CN115266951A - 对选择性激光熔化过程内部缺陷实时在线监测方法及系统 - Google Patents
对选择性激光熔化过程内部缺陷实时在线监测方法及系统 Download PDFInfo
- Publication number
- CN115266951A CN115266951A CN202210898172.XA CN202210898172A CN115266951A CN 115266951 A CN115266951 A CN 115266951A CN 202210898172 A CN202210898172 A CN 202210898172A CN 115266951 A CN115266951 A CN 115266951A
- Authority
- CN
- China
- Prior art keywords
- acoustic
- defects
- acoustic signal
- signals
- database
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 75
- 238000012544 monitoring process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000010309 melting process Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 238000002844 melting Methods 0.000 claims abstract description 18
- 230000008018 melting Effects 0.000 claims abstract description 18
- 238000010146 3D printing Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 238000010835 comparative analysis Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 22
- 230000005236 sound signal Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000035515 penetration Effects 0.000 claims description 3
- 230000002441 reversible effect Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 10
- 239000002184 metal Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/36—Detecting the response signal, e.g. electronic circuits specially adapted therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4445—Classification of defects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- 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
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Signal Processing (AREA)
- Engineering & Computer Science (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明提供了一种对选择性激光熔化过程内部缺陷实时在线监测方法及系统，所述方法包括：采集和放大3D打印过程中的声信号，并对声信号分别进行傅立叶变换和滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理；根据去噪处理后得到的各个位置的声信号构建数据样本进行分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的对应关系，并存储到数据库中；采用深度置信神经网络建立模型，并利用数据库内大量实验数据来训练模型，实现自动提取信号特征并进行熔化状态的识别，与数据库内声信号进行对比分析，实现对缺陷种类及可能出现位置的识别。本发明能够对选择性激光熔化过程内部缺陷在线实时监控，极大地提高了3D打印质量。
Description
技术领域
本发明涉及3D打印技术领域，具体地，涉及一种对选择性激光熔化过程内部缺陷实时在线监测方法及系统。
背景技术
3D打印技术作为第三次工业革命制造领域里的典型代表技术，发展状态时刻受到各界的广泛关注。其中选择性激光熔化成型技术(SLM)是金属3D打印技术中最有前途的方法之一。选择性激光熔化成型的零件在进入应用领域之前对探伤监测技术提出高难度的要求。由于制件是一层层创建的，成型后属性难以预测，破坏性试验无法用于选择性激光熔化成型的制件，并且未完成的3D打印部件表面通常会比较粗糙，即使使用探测制件内部特征属性的X射线计算机断层扫描技术，也不能监测出垂直于X射线的裂纹，并且完成的成型件的质量已不可逆，只能应用或者报废。
