阵，σ为sigmoid激活函数。
所述步骤S2中改进LSTM神经网络训练过程包括：
S21、数据采集：进行薄壁件熔覆预实验，采集不同加工条件下，薄壁件加工过程的同轴熔池图像，同时利用旁轴相机记录下同轴图像对应的薄壁件的离焦量。
S22、数据预处理：利用步骤S1中的图像处理方法，提取同轴熔池图像特征参数向量，并作归一化处理；计算出离焦量的值和离焦量总和作为图像特征参数向量的标签；对处理好的数据按照比例划分为训练集和测试集。构建三维(N,W,F)数字阵列，其中N为输入数据，即图像特征向量序列，W为图像特征向量对应的标签序列，由两类数据构成，一类为离焦量，另一类为离焦量总和，两类数据均和图像特征序列相对应，F为时间步长，即要预测的时间长度。
S23、建立模型：搭建若干层LSTM神经网络，每层LSTM神经网络包括输入门、遗忘门、输出门和长记忆门，在LSTM神经网络后添加Dropout层以防止过拟合，在Dropout层后添加Dense层，将LSTM神经网络层输出的中间变量转换为离焦量的值及离焦量总和；模型所采用的损失函数为均方差损失函数(MAE)。
S24、保存模型：模型训练完成后，将模型权重保存，用于离焦量值的预测并为PID控制系统提供输入。
本发明的有益效果：
(1)本发明提供了熔池图像的四种特征参数，更加全面的反映了熔池的特征，从而能够更加准确的预测离焦量的值。
(2)与以往的LSTM神经网络相比，本发明改进后的具有长记忆门的LSTM神经网络对熔池图像的四种特征参数序列进行处理，除了能预测出下一时刻离焦量，还能输出当前熔覆层的离焦量总和，能够和PID控制很好的结合。
(3)本发明利用离焦量总和求得的离焦量平均值随打印层数的变化而变化，是根据实际工况实时计算出来的，能够更好的反映出每层熔覆层高度特征，从而能够更加精确的调节激光功率，实现薄壁件高度的控制。
附图说明
图1为本发明激光熔覆加工过程所采用的装置结构示意图；
图2为本发明改进的LSTM结构图；
图3为本发明的控制流程图。
图中：1激光器；2位移装置；3激光头；4材料进给装置；5图像同采集单元；6计算机及控制单元。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及实施例对本发明作进一步地详细描述。
参看图1，本发明方法的硬件平台包括：
激光器1：所述激光器1为半导体激光器；
位移装置2：所述位移装置2为六轴机器人；
激光头3：所述激光头3为激光熔覆头；
材料进给装置4：所述材料进给装置4为送粉器；
图像同轴采集单元5：所述图像同轴采集单元中5的视觉图像采集设备为CMOS相机；
计算机及控制系统6：所述计算机及控制系统6包含图像在线处理单元、改进的LSTM预测单元和PID控制单元。
本实施例选择80mm×15mm×15mm的316L不锈钢作为基板，选择粒径为40um～120um的316L粉末作为加工材料进行加工。熔覆过程送粉气体和保护气体均为氩气，送粉速率为9.15g/min，扫描速度为10m/s，激光功率为1000W，Z轴提升量为0.3mm，总加工层数为20层，薄壁长度为30mm，激光头初始离焦量为-1mm。
实施例的步骤为：
首先进行LSTM模型的训练：
