CN115861187A - 一种激光沉积增材制造在线监测系统及方法 - Google Patents
一种激光沉积增材制造在线监测系统及方法 Download PDFInfo
- Publication number
- CN115861187A CN115861187A CN202211430079.2A CN202211430079A CN115861187A CN 115861187 A CN115861187 A CN 115861187A CN 202211430079 A CN202211430079 A CN 202211430079A CN 115861187 A CN115861187 A CN 115861187A
- Authority
- CN
- China
- Prior art keywords
- module
- data
- laser deposition
- additive manufacturing
- laser
- 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
Images
Landscapes
- Laser Beam Processing (AREA)
Abstract
本申请提供一种激光沉积增材制造在线监测系统及方法,包括:激光沉积增材制造模块、机器人系统模块和计算机模块;在激光沉积模块中首先利用激光结合数字模型路径对金属材料进行沉积,同时利用机器人系统模块对增材制造过程数据进行实时采集,将所有数据传输到计算机模块。将获取后的数据结合算法模型模块,对沉积层表面,熔池状态可进行实时监测,将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块中达到实时控制,保证工件表面成形质量,提高产品合格率。
Description
技术领域
本申请涉及激光沉积增材制造在线监测技术领域,特别涉及一种激光沉积增材制造在线监测系统及方法。
背景技术
增材制造也被称为三维打印,主要是通过结合三维数字模型,将材料一层一层加工成型。激光沉积增材制造是一种金属增材制造过程,通过用聚焦热能熔化金属原料来构建工件,可以制造更高的效率和灵活性。可用于快速成型,制造功能分级材料,以及修复高附加值的组件,如涡轮叶片。在过去的十年中,该技术被越来越多地应用于航空航天、国防、汽车和生物医学工业。
在激光沉积增材制造过程中,在不同工艺参数,环境和设备等因素的影响下,导致工件成形质量的表面精度较差,其中缺陷的生成和尺寸精度一直影响着该技术进一步的普及和应用。所以对增材制造过程进行在线监测技术研究是对整体增材制造过程进行控制的必要手段和质量保证。
目前就该问题所应用的在线监测技术有工业CT(Computed Tomography)检测,超声检测以及X射线检测等方式,主要对增材制造后产生的工件进行整体扫面探伤检测,这些方法导致了无法对增材制造过程进行监测控制,比如缺少对熔池的行为检测,温度检测和表面形貌检测等。基于这些无损检测方法进行检查时具有成本高昂,无法进行实时修复等缺点。
发明内容
本申请为解决上述无法对增材制造过程进行监测控制,比如缺少对熔池的行为检测,温度检测和表面形貌检测等,无法进行实时修复等问题,提出一种激光沉积增材制造在线监测系统,包括:激光沉积增材制造模块、机器人系统模块和计算机模块。
机器人系统模块与计算机模块通信连接;计算机模块与激光沉积增材制造模块通信连接。
激光沉积增材制造模块被配置为:对粉末材料或丝状材料结合数字模型进行熔化沉积,完成目标工件成形。
机器人系统模块被配置为:在激光沉积增材制造过程中采集数据,并传输数据至计算机模块,数据包括:熔池图像数据、熔池温度数据和三维点云数据。
计算机模块包括算法模型模块,算法模型模块被配置为:根据以往的数据训练形成算法模型,通过算法模型对数据进行实时处理,并将处理结果保存到计算机模块中。
计算机模块被配置为:将数据通过算法模型模块处理,对沉积层表面,熔池状态进行实时监测,将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块。
在一种可行的实现方式中,机器人系统模块包括数据采集设备模块和信号传输线路模块;数据采集设备模块与信号传输线路模块通信连接;且信号传输线路模块与计算机模块通信连接。
数据采集设备模块被配置为:采集激光沉积增材制造过程中的数据。
信号传输线路模块被配置为:将数据通过通信协议或快速传输线路传送至算法模型模块。
在一种可行的实现方式中,数据采集设备模块包括:高速相机,红外相机和激光三维扫描仪,高速相机,红外相机和激光三维扫描仪均与信号传输线路模块通信连接。
高速相机被配置为采集熔池图像数据。
红外相机被配置为采集熔池温度数据。
激光三维扫描仪被配置为采集三维点云数据。
在一种可行的实现方式中,计算机模块还包括:主机和显示器;主机与显示器通信连接,且主机与算法模型模块也通信连接。
