CN115859746A - 一种基于深度学习的铜材料增材制造成形精度控制方法 - Google Patents
一种基于深度学习的铜材料增材制造成形精度控制方法 Download PDFInfo
- Publication number
- CN115859746A CN115859746A CN202310101357.8A CN202310101357A CN115859746A CN 115859746 A CN115859746 A CN 115859746A CN 202310101357 A CN202310101357 A CN 202310101357A CN 115859746 A CN115859746 A CN 115859746A
- Authority
- CN
- China
- Prior art keywords
- cladding
- laser
- molten pool
- finite element
- element model
- 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
Links
Images
Classifications
-
- 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
- Laser Beam Processing (AREA)
Abstract
本发明涉及增材制造技术领域,具体公开了一种基于深度学习的铜材料增材制造成形精度控制方法,包括:根据激光熔覆的实验结果和熔覆层几何模型,建立激光熔覆有限元模型;采用不同初始激光功率载荷加载到激光熔覆有限元模型中进行仿真,以得到初始熔池深度仿真结果;对初始熔池深度仿真结果进行归一化处理后输入到卷积神经网络中进行训练,以输出优化后的激光功率载荷;将优化后的激光功率载荷进行反归一化处理后加载到激光熔覆有限元模型中进行仿真,以得到激光熔覆的优化后熔池深度仿真结果。本发明能够降低热作用对熔覆过程的影响,通过调整功率函数的大小来保证基板和熔覆层得到同样多的能量,从而确保得到均匀一致的熔池深度。
Description
技术领域
本发明涉及增材制造技术领域,更具体地,涉及一种基于深度学习的铜材料增材制造成形精度控制方法。
背景技术
通过对激光熔覆过程中的热作用机理的研究,表明热作用将导致熔池深度越来越大。在熔覆的初始阶段,由于基板初始温度低,熔池深度较小;在后续的熔覆阶段,由于前面熔覆时产生的热量不断的向四周传导,致使后续熔覆时基板的初始温度不断升高。于是,由于后续基板初始温度不断升高,致使熔池深度不断增大。过小的熔池深度,导致熔覆层与基板之间的冶金结合强度较差,熔覆层易从基板上脱落。过大的熔池深度,致使基板和熔覆层温度场分布不合理,温度梯度过大,使基板和熔覆层残余应力增大,基板和熔覆层翘曲和变形越来越明显,甚至出现裂纹。为了使整个熔覆层与基板之间的初始部分和后续部分都尽量有一样大小且合适的熔池深度,确保熔覆层与基板之间既有较强的冶金结合强度,又有较小的变形和残余应力。因此,通过降低热作用对激光熔覆过程的影响,得到大小合适且均匀的熔池深度,对提高熔覆质量具有重要意义。
发明内容
本发明的目的在于克服现有技术中存在的不足,提供了一种基于深度学习的铜材料增材制造成形精度控制方法,实现了降低热作用对熔覆过程的影响,通过调整功率函数的大小来保证基板和熔覆层得到同样多的能量,从而确保得到均匀一致的熔池深度。
作为本发明的第一个方面,提供一种基于深度学习的铜材料增材制造成形精度控制方法,包括如下步骤:
步骤S1:获取激光熔覆的实验结果以及建立熔覆层几何模型;
步骤S2:根据所述激光熔覆的实验结果以及熔覆层几何模型,建立激光熔覆有限元模型;
步骤S3:采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的初始熔池深度仿真结果;
步骤S4:对所述激光熔覆的初始熔池深度仿真结果进行归一化处理,并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练,以输出优化后的激光功率载荷;
步骤S5:将所述优化后的激光功率载荷进行反归一化处理,并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的优化后熔池深度仿真结果。
进一步地,所述建立熔覆层几何模型,还包括:
提取熔覆层表面轮廓的点云数据;
根据提取的所述熔覆层表面轮廓的点云数据,使用多个测量横截面测量熔覆层的宽度和高度,并求出平均值作为熔覆层几何建模的尺寸;
根据熔覆层几何建模的尺寸,选择二次曲线抛物线拟合熔覆层的截面轮廓,以建立所述熔覆层几何模型。
进一步地,所述根据所述激光熔覆的实验结果以及熔覆层几何模型,建立激光熔覆有限元模型,还包括:
对所述熔覆层几何模型施加相应的温度边界条件,以得到激光熔覆有限元模型;
根据所做的单道熔覆实验结果对所述激光熔覆有限元模型的参数进行调试和修正,以得到修正后的激光熔覆有限元模型。