最好的质量控制不是事后监测，而是过程中控制，因此，对选择性激光熔化过程中的质量监测尤为重要。通过监测选择性激光熔化过程特征来进行参数调节控制熔化过程，从而达到提高熔化成型件质量的目的。目前存在的对选择性激光熔化过程监测技术有：基于视觉成像的监测、采用无监督机器学习的方法对粉末扩散的一致性进行监测分类和过程监控、基于温度场的监测、基于光谱分析的监测、基于声学原理的监测、基于电信号的监测。
虽然现有的选择性激光熔化技术已大大提高了工业制造的速度，但由于技术发展不成熟，仍存在一些严重的缺陷。在选择性激光熔化成型件中，不可避免的会出现球化、翘曲、断裂、气孔、瘤状物和分层等几个主要问题，这些直接导致孔隙率高、致密度低、表面粗糙度高、拉伸强度差等工艺缺陷，从而阻碍选择性激光熔化技术的顺利开展。因此，需要提供一种针对3D打印过程中孔洞、裂纹及未熔合缺陷进行智能在线监测的方法。
发明内容
针对解决上述问题，本发明的目的在于提供一种对选择性激光熔化过程内部缺陷实时在线监测方法及系统，通过实现对金属3D打印过程中孔洞、裂纹及未熔合缺陷等的实时在线监测，从而为在缺陷形成时采取措施在线修复缺陷提供可能，进而提高金属成型零件的质量，满足实际需求的精度和可靠性。
为解决上述问题，本发明的技术方案为：
一种对选择性激光熔化过程内部缺陷实时在线监测方法，包括以下步骤：
S1：采集和放大3D打印过程中的声信号，并对声信号分别进行傅立叶变换和滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理；
S2：根据去噪处理后得到的各个位置的声信号构建数据样本进行分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的对应关系，并存储到数据库中；
S3：采用深度置信神经网络建立模型，并利用数据库内大量实验数据来训练模型，实现自动提取信号特征并进行熔化状态的识别，与数据库内声信号进行对比分析，实现对缺陷种类及可能出现位置的识别。
可选地，所述步骤S1具体包括：通过声信号采集和处理模块采集和放大3D打印过程中的声信号样本，并使用Labview软件对声信号分别进行傅立叶变换和使用带通滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理。
可选地，所述步骤S2具体包括：根据去噪处理后的得到各个位置的声信号构建数据样本，通过CT监测、超声监测、射线照相监测及荧光渗透监测等离线监测方法进行分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的关系，并存储到数据库中。
可选地，所述步骤S3具体包括：采用深度置信神经网络建立模型，并利用数据库内大量实验数据来训练模型，所述训练模型的步骤包括：
步骤1：读入数据库数据，训练每一层受限玻尔兹曼机，将第一隐层输出作为可见层的输入，再将可见层的输出作为下一隐层输入逐层进行训练，每一层单独训练可使特征向量能更多的保留特征信息在不同的特征空间中；
步骤2：最后一层设置反向传递神经网络，接收受限玻尔兹曼机的输出作为BP网络的输入，通过自顶向下进行神经网络参数的更新，调整整个深度置信网络，使整个深度置信网络的准确率达到最优。
进一步地，本发明还提供一种对选择性激光熔化过程内部缺陷实时在线监测系统，包括声信号采集和处理模块以及声信号分析模块，所述声信号采集和处理模块用于采集3D打印过程中的声信号，并进行去噪处理，分析出各个位置中声信号的信息并将其存入电脑，所述声信号分析模块采用深度置信神经网络自动提取信号特征并进行熔化状态的识别，与数据库内声信号进行对比分析，实现对缺陷种类、位置的识别。
可选地，所述声信号采集和处理模块包括声信号采集单元和声信号处理单元，其中所述声信号采集单元用于收集在选择性激光熔化过程中液体、蒸汽和固体物质之间的摩擦振动产生的声信号并将其放大；所述声信号处理单元用于对声信号分别进行傅立叶变换和使用带通滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理。
可选地，所述声信号分析模块包括数据库和声信号分析单元，所述数据库用于将采集的大量样本声信号存储及分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的关系，并用于声信号分析单元对声波特征信号的模型训练，所述声信号分析单元采用深度置信神经网络自动提取信号特征并进行熔化状态的识别，实现对缺陷种类、位置的识别。
可选地，所述系统还包括用于对所述缺陷种类、位置进行显示的显示模块。
与现有技术相比，本发明通过声信号对选择性激光熔化过程特征进行实时在线监测，利用声信号监测方法来分析选择性激光熔化过程产生的内部缺陷，判断其种类和可能位置，可以实现对缺陷种类和位置的识别，从而为及时采取措施在线修复缺陷提供可能，进而提高金属成型零件的质量，满足实际需求的精度和可靠性。本发明方法能够做到在线实时监控，针对缺陷及时提出解决方法，极大程度地提高了打印质量，进一步对促进金属3D打印技术在航天、医疗、以及材料制造等领域的应用有十分重要的意义。通过声信号的自动识别与特征处理来实现高效、低成本的选择性激光熔化过程内部缺陷自动监测，具有十分重要的工程实践价值。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的对选择性激光熔化过程内部缺陷实时在线监测方法流程框图；
图2为本发明实施例提供的对选择性激光熔化过程内部缺陷实时在线监测系统结构框图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，将使本发明的技术方案及其有益效果显而易见。
图1为本发明实施例提供的对选择性激光熔化过程内部缺陷实时在线监测方法流程框图，如图1所示，所述方法包括以下步骤：