主机还包括:图像处理单元,计算处理单元和数据存储单元。
其中,图像处理单元被配置为:处理熔池图像数据。
计算处理单元被配置为:处理熔池温度数据和三维点云数据。
数据存储单元被配置为:存储数据和处理后的数据。
显示器被配置为:显示实时数据并且实现人机交互。
在一种可行的实现方式中,算法模型模块包括:LSTM时序预测方法模块,深度学习目标检测算法模块和神经网络分类模块模块;其中,LSTM时序预测方法模块和神经网络分类模块模块均与计算处理单元通信连接,深度学习目标检测算法模块与图像处理单元通信连接。
LSTM时序预测方法模块被配置为:通过时序方法结合工艺参数得到预测熔池温度数据,并将预测熔池温度数据与实时采集的熔池温度数据进行对比,得到对比结果。
深度学习目标检测算法模块被配置为:将熔池图像数据尺寸进行等比缩放后输入,进行训练后,输出固定标准的熔池图像数据进行熔池状态检测,得到检测结果。
神经网络分类模块被配置为:通过构建三层反向传播神经网络对三维点云数据进行分类,得到三维缺陷信息。
在一种可行的实现方式中,工艺参数包括时间序列、激光功率、送粉/送丝速度和扫描速度。
在一种可行的实现方式中,等比缩放后的熔池图像数据尺寸为224*224像素的倍数,固定标准为图像长宽尺寸范围为20至60像素。
在一种可行的实现方式中,激光沉积增材制造模块包括:激光沉积头、旋转加工平台、高功率激光器、送粉/送丝装置和保护气装置。
旋转加工平台用于放置基板,并进行一定角速度的旋转加工;激光沉积头设在旋转加工平台上方,用于进行输出具体光斑尺寸的激光对材料进行沉积。
高功率激光器与激光沉积头通过光纤连接,用于将不同功率激光通过光纤传导到激光沉积头中。
送粉/送丝装置与激光沉积头输出端连接;送粉/送丝装置用于对材料进行定向输出,并与激光沉积头共同作用对材料进行沉积。
保护气装置也与激光沉积头输出端连接,保护气装置用于输出保护气体,防止材料沉积过程中高温氧化,影响目标工件的性能。
还包括控制器,控制器与计算机模块通信连接,并与高功率激光器和送粉/送丝装置通信连接,用于根据计算机模块反馈的信息调整工艺参数。
本申请另一方面提供一种激光沉积增材制造在线监测方法,应用于上述任意一种激光沉积增材制造在线监测系统,监测方法包括:
通过激光沉积增材制造模块进行目标工件的激光沉积增材制造;
在激光沉积增材制造过程中,通过机器人系统模块进行目标工件的数据实时获取,并将获取的数据传输到计算机模块中进行存储;
通过计算机模块进行数据实时处理,并将处理结果进行存储;并将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块。
在一种可行的实现方式中,获取的数据包括:熔池图像数据、熔池温度数据和三维点云数据。
根据上述技术方案可知,本申请的激光沉积增材制造在线监测系统,包括:激光沉积增材制造模块、机器人系统模块和计算机模块;在激光沉积模块中首先利用激光结合数字模型路径对金属材料进行沉积,同时利用机器人系统模块对增材制造过程数据进行实时采集,将所有数据传输到计算机模块。将获取后的数据结合算法模型模块,对沉积层表面,熔池状态可进行实时监测,将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块中达到实时控制,保证工件表面成形质量,提高产品合格率。本申请的激光沉积增材制造在线监测系统主要以各个模块实现不同功能并且模块之间互相联动来实现的,可以根据自己目标要求对各个模块内容进行更改或二次开发等操作。本发明具有集成度高、工作效率高、便于操作和修改等特点,大大提高了激光沉积增材制造装备性能。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明实施的实施例,并与说明书一起被配置为解释本发明实施例的原理。显而易见地,下面描述中的附图仅仅是本发明实施的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请的激光沉积增材制造在线监测系统示意图;
图2为本申请一示例性实施例的激光沉积增材制造在线监测系统;
图3为本申请的激光沉积增材制造在线监测方法的流程示意图;
图4为本申请的LSTM时序预测方法模块的模型示意图;
图5为本申请的深度学习目标检测算法模块的模型示意图;
图6为本申请的神经网络分类模块的模型示意图。
附图说明:
1-激光沉积增材制造模块;2-机器人系统模块;3-计算机模块;
11-激光沉积头;12-旋转加工平台;13-高功率激光器;14-送粉/送丝装置14;15-保护气装置;16-控制器;21-数据采集设备模块;22-信号传输线路模块2;31-算法模型模块;32-主机;33-显示器;
211-高速相机;212-红外相机;213-激光三维扫描仪;311-LSTM时序预测方法模块;312-深度学习目标检测算法模块;313-神经网络分类模块313模块;321-图像处理单元321;322-计算处理单元;323-数据存储单元;