进一步地,所述采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的初始熔池深度仿真结果,还包括:
选择5种不同的初始激光功率载荷加载到所述修正后的激光熔覆有限元模型中进行仿真,并分别提取对应的初始熔池深度仿真结果。
进一步地,所述对所述激光熔覆的初始熔池深度仿真结果进行归一化处理,并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练,以输出优化后的激光功率载荷,还包括:
在训练过程中,采用所述归一化处理后的初始熔池深度仿真结果作为所述卷积神经网络的输入值,激光功率载荷作为所述卷积神经网络的输出值进行训练,且损失函数选择mse,优化函数选择adam,模型学习率为0.0001,迭代次数为200次;
以卷积神经网络的收敛速度和精度确定网络层深度、卷积核个数和卷积核大小,建立基于深度学习的增材制造成形优化模型。
进一步地,所述将所述优化后的激光功率载荷进行反归一化处理,并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的优化后熔池深度仿真结果,还包括:
通过实验对所述激光熔覆的优化后熔池深度仿真结果进行验证。
进一步地,所述激光熔覆有限元模型包括单道熔覆有限元模型和多道熔覆有限元模型;
采用不同初始激光功率载荷加载到所述单道熔覆有限元模型中进行仿真,以得到单道初始熔池深度仿真结果;
采用不同初始激光功率载荷加载到所述多道熔覆有限元模型中进行仿真,以得到多道初始熔池深度仿真结果。
进一步地,所述激光功率载荷包括线性激光功率载荷与非线性激光功率载荷。
本发明提供的一种基于深度学习的铜材料增材制造成形精度控制方法具有以下优点:
(1)实现了降低热作用对熔覆过程的影响,通过调整功率函数的大小来保证基板和熔覆层得到同样多的能量,从而确保得到均匀一致的熔池深度;
(2)采用深度学习的方法,确保零件在增材制造过程中得到较为均匀的温度场,为铜材料电机绕组增材制造成形精度控制提供了一种有效方法。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提供的一种基于深度学习的铜材料增材制造成形精度控制方法的流程图。
图2为本发明提供的一种基于深度学习的铜材料增材制造成形精度控制方法的具体实施方式流程图。
图3(a)至图3(d)为不同网络层深度下验证精度及验证损失随迭代次数的变化趋势图。
图4(a)至图4(d)为不同卷积核个数下验证精度及验证损失随迭代次数的变化趋势图。
图5(a)至图5(d)为不同卷积核大小下验证精度及验证损失随迭代次数的变化趋势图。
图6(a)至图6(d)为本发明多道搭接熔覆几何模型示意图。
图7(a)至图7(d)为优化前后及期望熔池深度对比示意图。
图8为不同深度的网络模型配置示意图。
图9为不同卷积核个数的网络模型配置示意图。
图10为不同卷积核大小的网络模型配置示意图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于深度学习的铜材料增材制造成形精度控制方法其具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包括,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种基于深度学习的铜材料增材制造成形精度控制方法,如图1-2所示,一种基于深度学习的铜材料增材制造成形精度控制方法,包括如下步骤:
步骤S1:获取激光熔覆的实验结果以及建立熔覆层几何模型;
优选地,所述建立熔覆层几何模型,还包括:
提取熔覆层表面轮廓的点云数据;
根据提取的所述熔覆层表面轮廓的点云数据,使用多个测量横截面测量熔覆层的宽度和高度,并求出平均值作为熔覆层几何建模的尺寸;
根据熔覆层几何建模的尺寸,选择二次曲线抛物线拟合熔覆层的截面轮廓,以建立所述熔覆层几何模型。
步骤S2:根据所述激光熔覆的实验结果以及熔覆层几何模型,建立激光熔覆有限元模型;
优选地,所述根据所述激光熔覆的实验结果以及熔覆层几何模型,建立激光熔覆有限元模型,还包括:
对所述熔覆层几何模型施加相应的温度边界条件,以得到激光熔覆有限元模型;
根据所做的单道熔覆实验结果对所述激光熔覆有限元模型的参数进行调试和修正,以得到修正后的激光熔覆有限元模型。
具体地,为了对增材制造的温度场有一个更加准确的仿真分析,根据所做的单道熔覆实验作为标准和仿真分析进行比对,并根据实验结果对热源模型参数进行调试和修正。
步骤S3:采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的初始熔池深度仿真结果;
具体地,所述激光熔覆有限元模型包括单道熔覆有限元模型和多道熔覆有限元模型;
采用不同初始激光功率载荷加载到所述单道熔覆有限元模型中进行仿真,以得到单道初始熔池深度仿真结果;
采用不同初始激光功率载荷加载到所述多道熔覆有限元模型中进行仿真,以得到多道初始熔池深度仿真结果。
优选地,所述采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的初始熔池深度仿真结果,还包括:
选择5种不同的初始激光功率载荷加载到所述修正后的激光熔覆有限元模型中进行仿真,并分别提取对应的初始熔池深度仿真结果。
优选地,所述激光功率载荷包括线性激光功率载荷与非线性激光功率载荷。
具体地,线性和非线性功率函数加载及分析:为了确保数据的有效性和准确性,选择了5种不同的线性和非线性功率函数加载到有限元模型,并分别提取对应的数据结果。
步骤S4:对所述激光熔覆的初始熔池深度仿真结果进行归一化处理,并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练,以输出优化后的激光功率载荷;
优选地,所述对所述激光熔覆的初始熔池深度仿真结果进行归一化处理,并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练,以输出优化后的激光功率载荷,还包括:
在训练过程中,为了直接获得激光功率,采用所述归一化处理后的初始熔池深度仿真结果作为所述卷积神经网络的输入值,激光功率载荷作为所述卷积神经网络的输出值进行训练,且损失函数选择均方误差mse,优化函数选择自适应矩估计优化函数adam,模型学习率为0.0001,迭代次数为200次,采用交叉验证的方式降低训练过程中出现“欠拟合”与“过拟合”现象的发生;
以卷积神经网络的收敛速度和精度确定网络层深度、卷积核个数和卷积核大小,建立基于深度学习的增材制造成形优化模型。
在本发明实施例中,基于深度学习的增材制造成形优化模型建立,包括:
(1)网络层深度的确定:网络层深度直接影响了数据回归的复杂性,因此,有必要探究网络层深度对激光功率预测的影响,图8为本文采用的网络深度配置模型。方案 A、B、C的网络层深度依次递进增加, 其余参数均保持一致,其中每个卷积层(Conv)的卷积核个数为16,大小为 2×2,步长为 1; 池化层大小(pool)为 2×2,步长为默认池化层尺度即2;激活层取非线性激活函数 Relu;同时为防止卷积过程中数据样本的减缩,每次卷积后均采用填充(padding)进行补0填充。
不同网络层深度下验证精度及验证损失随迭代次数的变化趋势如图3(a)至图3(d)所示。在验证集精度和收敛速度上,简单的模型(这里尤指卷积网络深度的降低导致的模型复杂度)表现出了更加优异的学习性能,更容易达到模型的最优点。
(2)卷积核个数的确定:通常情况下卷积核个数会影响激活映射的深度,进而影响对输入内容的了解,为了进一步探究该模型下卷积核个数对模型回归能力的作用,设置了图9的配置 A,B,C,其中A配置个数最少为 16/16/16/16,B配置个数最多为 64/64/64/64,C配置折中为 16/16/64/64,表格中未提及参数均与上面保持一致。
不同卷积核个数下验证精度及验证损失随迭代次数的变化趋势如图4(a)至图4(d)所示。多道熔覆上三种不同卷积核个数最终稳定得到的验证损失十分接近,但卷积核个数最多时下降速度是最快的,充分表明增加卷积核个数是有益于提升模型的学习能力。
(3)卷积核大小的确定:一般来说,卷积核越大,感受野就越大,进而对于特征的获取越多,但也会导致模型深度的下降,因此卷积核的大小对模型精度的提升是双向的,有必要探究不同大小的卷积核对模型学习能力的影响。如图10所示,按照卷积核大小递进设置了三种不同配置,分别对应 2×2,3×3,4×4 的大小,表格中未提及参数与上面保持一致。
不同卷积核大小下验证精度及验证损失随迭代次数的变化趋势如图5(a)至图5(d)所示。随着卷积核大小的增加,收敛速度要略微增大,但是这种幅度是微弱的,说明卷积核大小对于该数据模型的训练效果不敏感。
步骤S5:将所述优化后的激光功率载荷进行反归一化处理,并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的优化后熔池深度仿真结果,即为优化后深度。
优选地,所述将所述优化后的激光功率载荷进行反归一化处理,并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的优化后熔池深度仿真结果,还包括:
通过实验对所述激光熔覆的优化后熔池深度仿真结果进行验证。
以下用基于上述过程应用的具体实施例子来说明本发明的实现效果:
使用SENSOFAR公司提供的型号为Sneox非接触式3D光学成像轮廓测定仪对熔覆层进行扫描检测。首先,选取一段熔覆层作为扫描检测对象;然后沿熔覆层横截面方向扫描并提取点云数据;最后,待扫描数据稳定后,选取多个测量横截面测量熔覆层。
根据提取的熔覆层表面的点云数据,使用多个测量横截面测量熔覆层的宽度和高度,并求出平均值作为熔覆层几何建模的尺寸。考虑到拟合精度和函数曲线的复杂程度,选择二次曲线抛物线拟合熔覆层的截面轮廓。根据单道熔覆的实验结果和测量结果建立的熔覆层几何模型,选择45%搭接率,建立3道搭接的激光熔覆有限元模型,如图6(a)至图6(c)所示,在图6(d)中,BASE指熔覆层和基板相邻部位网格,F1指第一道熔覆层网格,F2指第二道熔覆层网格,F3指第三道熔覆层网格,bm指基板网格。