S1：采集和放大3D打印过程中的声信号，并对声信号分别进行傅立叶变换和滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理；
具体地，通过声信号采集和处理模块采集和放大3D打印过程中的声信号样本，并使用Labview软件对声信号分别进行傅立叶变换和使用带通滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理。
S2：根据去噪处理后得到的各个位置的声信号构建数据样本进行分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的对应关系，并存储到数据库中；
具体地，根据去噪处理后的得到各个位置的声信号构建数据样本，通过CT监测、超声监测、射线照相监测及荧光渗透监测等离线监测方法进行分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的关系，并存储到数据库中，用于下一步对声信号模型训练。
S3：采用深度置信神经网络建立模型，并利用数据库内大量实验数据来训练模型，实现自动提取信号特征并进行熔化状态的识别，与数据库内声信号进行对比分析，实现对缺陷种类及可能出现位置的识别；
具体地，采用深度置信神经网络建立模型，并利用数据库内大量实验数据来训练模型，其目的在于实现自动提取信号特征并进行熔化状态的识别，提高模型的准确性，从而实现对待监测过程中声信号的识别，进而实现对缺陷种类及可能出现位置的识别。所述训练模型的步骤包括：
步骤1：读入数据库数据，训练每一层受限玻尔兹曼机，将第一隐层输出作为可见层的输入，再将可见层的输出作为下一隐层输入逐层进行训练，每一层单独训练可使特征向量能更多的保留特征信息在不同的特征空间中；
步骤2：最后一层设置反向传递神经网络，接收受限玻尔兹曼机的输出作为BP网络的输入，通过自顶向下进行神经网络参数的更新，调整整个深度置信网络，使整个深度置信网络的准确率达到最优。
在本实施例中，深度置信神经网络通过构建一个深层架构学习输入数据的深层特征并捕获特征之间的关联，选择了输入数据的主要信息并降低了信息的复杂性，另外，采用深度置信神经网络对选择性激光熔化过程的监控，而在后续监测中无需再使用声学信号进行任何提取特征等数据预处理，减少了熔化过程的经验分析，提高了熔化过程的状态的识别速度，进而实现了对选择性激光熔化过程内部缺陷的实时状态监测。
如图2所示，本发明还提供一种基于声信号对选择性激光熔化过程内部缺陷实时在线监测系统，采用了如上所述的基于声信号对选择性激光熔化过程内部缺陷实时在线监测方法，所述系统包括声信号采集和处理模块1、声信号分析模块2以及显示模块3，所述声信号采集和处理模块1通过声传感器采集3D打印过程中的声信号，并进行去噪处理，分析出各个位置中声信号的信息并将其存入电脑。所述声信号分析模块2采用深度置信神经网络自动提取信号特征并进行熔化状态的识别，与数据库内声信号进行对比分析，实现对声信号的辨别，进而对缺陷种类、位置的识别。所述显示模块3用于对所述缺陷种类、位置进行显示。
具体地，所述声信号是由金属蒸汽或等离子体从小孔中或熔池中喷射出来压力波造成，与熔池的行为和孔洞形成密不可分，熔池状态变化(如输入能量改变、熔池温度场改变)或者缺陷形成均会导致压力波改变，改变声波信号频率和速度波动。其中金属粉末熔化过程中，声强与声压的关系可表示为：
式中ρA为介质密度，νe为声音速度。
所述声信号采集和处理模块1包括声信号采集单元11和声信号处理单元12，其中所述声信号采集单元11用于收集在选择性激光熔化过程中液体、蒸汽和固体物质之间的摩擦振动产生的声信号并将其放大；所述声信号处理单元12用于对声信号分别进行傅立叶变换和使用带通滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理。
声信号分析模块2包括数据库21和声信号分析单元22，所述数据库21用于将采集的大量样本声信号存储及分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的关系，并用于声信号分析单元22对声波特征信号的模型训练，其中声信号分析单元22采用深度置信神经网络自动提取信号特征并进行熔化状态的识别，从而实现对声信号的辨别，进而实现对缺陷种类、位置的识别。
本发明通过搭建声信号采集分析系统，利用声信号分析，根据熔池状态改变和缺陷的存在导致压力波改变，对采集到的声信号频率进行分析和卷积神经网络结构的设计，实现信号快速采集及处理。此外，通过搭建庞大的信号数据库，构造算法，将缺陷信号与数据库信号进行分析，得到对应的缺陷种类和位置，实现实时在线监测。
与现有技术相比，本发明通过声信号对选择性激光熔化过程特征进行实时在线监测，利用声信号监测方法来分析选择性激光熔化过程产生的内部缺陷，判断其种类和可能位置，可以实现对缺陷种类和位置的识别，从而为及时采取措施在线修复缺陷提供可能，进而提高金属成型零件的质量，满足实际需求的精度和可靠性。本发明方法能够做到在线实时监控，针对缺陷及时提出解决方法，极大程度地提高了打印质量，进一步对促进金属3D打印技术在航天、医疗、以及材料制造等领域的应用有十分重要的意义。通过声信号的自动识别与特征处理来实现高效、低成本的对选择性激光熔化过程内部缺陷自动监测，具有十分重要的工程实践价值。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (8)
1.一种对选择性激光熔化过程内部缺陷实时在线监测方法，其特征在于，所述方法包括以下步骤：
S1：采集和放大3D打印过程中的声信号，并对声信号分别进行傅立叶变换和滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理；