3111-函数模块;3112-遗忘门;3113-更新门;3114-输出门;3121-熔池图像数据集;3122-前期特征层;3133-特征层数据;3134-第一特征层;3135-第二特征层;3134a-第一输出特征向量层;3135a-第二输出特征向量层。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明实施例将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明实施例的实施方式的充分理解。
在激光沉积增材制造过程中,在不同工艺参数,环境和设备等因素的影响下,导致工件成形质量的表面精度较差,其中缺陷的生成和尺寸精度一直影响着该技术进一步的普及和应用。所以对增材制造过程进行在线监测技术研究是对整体增材制造过程进行控制的必要手段和质量保证。目前就该问题所应用的在线监测技术有工业CT检测,超声检测以及X射线检测等方式,主要对增材制造后产生的工件进行整体扫面探伤检测,这些方法导致了无法对增材制造过程进行监测控制,比如缺少对熔池的行为检测,温度检测和表面形貌检测等。
本申请为解决上述无法对增材制造过程进行监测控制,比如缺少对熔池的行为检测,温度检测和表面形貌检测等,无法进行实时修复等问题,提出一种激光沉积增材制造在线监测系统,参照图1所示,图1为本申请的激光沉积增材制造在线监测系统示意图,包括:激光沉积增材制造模块1、机器人系统模块2和计算机模块3。
机器人系统模块2与计算机模块3通信连接;计算机模块3与激光沉积增材制造模块1通信连接。其中机器人系统模块2中集成设备对激光沉积增材制造模块1的激光沉积增材制造过程进行检测,机器人系统模块2上的设备可通过拍照、扫描、红外感应等方式对激光沉积增材制造模块1进行检测,可以不与激光沉积增材制造模块1进行通信连接,提高了设备使用的灵活性。
激光沉积增材制造模块1被配置为:对粉末材料或丝状材料结合数字模型进行熔化沉积,完成目标工件成形。现有的技术中任意一种激光沉积增材制造设备都可应用于本申请中,本申请对激光沉积增材制造模块1的监测具有通用性,不受设备结构影响,可根据实际需求选用激光沉积增材制造设备,本申请中不做限制。
机器人系统模块2被配置为:在激光沉积增材制造过程中采集数据,并传输数据至计算机模块3,数据包括:熔池图像数据、熔池温度数据和三维点云数据。熔池图像数据、熔池温度数据和三维点云数据为激光沉积增材制造过程中决定工件质量的重要数据,通过这三项数据可以涵盖工件制作过程中所有的问题和缺陷,不会再有遗漏和不能解决的缺陷。本申请通过对这三项数据的监测来实现对工件质量的控制。
计算机模块3包括算法模型模块31,算法模型模块31被配置为:根据以往的数据训练形成算法模型,通过算法模型对数据进行实时处理,并将处理结果保存到计算机模块3中。算法模型模块31中可根据以往的设备工艺参数建立算法模型,算法模型中可与要处理的熔池图像数据、熔池温度数据和三维点云数据三种数据匹配,分别进行处理,可以保证处理的准确性和效率,算法模型可根据需求任意搭建,并在监测过程中收集数据保持更新,使得后期的数据处理越来越准确,采用的灵活性强,工作效率高。
计算机模块3被配置为:将数据通过算法模型模块31处理,对沉积层表面,熔池状态进行实时监测,将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块。计算机模块3中通过算法模型模块31实现了数据处理,并且能保存数据并反馈,计算机模块3与激光沉积增材制造模块1之间实时通信,使得信息反馈形成闭环,能够实现实时监测的目的,激光沉积增材制造模块1响应于计算机模块3的反馈信息,及时对缺陷处进行修改或补救,大大提高了成品质量,批量生产时可以提高合格率。
进一步的,本申请另一方面提供了一种激光沉积增材制造在线监测方法,应用于上述任意一种激光沉积增材制造在线监测系统,参照图3所示,图3为为本申请的激光沉积增材制造在线监测方法的流程示意图,监测方法包括:
S100:通过激光沉积增材制造模块1进行目标工件的激光沉积增材制造;
S200:在激光沉积增材制造过程中,通过机器人系统进行目标工件的数据实时获取,并将获取的数据传输到计算机模块3中进行存储;进一步的,获取的数据包括:熔池图像数据、熔池温度数据和三维点云数据。
S300:通过计算机模块3进行数据实时处理,并将处理结果进行存储;并将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块。
其中,缺陷或者熔池异常状态等信息包括:缺陷数据信息、熔池状态异常数据信息和熔池温度异常数据信息;具体的,缺陷数据信息,如孔隙、裂纹等。需要将反馈回来的缺陷坐标数据信息经过对应坐标系转换到加工平台坐标系中;熔池状态异常数据信息,如熔池飞溅、熔池偏移等。需要将反馈回来的熔池状态异常数据信息结合目前加工所设定的工艺参数,进行工艺参数即使调整和加工路线修复;熔池温度异常数据信息,如熔池温度过高、过低等。需要将反馈回来的熔池温度异常数据信息结合目前加工所设定的工艺参数,进行工艺参数及时调整使得熔池温度及时恢复到正常区间。