将优化后的功率函数加载到上述激光熔覆有限元模型,得到优化后的熔池深度,如图7(a)至图7(d)所示。第1道、第2道和第3道的熔池深度都基本均匀一致:第1道的平均误差为10.88%,第2道的平均误差为8.77%,第3道的平均误差为6.89%。
为了验证本发明所述方法的正确性,将优化后的3道功率函数,分别输入到熔覆设备,进行多道搭接熔覆实验。将熔覆好的试样用线切割沿径向切割。由于功率函数实时调整,确保了熔覆时第1道、第2道和第3道吸收的能量基本相等,所以h m1 ,h m2 和h m3 基本相等,A d1 ,A d2 和A d3 也基本相等,即3道熔覆的熔池深度基本相等。h m1 、h m2 、h m3 分别指第一道熔池深度、第二道熔池深度、第三道熔池深度,A d1 、A d2 、A d3 分别指第一道熔覆层面积、第二道熔覆层面积、第三道熔覆层面积。
综上,本发明提供的一种基于深度学习的铜材料增材制造成形精度控制方法,实现了降低热作用对熔覆过程的影响,通过调整功率函数的大小来保证基板和熔覆层得到同样多的能量,从而确保得到均匀一致的熔池深度。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (8)
1.一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,包括如下步骤:
步骤S1:获取激光熔覆的实验结果以及建立熔覆层几何模型;
步骤S2:根据所述激光熔覆的实验结果以及熔覆层几何模型,建立激光熔覆有限元模型;
步骤S3:采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的初始熔池深度仿真结果;
步骤S4:对所述激光熔覆的初始熔池深度仿真结果进行归一化处理,并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练,以输出优化后的激光功率载荷;
步骤S5:将所述优化后的激光功率载荷进行反归一化处理,并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的优化后熔池深度仿真结果。
2.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,所述建立熔覆层几何模型,还包括:
提取熔覆层表面轮廓的点云数据;
根据提取的所述熔覆层表面轮廓的点云数据,使用多个测量横截面测量熔覆层的宽度和高度,并求出平均值作为熔覆层几何建模的尺寸;
根据熔覆层几何建模的尺寸,选择二次曲线抛物线拟合熔覆层的截面轮廓,以建立所述熔覆层几何模型。
3.根据权利要求2所述的一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,所述根据所述激光熔覆的实验结果以及熔覆层几何模型,建立激光熔覆有限元模型,还包括:
对所述熔覆层几何模型施加相应的温度边界条件,以得到激光熔覆有限元模型;
根据所做的单道熔覆实验结果对所述激光熔覆有限元模型的参数进行调试和修正,以得到修正后的激光熔覆有限元模型。
4.根据权利要求3所述的一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,所述采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的初始熔池深度仿真结果,还包括:
选择5种不同的初始激光功率载荷加载到所述修正后的激光熔覆有限元模型中进行仿真,并分别提取对应的初始熔池深度仿真结果。
5.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,所述对所述激光熔覆的初始熔池深度仿真结果进行归一化处理,并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练,以输出优化后的激光功率载荷,还包括:
在训练过程中,采用所述归一化处理后的初始熔池深度仿真结果作为所述卷积神经网络的输入值,激光功率载荷作为所述卷积神经网络的输出值进行训练,且损失函数选择mse,优化函数选择adam,模型学习率为0.0001,迭代次数为200次;
以卷积神经网络的收敛速度和精度确定网络层深度、卷积核个数和卷积核大小,建立基于深度学习的增材制造成形优化模型。
6.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,所述将所述优化后的激光功率载荷进行反归一化处理,并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真,以得到激光熔覆的优化后熔池深度仿真结果,还包括:
通过实验对所述激光熔覆的优化后熔池深度仿真结果进行验证。
7.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,所述激光熔覆有限元模型包括单道熔覆有限元模型和多道熔覆有限元模型;
采用不同初始激光功率载荷加载到所述单道熔覆有限元模型中进行仿真,以得到单道初始熔池深度仿真结果;
采用不同初始激光功率载荷加载到所述多道熔覆有限元模型中进行仿真,以得到多道初始熔池深度仿真结果。