S2：根据去噪处理后得到的各个位置的声信号构建数据样本进行分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的对应关系，并存储到数据库中；
S3：采用深度置信神经网络建立模型，并利用数据库内大量实验数据来训练模型，实现自动提取信号特征并进行熔化状态的识别，与数据库内声信号进行对比分析，实现对缺陷种类及可能出现位置的识别。
2.根据权利要求1所述的对选择性激光熔化过程内部缺陷实时在线监测方法，其特征在于，所述步骤S1具体包括：通过声信号采集和处理模块采集和放大3D打印过程中的声信号样本，并使用Labview软件对声信号分别进行傅立叶变换和使用带通滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理。
3.根据权利要求1所述的对选择性激光熔化过程内部缺陷实时在线监测方法，其特征在于，所述步骤S2具体包括：根据去噪处理后的得到各个位置的声信号构建数据样本，通过CT监测、超声监测、射线照相监测及荧光渗透监测等离线监测方法进行分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的关系，并存储到数据库中。
4.根据权利要求1所述的对选择性激光熔化过程内部缺陷实时在线监测方法，其特征在于，所述步骤S3具体包括：采用深度置信神经网络建立模型，并利用数据库内大量实验数据来训练模型，所述训练模型的步骤包括：
步骤1：读入数据库数据，训练每一层受限玻尔兹曼机，将第一隐层输出作为可见层的输入，再将可见层的输出作为下一隐层输入逐层进行训练，每一层单独训练可使特征向量能更多的保留特征信息在不同的特征空间中；
步骤2：最后一层设置反向传递神经网络，接收受限玻尔兹曼机的输出作为BP网络的输入，通过自顶向下进行神经网络参数的更新，调整整个深度置信网络，使整个深度置信网络的准确率达到最优。
5.一种对选择性激光熔化过程内部缺陷实时在线监测系统，其特征在于，所述系统包括声信号采集和处理模块以及声信号分析模块，所述声信号采集和处理模块用于采集3D打印过程中的声信号，并进行去噪处理，分析出各个位置中声信号的信息并将其存入电脑，所述声信号分析模块采用深度置信神经网络自动提取信号特征并进行熔化状态的识别，与数据库内声信号进行对比分析，实现对缺陷种类、位置的识别。
6.根据权利要求5所述的对选择性激光熔化过程内部缺陷实时在线监测系统，其特征在于，所述声信号采集和处理模块包括声信号采集单元和声信号处理单元，其中所述声信号采集单元用于收集在选择性激光熔化过程中液体、蒸汽和固体物质之间的摩擦振动产生的声信号并将其放大；所述声信号处理单元用于对声信号分别进行傅立叶变换和使用带通滤波器进行滤波，实现将声信号由时域转换到频域及进行降噪处理。
7.根据权利要求5所述的对选择性激光熔化过程内部缺陷实时在线监测系统，其特征在于，所述声信号分析模块包括数据库和声信号分析单元，所述数据库用于将采集的大量样本声信号存储及分析，建立声波特征信号和不同种类缺陷及缺陷出现位置的关系，并用于声信号分析单元对声波特征信号的模型训练，所述声信号分析单元采用深度置信神经网络自动提取信号特征并进行熔化状态的识别，实现对缺陷种类、位置的识别。
8.根据权利要求5所述的对选择性激光熔化过程内部缺陷实时在线监测系统，其特征在于，所述系统还包括用于对所述缺陷种类、位置进行显示的显示模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210898172.XA CN115266951A (zh) | 2022-07-28 | 2022-07-28 | 对选择性激光熔化过程内部缺陷实时在线监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210898172.XA CN115266951A (zh) | 2022-07-28 | 2022-07-28 | 对选择性激光熔化过程内部缺陷实时在线监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115266951A true CN115266951A (zh) | 2022-11-01 |
Family
ID=83770573
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210898172.XA Pending CN115266951A (zh) | 2022-07-28 | 2022-07-28 | 对选择性激光熔化过程内部缺陷实时在线监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115266951A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805248A (zh) * | 2024-02-29 | 2024-04-02 | 云耀深维(江苏)科技有限公司 | 利用声学测量实现增材制造质量监测的方法和系统 |
-
2022
- 2022-07-28 CN CN202210898172.XA patent/CN115266951A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117805248A (zh) * | 2024-02-29 | 2024-04-02 | 云耀深维(江苏)科技有限公司 | 利用声学测量实现增材制造质量监测的方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Islam et al. | Automated bearing fault diagnosis scheme using 2D representation of wavelet packet transform and deep convolutional neural network | |