由上述技术方案可知,本申请中激光沉积模块中首先利用激光结合数字模型路径对金属材料进行沉积,同时利用机器人系统模块2对增材制造过程数据进行实时采集,将所有数据传输到计算机模块3。将获取后的数据结合算法模型模块31,对沉积层表面,熔池状态可进行实时监测,将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块中达到实时控制,保证工件表面成形质量,提高产品合格率。
在一种可行的实现方式中,参照图2所示,图2为本申请一示例性实施例的激光沉积增材制造在线监测系统;机器人系统模块2包括数据采集设备模块21和信号传输线路模块22,机器人系统模块2集成了视觉传感系统和扫描路径跟踪系统,集成方法是利用特定夹具将机器人控制系统和数据采集设备固定,并进行手眼标定,从而可以确定每个数据的坐标转换和精准定位。其中,数据采集设备模块21与信号传输线路模块22通信连接;且信号传输线路模块22与计算机模块3通信连接。
继续参照图2所示,数据采集设备模块21被配置为:采集激光沉积增材制造过程中的数据。数据包括熔池图像数据、熔池温度数据和三维点云数据,熔池图像数据可通过相机等设备进行获取,熔池温度数据可采用温度感应传感器,红外感应装置等进行获取,本申请中提供一套数据采集设备模块21包括:高速相机211,红外相机212和激光三维扫描仪213;高速相机211,红外相机212和激光三维扫描仪213均与信号传输线路模块22通信连接。其中,高速相机211被配置为采集熔池图像数据;红外相机212被配置为采集熔池温度数据;激光三维扫描仪213被配置为采集三维点云数据。数据采集设备模块21整体贴近激光沉积增材制造模块1,在不影响激光沉积增材制造模块1的制造的情况下,实时采集数据,高速相机211,红外相机212和激光三维扫描仪213位置并列可容易获取同一坐标下工件的三种数据,数据坐标的一致性高,同步监测同步处理,反馈后也可同步进行修补。数据采集设备模块21中也可采用其他具有相同功能的设备采集上述三种数据,本申请中不做限制。
信号传输线路模块22被配置为:将数据通过通信协议或快速传输线路如USB3.0接口传送至算法模型模块31。信号传输线路模块22与数据采集设备中的所有设备均通过数据通信连接,内部可设有通信协议或采用快速传输线路进行通信,并将数据传送中计算机模块3,配置专门的信号传输线路模块22可提高通信的稳定性以及通信效率。
在一种可行的实现方式中,继续参照图2所示,计算机模块3还包括:主机32和显示器33;主机32与显示器33通信连接,且主机32与算法模型模块31也通信连接。主机32还包括:图像处理单元321,计算处理单元322和数据存储单元323。其中,图像处理单元321被配置为:处理熔池图像数据。计算处理单元322被配置为:处理熔池温度数据和三维点云数据。数据存储单元323被配置为:存储数据和处理后的数据。主机32中配置两种处理单元,分别处理不同类型的数据,也可采用三种处理单元对应进行三种数据的处理,可根据实际需求配置,数据量大,处理效率低时,可采用三个处理单元对应处理三种数据,数据量少,处理速度快时,至设置两个处理单元即可满足需求,能够节约部分成本。
数据存储单元323可以保存以往的数据,并实时录入正在监测和生成的数据,可用于后期模型的更新以及对设备现状进行分析。
显示器33被配置为:显示实时数据并且实现人机交互。显示器33可呈现实时数据给操作人员,操作人员在必要时可根据数据情况对激光沉积模块采取人工干预,例如数据显示出现重大缺陷时,操作人员可根据显示数据判断工件已不能修补成功,可暂停激光沉积模块工作,及时止损;显示器33还具有人机交互功能,可以人员控制数据处理,或以往数据进行分析等操作。
在一种可行的实现方式中,继续参照图2所示,算法模型模块31包括:LSTM时序预测方法模块311,深度学习目标检测算法模块312和神经网络分类模块313模块;其中,LSTM时序预测方法模块311和神经网络分类模块313模块均与计算处理单元322通信连接,深度学习目标检测算法模块312与图像处理单元321通信连接。
LSTM时序预测方法模块311被配置为:通过时序方法结合工艺参数得到预测熔池温度数据,并将预测熔池温度数据与实时采集的熔池温度数据进行对比,得到对比结果。工艺参数包括时间序列、激光功率、送粉/送丝速度和扫描速度。可根据工艺参数的变化修改LSTM时序预测方法模块311的搭建数据。LSTM(Long Short-TermMemory)是长短期记忆网络,是一种时间递归神经网络(RNN),主要是为了解决长序列训练过程中的梯度消失和梯度爆炸问题。简单来说,就是相比普通的RNN,LSTM能够在更长的序列中有更好的表现。使用在本申请中,可以在实时监测中保持数据对比功能。