8.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法,其特征在于,所述激光功率载荷包括线性激光功率载荷与非线性激光功率载荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101357.8A CN115859746B (zh) | 2023-02-13 | 2023-02-13 | 一种基于深度学习的铜材料增材制造成形精度控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310101357.8A CN115859746B (zh) | 2023-02-13 | 2023-02-13 | 一种基于深度学习的铜材料增材制造成形精度控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115859746A true CN115859746A (zh) | 2023-03-28 |
CN115859746B CN115859746B (zh) | 2023-04-25 |
Family
ID=85657943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310101357.8A Active CN115859746B (zh) | 2023-02-13 | 2023-02-13 | 一种基于深度学习的铜材料增材制造成形精度控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115859746B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116275124A (zh) * | 2023-05-11 | 2023-06-23 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
CN118080882A (zh) * | 2024-04-18 | 2024-05-28 | 常州铸远智造科技有限公司 | 一种实现熔池内部温度场实时监测的方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989703A (zh) * | 2021-04-02 | 2021-06-18 | 唐剑军 | 基于深度学习的特征融合金属增材制造熔合状态实时预测方法 |
CN113762240A (zh) * | 2021-08-30 | 2021-12-07 | 江苏大学 | 一种基于深度学习的熔覆层几何特征预测方法及系统 |
WO2022006919A1 (zh) * | 2020-07-10 | 2022-01-13 | 中国科学院自动化研究所 | 基于激活定点拟合的卷积神经网络训练后量化方法及系统 |
CN114003003A (zh) * | 2021-08-04 | 2022-02-01 | 上海航天设备制造总厂有限公司 | 一种激光熔覆过程工艺参数优化与稳定性控制方法 |
CN216226916U (zh) * | 2021-05-31 | 2022-04-08 | 南京中科煜宸激光技术有限公司 | 激光熔覆增材制造系统 |
CN114589315A (zh) * | 2022-02-22 | 2022-06-07 | 上海交通大学 | 一种激光增材制造最优搭接步进量匹配方法 |
-
2023
- 2023-02-13 CN CN202310101357.8A patent/CN115859746B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022006919A1 (zh) * | 2020-07-10 | 2022-01-13 | 中国科学院自动化研究所 | 基于激活定点拟合的卷积神经网络训练后量化方法及系统 |
CN112989703A (zh) * | 2021-04-02 | 2021-06-18 | 唐剑军 | 基于深度学习的特征融合金属增材制造熔合状态实时预测方法 |
CN216226916U (zh) * | 2021-05-31 | 2022-04-08 | 南京中科煜宸激光技术有限公司 | 激光熔覆增材制造系统 |
CN114003003A (zh) * | 2021-08-04 | 2022-02-01 | 上海航天设备制造总厂有限公司 | 一种激光熔覆过程工艺参数优化与稳定性控制方法 |
CN113762240A (zh) * | 2021-08-30 | 2021-12-07 | 江苏大学 | 一种基于深度学习的熔覆层几何特征预测方法及系统 |
CN114589315A (zh) * | 2022-02-22 | 2022-06-07 | 上海交通大学 | 一种激光增材制造最优搭接步进量匹配方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116275124A (zh) * | 2023-05-11 | 2023-06-23 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