(1)按照预定参数进行激光薄壁件的加工，采用同轴高速相机采集同轴熔池图像。同时，在与薄壁件表面垂直，且相机图像底端和基板表面平齐的位置处放置一台高动态相机，采集旁轴薄壁高度图像，并标定图像和实际值的比例，图像像素值与实际尺寸1mm的比例为7:1，用来计算离焦量。计算得到其中一层，如第六层离焦量及离焦量总和，离焦量数据个数为225个，数值在-0.86mm～3.86mm之间变化，离焦量总和为598.29mm，均值为2.66mm。
(2)利用图像处理单元，提取熔池图像的特征，包括熔池头部纹理面积S1、熔池宽度W1、边缘面积S2和熔池整体图像面积S3，单位为像素；同时对向量序列做归一化处理，公式为：
Figure BDA0003028059300000061
x为四个值中的任意一个。
以第六层其中一个熔池图像为例，其熔池头部纹理面积为5841像素，熔池宽度为3452像素，边缘面积为8475像素，熔池整体图像面积为22190像素。则图像特征序列为[5841,3452,8475,22190]，其归一化后序列为[0.2364,0.1397,0.3431,0.8983]。该图像特征向量对应的离焦量为2.42mm，总离焦量为598.29mm。每层薄壁件熔覆共可采集345张同轴图像，将同一时刻的同轴图像特征向量和离焦量一一对应，然后舍弃多余的同轴图像。
(3)薄壁件共20层，故共获得这样的数据20组。将每层数据的前80％作为训练集，后20％作为测试集，构建数据集。构建(N,F,W)三维数字阵列，以上述数据为例，其数字阵列为([0.2364,0.1397,0.3431,0.8983],[2.42,598.29],4)。其中4表示预测的时间步长。
(4)搭建LSTM神经网络，LSTM神经网络共四层，第一层形状为4*50，第二层形状为50*100，第三层形状为100*200，第四层形状为200*300，每层结构均为图2所示。Dropout层形状为300*2，Dense层形状为100*2。
(5)将数据集输入到LSTM神经网络进行训练，训练完成后，将模型权重保存，用于对离焦量预测。
方法实施步骤：
(1)按照上述实验参数和材料利用激光器1、位移装置2、激光头3和材料进给装置4协同进行薄壁件激光熔覆加工过程，加工的同时利用同轴图像采集单元5获取熔池图像。同轴图像流传输到计算机及控制系统6，计算机及控制系统6的图像在线处理单元获取熔池图像，并提取图像特征向量。相机的采集帧率为80fps/s，故每层可采集400张同轴熔池图像，由于可能出现掉帧，采集到的熔池图像一般在350张左右。采集到图像的同时，利用计算机及控制系统6的图像在线处理单元实时提取熔池图像特征向量[S1,W1,S2,S3]，如第六层某张图像的特征向量为[0.2364,0.1397,0.3431,0.8983]。
(2)将提取的特征向量[0.2364,0.1397,0.3431,0.8983]输入到训练好的LSTM神经网络中，则LSTM神经网络将输出[2.43,598.29]，即4个时间步长之后的离焦量的值预测为2.43mm、离焦量之和为598.29mm。利用离焦量之和求得离焦量平均值为2.65mm(此时已拍摄了225张图像)。
(3)以预测出的2.43mm为实际值，以求得的离焦量平均值2.65mm为激光熔覆加工到第6层时设定值，输入如图3所示的PID控制系统中。离焦量之差为0.22mm，即离焦量实际值小于设定值，故PID系统将通过DA转换器调节激光器电压v(t)，进而调节激光器功率P(t)，使激光器功率向使离焦量增大的方向变化。
(4)继续进行激光熔覆薄壁件加工过程，重复(1)(2)(3)过程，直到加工过程结束。