具体的,如图4所示,图中,xt为以时间序列分布的熔池温度数据;at为前向传播激活函数模块3111,也作为记录当前状态并将其传递给下一个单元的存储单元;符号和/>分别表示点乘和点加;tanh和σ分别表示双曲切函数和Sigmoid函数;其中ct是指将传递到下一个单元结构的单元状态。ct-1表示前一个单元状态,/>是基于当前输入xt和at-1处的先前激活函数的候选单元状态。单元状态ct在ct-1和/>之间被仔细调节,有两个门结构,即ft和ut,ft为遗忘门3112,ut为更新门3113。LSTM网络中的门控单元控制着进出单元结构的那部分信息。单元格状态ct通过输出门3114ot生成新的激活函数。在此处的激活函数模块3111的输出也表示当前输入xt的预测值。由上述内容可知,通过LSTM时序预测方法模块311,可获得熔池温度数据的预测值,通过将预测值与实际值进行比对,即可确定熔池温度是否无误,进一步的确定是否出现缺陷。
深度学习目标检测算法模块312被配置为:将熔池图像数据尺寸进行等比缩放后输入,进行训练后,输出固定标准的熔池图像数据进行熔池状态检测,得到检测结果。在本实施例中,具体的,在本申请中将熔池图像数据集3121作为输入,熔池图像数据集连接4个CBS模块,其中,CBS模块包括一个卷积层(Convolutional layer),一个归一化层(Batchnormalization)和一个SILU(Sigmoid Weighted Liner Unitsilu)激活函数,输出前期特征层3122,再连接ELAH模块(该模块将前期特征层3122分别输入两个通道中,其中上通道为4个CBS模块和下通道1个CBS模块,并在最后将两个通道的输出信息进行矩阵堆叠连接作为整体模型的输出),输出特征层数据3133;再将特征层数据3133分别导入两个通道的MP模块(该模块将特征层数据分别输入两个通道中,其中上通道为1个最大池化层(Max-pooling)和1个CBS模块进行连接,下通道连接CBS模块,并在最后将两个通道的输出信息进行矩阵堆叠连接作为整体的输出),分别在上下部分输出两个特征层,包括第一特征层3134和第二特征层3135,第一特征层3134需要连接两个卷积层,输出第一输出特征向量层3134a;第二特征层3135则连接一个卷积层,输出第二输出特征向量层3135a。
在本发明中,即以熔池状态图像数据集作为输入。图像尺寸根据深度学习目标检测算法模块312及计算机模块3中的参数配置,根据实际情况进行输出。具体的,如图5所示,以输入尺寸为640*640的3通道RGB图像为例,输出的前期特征层大小为320*320*64,输出的特征层数据大小为160*160*256;输出的第一输出特征向量层大小为20*20*(80+5)*3;输出的第二输出特征向量层大小为40*40*(80+5)*3;本申请中根据模块处理能力,建议等比缩放后的熔池图像数据尺寸为224*224像素的倍数,固定标准为图像长宽尺寸范围为20至60像素。
神经网络分类模块313被配置为:通过构建三层反向传播神经网络对三维点云数据进行分类,得到三维缺陷信息。如图6所示,本申请中的三维点云数据进行对应数据预处理操作后,作为输入层输入到具有64个神经单元的全连接层后,再连接两个大小分别为32个神经单元和1个神经单元的全连接层,最后再输出检测结果,其中全连接层之间需要添加RELU(Rectified Linear Unit)激活函数,输出层前需要添加Linear(线性)激活函数,通过检测结果可获得三维缺陷信息。
上述的LSTM时序预测方法模块311,深度学习目标检测算法模块312和神经网络分类模块313模块是基于目标数据集,已经完成训练且具有优良性能的模型;除此之外,按照不同需求对模型可进行自主设计、开发或更改为适合与自己目标需求的算法模型。
在一种可行的实现方式中,继续参照图2所示,激光沉积增材制造模块1包括:激光沉积头11、旋转加工平台12、高功率激光器13、送粉/送丝装置14和保护气装置15。本申请实施例中激光沉积增材制造模块1,主要使用激光沉积头11在旋转加工平台12上放置的基板上进行目标工件激光沉积增材制造过程,该过程主要在惰性气体保护下,调节不同激光功率、激光扫描速度和送粉/送丝速度等工艺参数对粉末或丝材进行激光熔化沉积成形。
具体的,旋转加工平台12用于放置基板,并进行一定角速度的旋转加工;激光沉积头11设在旋转加工平台12上方,用于进行输出具体光斑尺寸的激光对材料进行沉积;高功率激光器13与激光沉积头11通过光纤连接,用于将不同功率激光通过光纤传导到激光沉积头11中;送粉/送丝装置14与激光沉积头11输出端连接;送粉/送丝装置14用于对材料进行定向输出,并与激光沉积头11共同作用对材料进行沉积。保护气装置15述也与激光沉积头11输出端连接,保护气装置15用于输出保护气体,防止材料沉积过程中高温氧化,影响目标工件的性能。