| Sadoughi et al. | Physics-based convolutional neural network for fault diagnosis of rolling element bearings | |
| Shevchik et al. | Deep learning for in situ and real-time quality monitoring in additive manufacturing using acoustic emission | |
| Pan et al. | LiftingNet: A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification | |
| CN110231395B (zh) | 一种钢丝绳断丝损伤识别方法及系统 | |
| Zhao et al. | A fault diagnosis method for rotating machinery based on CNN with mixed information | |
| CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
| Li et al. | A feature-level multi-sensor fusion approach for in-situ quality monitoring of selective laser melting | |
| Leo et al. | Identification of defective areas in composite materials by bivariate EMD analysis of ultrasound | |
| Xu et al. | Hierarchical multiscale dense networks for intelligent fault diagnosis of electromechanical systems | |
| CN110096810A (zh) | 一种基于逐层数据扩充深度学习的工业过程软测量方法 | |
| CN115266951A (zh) | 对选择性激光熔化过程内部缺陷实时在线监测方法及系统 | |
| CN115034554B (zh) | 一种基于时序网络的连铸坯质量预测方法及系统 | |
| CN116415127A (zh) | 用于造纸质量评估的方法、系统及介质 | |
| CN117437933A (zh) | 基于特征聚类结合生成式学习的变压器声纹信号故障无监督检测方法 | |
| Tang et al. | A new method to assess fiber laser welding quality of stainless steel 304 based on machine vision and hidden Markov models | |
| Chen et al. | Depth classification of defects based on neural architecture search | |
| Rahman et al. | In situ process monitoring of multi-layer deposition in wire arc additive manufacturing (WAAM) process with acoustic data analysis and machine learning | |
| Zhang et al. | Improving Pipeline Magnetic Flux Leakage (MFL) Detection Performance with Mixed Attention Mechanisms (AM) and Deep Residual Shrinkage Networks (DRSN) | |
| Li et al. | Transfer learning-based quality monitoring of laser powder bed fusion across materials | |
| CN116165280A (zh) | 一种对激光熔覆过程内部缺陷实时监测方法与系统 | |
| CN117349693A (zh) | 基于pso-dbn的车轴疲劳裂纹声发射信号识别方法 | |
| Guo et al. | Recent progress of sensing and machine learning technologies for process monitoring and defects detection in wire arc additive manufacturing | |
| CN115106615A (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
| CN114240914A (zh) | 基于数据扩增的复材红外热成像缺陷检测图像处理方法 |
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 |