Claims (2)

1.一种基于离焦量预测的激光熔覆薄壁件高度控制方法，其特征在于，包括以下步骤：
步骤S1、图像特征提取：利用同轴高速相机获得激光熔覆薄壁件加工过程同轴熔池图像流，并利用图像处理方法提取图像特征向量；
步骤S2、离焦量预测：将步骤S1提取的图像特征向量组成时间序列，图像特征向量和离焦量是一一对应的关系，即一组图像特征向量对应一个离焦量；将图像特征向量时间序列输入到训练好的改进的LSTM神经网络中，LSTM神经网络输出下一时刻的离焦量d(t)的同时，输出当前熔覆层所有离焦量的总和
Figure FDA0003028059290000011
利用当前熔覆层所有离焦量的总和，求出离焦量平均值
Figure FDA0003028059290000012
步骤S3、PID控制系统调节激光功率：将步骤S2中预测的离焦量的值d(t)作为PID控制的输入值，将步骤S2中求出的离焦量平均值
Figure FDA0003028059290000013
作为PID控制中的设定值；PID控制系统根据d(t)与
Figure FDA0003028059290000014
的差值Δd(t)调节激光器激光功率，使预测的离焦量的值d(t)趋近于设定值
Figure FDA0003028059290000015
从而保证薄壁件每层的高度稳定，保证成形质量；
所述步骤S2中的改进的LSTM神经网络，包括三个状态，分别是隐层h、细胞状态c和长记忆状态lm；门控结构由遗忘门、输入门、输出门和长记忆门组成；
长记忆状态由长记忆门计算而来，用来记录整个预测过程中每个预测值之和，长记忆门lmt的定义为：
lmt＝σ(ht-1·V+b)+lmt-1
其中，lmt-1为上一时刻之前所有预测的离焦量之和，ht-1为上一时刻隐层状态，V为隐层h到输出lm的权重矩阵，b为偏转矩阵，σ为sigmoid激活函数；
所述步骤S2中改进LSTM神经网络训练过程包括：
S21、数据采集：进行薄壁件熔覆预实验，采集不同加工条件下，薄壁件加工过程的同轴熔池图像，同时利用旁轴相机记录下同轴图像对应的薄壁件的离焦量；
S22、数据预处理：利用步骤S1中的图像处理方法，提取同轴熔池图像特征参数向量，并作归一化处理；计算出离焦量的值和离焦量总和作为图像特征参数向量的标签；对处理好的数据按照比例划分为训练集和测试集；构建三维(N,W,F)数字阵列，其中N为输入数据，即图像特征向量序列，W为图像特征向量对应的标签序列，由两类数据构成，一类为离焦量，另一类为离焦量总和，两类数据均和图像特征序列相对应，F为时间步长，即要预测的时间长度；
S23、建立模型：搭建若干层LSTM神经网络，每层LSTM神经网络包括输入门、遗忘门、输出门和长记忆门，在LSTM神经网络后添加Dropout层以防止过拟合，在Dropout层后添加Dense层，将LSTM神经网络层输出的中间变量转换为离焦量的值及离焦量总和；模型所采用的损失函数为均方差损失函数(MAE)；
S24、保存模型：模型训练完成后，将模型权重保存，用于离焦量值的预测并为PID控制系统提供输入。
2.根据权利要求1所述的一种基于离焦量预测的激光熔覆薄壁件高度控制方法，其特征在于，所述步骤S1中所得到的图像特征包括：熔池头部纹理面积、熔池宽度、边缘面积和熔池整体图像面积。
CN202110421703.1A 2021-04-20 2021-04-20 一种基于离焦量预测的激光熔覆薄壁件高度控制方法 Active CN113136578B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110421703.1A CN113136578B (zh) 2021-04-20 2021-04-20 一种基于离焦量预测的激光熔覆薄壁件高度控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110421703.1A CN113136578B (zh) 2021-04-20 2021-04-20 一种基于离焦量预测的激光熔覆薄壁件高度控制方法

Publications (2)

Publication Number Publication Date
CN113136578A true CN113136578A (zh) 2021-07-20
CN113136578B CN113136578B (zh) 2022-01-04

Family

ID=76812782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110421703.1A Active CN113136578B (zh) 2021-04-20 2021-04-20 一种基于离焦量预测的激光熔覆薄壁件高度控制方法

Country Status (1)