本申请的激光沉积增材制造模块1还包括控制器16,控制器16与计算机模块3通信连接,并与高功率激光器13和送粉/送丝装置14通信连接,用于根据计算机模块3反馈的信息调整工艺参数。控制器16从计算机模块3获得缺陷反馈,并根据反馈信息调整工艺参数,高功率激光器13和送粉/送丝装置14决定工件的成形结构,通过修改高功率激光器13和送粉/送丝装置14的工艺参数,可实现修补缺陷的目的。
由上述内容可知,本申请的激光沉积增材制造在线监测系统,通过在激光沉积增材制造过程中,利用集成在机器人系统上的数据采集设备采集(成形过程中的数据包括:熔池图像数据,熔池温度数据和三维点云数据),传输到计算机模块的算法模型中进行决策分类和检测,将最终信息通过计算机模块反馈到激光沉积增材制造模块中,对加工中产生的缺陷和精度问题进行工艺参数调节和误差修复。通过上述操作,提高激光沉积增材制造系统的控制精度和反馈速度,并且可以通过实际需求,根据需要检测的数据,对模型进行实时更新和更改,使得系统开发更加方便,操作起来更加便捷。
说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (10)
1.一种激光沉积增材制造在线监测系统,其特征在于,包括:激光沉积增材制造模块(1)、机器人系统模块(2)和计算机模块(3);
所述机器人系统模块(2)与计算机模块(3)通信连接;所述计算机模块(3)与激光沉积增材制造模块(1)通信连接;
所述激光沉积增材制造模块(1)被配置为:对粉末材料或丝状材料结合数字模型进行熔化沉积,完成目标工件成形;
所述机器人系统模块(2)被配置为:在激光沉积增材制造过程中采集数据,并传输所述数据至所述计算机模块(3),所述数据包括:熔池图像数据、熔池温度数据和三维点云数据;
所述计算机模块(3)包括算法模型模块(31),所述算法模型模块(31)被配置为:根据以往的数据训练形成算法模型,通过所述算法模型对所述数据进行实时处理,并将处理结果保存到所述计算机模块(3)中;
所述计算机模块(3)被配置为:将所述数据通过算法模型模块(31)处理,对沉积层表面,熔池状态进行实时监测,将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块。
2.根据权利要求1所述的一种激光沉积增材制造在线监测系统,其特征在于,所述机器人系统模块(2)包括数据采集设备模块(21)和信号传输线路模块(22);所述数据采集设备模块(21)与所述信号传输线路模块(22)通信连接;且所述信号传输线路模块(22)与所述计算机模块(3)通信连接。
所述数据采集设备模块(21)被配置为:采集激光沉积增材制造过程中的数据;
所述信号传输线路模块(22)被配置为:将所述数据通过通信协议或快速传输线路传送至所述算法模型模块(31)。
3.根据权利要求2所述的一种激光沉积增材制造在线监测系统,其特征在于,所述数据采集设备模块(21)包括:高速相机(211),红外相机(212)和激光三维扫描仪(213),所述高速相机(211),红外相机(212)和激光三维扫描仪(213)均与所述信号传输线路模块(22)通信连接;
所述高速相机(211)被配置为采集所述熔池图像数据;
所述红外相机(212)被配置为采集所述熔池温度数据;
所述激光三维扫描仪(213)被配置为采集所述三维点云数据。
4.根据权利要求2所述的一种激光沉积增材制造在线监测系统,其特征在于,所述计算机模块(3)还包括:主机(32)和显示器(33);所述主机(32)与所述显示器(33)通信连接,且所述主机(32)与所述算法模型模块(31)也通信连接;
所述主机(32)还包括:图像处理单元(321),计算处理单元(322)和数据存储单元(323);
其中,所述图像处理单元(321)被配置为:处理所述熔池图像数据;
所述计算处理单元(322)被配置为:处理所述熔池温度数据和所述三维点云数据;
所述数据存储单元(323)被配置为:存储所述数据和处理后的所述数据;
所述显示器(33)被配置为:显示实时数据并且实现人机交互。
5.根据权利要求4所述的一种激光沉积增材制造在线监测系统,其特征在于,所述算法模型模块(31)包括:LSTM时序预测方法模块(311),深度学习目标检测算法模块(312)和神经网络分类模块(313)模块;其中,所述LSTM时序预测方法模块(311)和神经网络分类模块(313)模块均与所述计算处理单元(322)通信连接,所述深度学习目标检测算法模块(312)与所述图像处理单元(321)通信连接;
所述LSTM时序预测方法模块(311)被配置为:通过时序方法结合工艺参数得到预测熔池温度数据,并将所述预测熔池温度数据与实时采集的所述熔池温度数据进行对比,得到对比结果;
所述深度学习目标检测算法模块(312)被配置为:将所述熔池图像数据尺寸进行等比缩放后输入,进行训练后,输出固定标准的所述熔池图像数据进行熔池状态检测,得到检测结果;
所述神经网络分类模块(313)被配置为:通过构建三层反向传播神经网络对所述三维点云数据进行分类,得到三维缺陷信息。