CN116275124B (zh) * | 2023-05-11 | 2023-08-01 | 四川大学 | 基于无模型自适应迭代学习的激光增材制造分区控制方法 |
CN118080882A (zh) * | 2024-04-18 | 2024-05-28 | 常州铸远智造科技有限公司 | 一种实现熔池内部温度场实时监测的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115859746B (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115859746A (zh) | 一种基于深度学习的铜材料增材制造成形精度控制方法 | |
KR101720845B1 (ko) | 인장시험에서 디지털 이미지 해석 기법을 이용하여 고 변형 구간에서 재료의 진응력-진변형률 곡선을 추출하는 방법 | |
US20140330525A1 (en) | System and Method for Predicting Distortion of a Workpiece Resulting from a Peening Machine Process | |
KR100847974B1 (ko) | 압연, 단조 또는 교정 라인의 재질 제어 방법 및 그 장치 | |
US8645086B1 (en) | Stress function calibration method | |
JP2009282027A6 (ja) | 導電性材料からなる試験対象物における特に亀裂の渦電流表示を判定して評価する方法 | |
TWI521476B (zh) | 週期性圖案之自動光學檢測方法 | |
JP4613751B2 (ja) | 製造条件計算方法、品質調整方法、鉄鋼製造方法、製造条件計算装置、品質調整システム、及びコンピュータプログラム | |
CN110987676A (zh) | 随机多轴载荷下考虑裂纹闭合效应的全寿命预测方法 | |
CN109145453A (zh) | 复杂特征结构件电弧增材制造热场计算方法 | |
KR102277276B1 (ko) | 금속 물성 측정 시스템 및 그 측정 방법 | |
US20100286945A1 (en) | Method of estimating temperature distribution history | |
CN113807028A (zh) | 一种环氧树脂固化工艺的优化方法及优化系统 | |
Kardak et al. | Stress concentration factors for ASTM E8/E8M-15a plate-type specimens for tension testing | |
CN117235433B (zh) | 一种基于交流电磁场的金属表面裂纹定量评估方法 | |
US20080208545A1 (en) | Non-destructive method for inverse-calculating fiber probe aperture size and prediction method of fabrication profile of near field photolithography | |
Aldrin et al. | Model-based inverse methods for sizing surface-breaking discontinuities with eddy current probe variability | |
CN115952614A (zh) | 一种螺栓头下圆角滚压工艺优化方法 | |
JPH09323129A (ja) | 線状加熱変形算出データのリアルタイム修正方法 | |
Vuppala et al. | A new inverse explicit flow curve determination method for compression tests | |
JP5708356B2 (ja) | 金属板の形状計測方法、形状計及び金属板の圧延方法 | |
JP2017049041A (ja) | 被検体の形状算出方法、鋼板のプレス矯正方法、鋼板の製造方法および鋼板 | |
KR102525296B1 (ko) | 강판 코팅층 두께 측정 장치 | |
US10209300B2 (en) | Opto-acoustic metrology of signal attenuating structures | |
CN111272060B (zh) | 基于单对电极电容成像检测技术的非导电材料开口缺陷宽度方向尺寸量化方法 |
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 |