Country Link
CN (1) CN113136578B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113981434A (zh) * 2021-09-06 2022-01-28 武汉科技大学 一种圆形倾斜薄壁件激光熔覆成形角度自适应调控装置及方法
CN115415549A (zh) * 2022-09-05 2022-12-02 苏州中科煜宸激光智能科技有限公司 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040133298A1 (en) * 2002-10-31 2004-07-08 Ehsan Toyserkani System and method for closed-loop control of laser cladding by powder injection
CN103983203A (zh) * 2014-05-29 2014-08-13 苏州大学张家港工业技术研究院 一种激光熔覆熔池离焦量测量装置及其测量方法
CN108624880A (zh) * 2018-08-10 2018-10-09 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN108873700A (zh) * 2018-07-13 2018-11-23 中国科学院力学研究所 一种基于立体视觉的激光熔覆闭环控制方法
CN109136912A (zh) * 2018-09-11 2019-01-04 大连理工大学 一种激光熔覆离焦量在线监测与负反馈状态识别方法
CN109778182A (zh) * 2019-03-11 2019-05-21 西安交通大学 一种激光熔覆增材成形高度在线监测装置及闭环控制方法
CN111024736A (zh) * 2019-12-30 2020-04-17 苏州大学 一种激光增材制造的缺陷在线监测方法
CN111390168A (zh) * 2020-03-16 2020-07-10 大连理工大学 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法
CN112233130A (zh) * 2020-10-21 2021-01-15 南京师范大学 一种基于实例分割的熔覆池形貌识别及闭环控制方法
CN112329275A (zh) * 2021-01-04 2021-02-05 四川大学 一种激光金属增材沉积融合状态实时预测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040133298A1 (en) * 2002-10-31 2004-07-08 Ehsan Toyserkani System and method for closed-loop control of laser cladding by powder injection
CN103983203A (zh) * 2014-05-29 2014-08-13 苏州大学张家港工业技术研究院 一种激光熔覆熔池离焦量测量装置及其测量方法
CN108873700A (zh) * 2018-07-13 2018-11-23 中国科学院力学研究所 一种基于立体视觉的激光熔覆闭环控制方法
CN108624880A (zh) * 2018-08-10 2018-10-09 南通大学 一种激光熔覆质量智能控制系统及其智能控制方法
CN109136912A (zh) * 2018-09-11 2019-01-04 大连理工大学 一种激光熔覆离焦量在线监测与负反馈状态识别方法
CN109778182A (zh) * 2019-03-11 2019-05-21 西安交通大学 一种激光熔覆增材成形高度在线监测装置及闭环控制方法
CN111024736A (zh) * 2019-12-30 2020-04-17 苏州大学 一种激光增材制造的缺陷在线监测方法
CN111390168A (zh) * 2020-03-16 2020-07-10 大连理工大学 激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法
CN112233130A (zh) * 2020-10-21 2021-01-15 南京师范大学 一种基于实例分割的熔覆池形貌识别及闭环控制方法
CN112329275A (zh) * 2021-01-04 2021-02-05 四川大学 一种激光金属增材沉积融合状态实时预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜淑娟等: "基于神经网络的激光熔覆高度预测", 《激光工程学报》 *
许维平: "基于神经网络和PID控制的模具激光熔覆工艺研究", 《中国科技信息》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113981434A (zh) * 2021-09-06 2022-01-28 武汉科技大学 一种圆形倾斜薄壁件激光熔覆成形角度自适应调控装置及方法
CN113981434B (zh) * 2021-09-06 2023-12-08 武汉科技大学 一种圆形倾斜薄壁件激光熔覆成形角度自适应调控装置及方法
CN115415549A (zh) * 2022-09-05 2022-12-02 苏州中科煜宸激光智能科技有限公司 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法
CN115415549B (zh) * 2022-09-05 2024-03-08 苏州中科煜宸激光智能科技有限公司 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法

Also Published As

Publication number Publication date
CN113136578B (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113136578B (zh) 一种基于离焦量预测的激光熔覆薄壁件高度控制方法
CN109778182B (zh) 一种激光熔覆增材成形高度在线监测装置及闭环控制方法
Xiong et al. Vision-sensing and bead width control of a single-bead multi-layer part: material and energy savings in GMAW-based rapid manufacturing
CN112801091B (zh) 一种基于深度学习的增材制造制件成形质量监控与预测方法
CN110789128B (zh) 一种增材制造制件成形质量预测与控制系统及方法
CN106881462A (zh) 一种针对激光选区熔化成形缺陷的在线检测与优化系统
CN114012210B (zh) 电弧增材过程的沉积质量判断系统及方法
CN111266577B (zh) 一种3d打印质量计算机在线监测方法
CN115415549B (zh) 基于非线性自回归神经网络的激光熔覆平整化控制系统与方法
CN109136912B (zh) 一种激光熔覆离焦量在线监测与负反馈状态识别方法
CN111151751B (zh) 一种三激光束智能增减材复合制造系统
CN112916987B (zh) 一种电弧增材制造在线监测及实时控制方法和系统
CN113441815A (zh) 基于深度学习的电弧增材制造层宽与余高的协同控制方法
Kao et al. Laser cladding quality monitoring using coaxial image based on machine learning
CN116213932B (zh) 一种机顶盒自动化生产装置及其控制方法
CN114905116B (zh) 一种基于特征学习的坡口焊缝熔透监控方法
CN110539054A (zh) 一种电弧增材堆积作业监测系统
US20230158595A1 (en) Prediction and control of product shape quality in wire and arc additive manufacturing through machine learning
CN112557445A (zh) 一种基于增材制造的缺陷在线检测方法、装置和系统
CN109240203B (zh) 一种基于多模型的连铸坯定重控制方法
CN116228798B (zh) 基于机器视觉的铁塔智能切割检测方法
CN114951706B (zh) 激光选区熔化智能铺粉方法及其系统
Ning et al. Height consistency compensation in laser-directed energy deposition of thin-walled parts
CN116070484A (zh) 一种基于深度学习的在线实时预测构件状态的方法
CN113981434A (zh) 一种圆形倾斜薄壁件激光熔覆成形角度自适应调控装置及方法

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