6.根据权利要求5所述的一种激光沉积增材制造在线监测系统,其特征在于,所述工艺参数包括时间序列、激光功率、送粉/送丝速度和扫描速度。
7.根据权利要求5所述的一种激光沉积增材制造在线监测系统,其特征在于,所述等比缩放后的所述熔池图像数据尺寸为224*224像素的倍数,所述固定标准为图像长宽尺寸范围为20至60像素。
8.根据权利要求1所述的一种激光沉积增材制造在线监测系统,其特征在于,所述激光沉积增材制造模块(1)包括:激光沉积头(11)、旋转加工平台(12)、高功率激光器(13)、送粉/送丝装置(14)和保护气装置(15);
所述旋转加工平台(12)用于放置基板,并进行一定角速度的旋转加工;所述激光沉积头(11)设在所述旋转加工平台(12)上方,用于进行输出具体光斑尺寸的激光对材料进行沉积;
所述高功率激光器(13)与所述激光沉积头(11)通过光纤连接,用于将不同功率激光通过光纤传导到所述激光沉积头(11)中;
所述送粉/送丝装置(14)与所述激光沉积头(11)输出端连接;所述送粉/送丝装置(14)用于对材料进行定向输出,并与所述激光沉积头(11)共同作用对材料进行沉积;
所述保护气装置(15)述也与所述激光沉积头(11)输出端连接;所述保护气装置(15)用于输出保护气体,防止材料沉积过程中高温氧化,影响目标工件的性能;
还包括控制器(16),所述控制器(16)与所述计算机模块(3)通信连接,并与高功率激光器(13)和所述送粉/送丝装置(14)通信连接,用于根据所述计算机模块(3)反馈的信息调整工艺参数。
9.一种激光沉积增材制造在线监测方法,其特征在于,应用于上述权利要求1-8中任意一种激光沉积增材制造在线监测系统,所述监测方法包括:
通过所述激光沉积增材制造模块(1)进行所述目标工件的激光沉积增材制造,
在激光沉积增材制造过程中,通过所述机器人系统模块(2)进行所述目标工件的数据实时获取,并将获取的所述数据传输到计算机模块(3)中进行存储,
通过所述计算机模块(3)进行所述数据实时处理,并将处理结果进行存储;并将监测到的缺陷或者熔池异常状态等信息反馈到激光沉积模块。
10.根据权利要求9所述的一种激光沉积增材制造在线监测方法,其特征在于,获取的所述数据包括:熔池图像数据、熔池温度数据和三维点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430079.2A CN115861187A (zh) | 2022-11-15 | 2022-11-15 | 一种激光沉积增材制造在线监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430079.2A CN115861187A (zh) | 2022-11-15 | 2022-11-15 | 一种激光沉积增材制造在线监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115861187A true CN115861187A (zh) | 2023-03-28 |
Family
ID=85663563
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430079.2A Pending CN115861187A (zh) | 2022-11-15 | 2022-11-15 | 一种激光沉积增材制造在线监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861187A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116559196A (zh) * | 2023-05-06 | 2023-08-08 | 哈尔滨工业大学 | 一种电弧增材制造缺陷检测系统及方法 |
-
2022
- 2022-11-15 CN CN202211430079.2A patent/CN115861187A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116559196A (zh) * | 2023-05-06 | 2023-08-08 | 哈尔滨工业大学 | 一种电弧增材制造缺陷检测系统及方法 |
CN116559196B (zh) * | 2023-05-06 | 2024-03-12 | 哈尔滨工业大学 | 一种电弧增材制造缺陷检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111468989B (zh) | 一种五轴联动数控机械手抛光控制系统及方法 | |
CN106312397B (zh) | 一种激光视觉引导的焊接轨迹自动跟踪系统及方法 | |
Xu et al. | Realisation of a multi-sensor framework for process monitoring of the wire arc additive manufacturing in producing Ti-6Al-4V parts | |
EP3045254B1 (en) | Method and directed energy deposition material addition system and computer readable storage medium using neuro-fuzzy logic for controlling material addition processes | |
CN110065068B (zh) | 一种基于逆向工程的机器人装配作业演示编程方法及装置 | |
CN206561226U (zh) | 一种激光视觉引导的焊接轨迹自动跟踪系统 | |
CN110789128B (zh) | 一种增材制造制件成形质量预测与控制系统及方法 | |
Mu et al. | Toward a smart wire arc additive manufacturing system: A review on current developments and a framework of digital twin | |
CN101199994A (zh) | 智能化激光熔覆成型金属零件 | |
CN113762240B (zh) | 一种基于深度学习的熔覆层几何特征预测方法及系统 | |
CN112916987B (zh) | 一种电弧增材制造在线监测及实时控制方法和系统 | |
US11203160B2 (en) | Adaptive multi-process additive manufacturing systems and methods | |
CN115861187A (zh) | 一种激光沉积增材制造在线监测系统及方法 | |
CN109459980A (zh) | 一种光学镜面加工共融机器人控制系统及方法 | |
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 | |
CN113204214A (zh) | 移动式模块化多能束能场增减材复合修复设备及方法 | |
Rios-Cabrera et al. | Robotic GMAW online learning: issues and experiments | |
Aviles-Viñas et al. | Acquisition of welding skills in industrial robots | |
CN115775249A (zh) | 一种增材制造造件成形质量监测方法、系统及存储介质 | |
CN113344244B (zh) | 一种数字孪生驱动的工件加工能耗预测装置 | |
CN117564578A (zh) | 一种六轴机器人自动化焊接控制系统及方法 | |
CN111001967B (zh) | 一种基于雷塞控制器u型工件自动焊接跟踪系统及工作方法 | |
Huang et al. | Penetration estimation of GMA backing welding based on weld pool geometry parameters | |
Vandone et al. | AI based monitoring system for DED part quality evaluation | |
Jamnikar et al. | Comprehensive molten pool condition-process relations modeling using CNN for wire-feed laser additive manufacturing |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230728 Address after: 150001 No. 145, Nantong Avenue, Nangang District, Heilongjiang, Harbin Applicant after: HARBIN ENGINEERING University Address before: 150001 No. 145, Nantong Avenue, Nangang District, Heilongjiang, Harbin Applicant before: HARBIN ENGINEERING University Applicant before: QINGDAO HACHUAN MATERIAL FORMING RESEARCH INSTITUTE Co.,Ltd. |
|
TA01 | Transfer of patent application right |