CN116070484A - 一种基于深度学习的在线实时预测构件状态的方法 - Google Patents

一种基于深度学习的在线实时预测构件状态的方法 Download PDF

Info

Publication number
CN116070484A
CN116070484A CN202310046440.XA CN202310046440A CN116070484A CN 116070484 A CN116070484 A CN 116070484A CN 202310046440 A CN202310046440 A CN 202310046440A CN 116070484 A CN116070484 A CN 116070484A
Authority
CN
China
Prior art keywords
molten pool
stress
model
layer
neural network
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
Application number
CN202310046440.XA
Other languages
English (en)
Inventor
卢轶
李文博
董健
朱柯霖
汪晨
吴斌
孙桂芳
蔡明霞
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.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
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 Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN202310046440.XA priority Critical patent/CN116070484A/zh
Publication of CN116070484A publication Critical patent/CN116070484A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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

Abstract

本发明公开一种基于深度学习的在线实时预测构件状态的方法，本发明首先采集不同工艺参数下熔池以及沉积层的尺寸形貌，并计算出材料从熔融态收缩至凝固状态产生的收缩量；再将采集到熔池和沉积层尺寸形貌、沉积层收缩量、工艺参数作为输入量，在有限元仿真中计算出制造中各点的应力值，并将这些参数作多信息特征融合处理后，输出制造过程中构件的实时应力值；通过大量的实验样本，得到其制造过程中实时应力曲线图和构件形貌图并一一对应，将样本分类为正常、变形、预裂和开裂四种状态，通过卷积神经网络训练，输出构件在制造过程中是何种状态。该方法可获得构建的应力和状态，有效解决制造过程出现变形、裂纹等缺陷以便及时调整和优化工艺参数。

Description

一种基于深度学习的在线实时预测构件状态的方法
技术领域
本发明属于增材制造技术领域，具体涉及一种基于深度学习的在线实时预测构件状态的方法。
背景技术
由于激光增材制造是一个快速熔化—凝固的过程，所以基体与成型材料之间必定存在弹性模量、温度以及热膨胀系数的差异，从而导致构件内部残余应力的形成，而残余应力会促进裂纹的形成和扩展。裂纹的产生的影响是比较致命的，极有可能会使零件直接报废，或者使其使用寿命降低，将这些零件用于航空航天和能源化工中等重要领域，将会导致灾难性的后果。随着智能制造的需求发展，能在打印过程中通过实时监控成型过程中构件内部的残余应力、微观组织的变化以及构件状态的变化，发现异常时及时做出工艺调整以减少废品的产生，将有助于实现制造过程中的闭环控制。
针对这一需求，本发明提出一种基于深度学习的在线实时预测构件的方法，通过深度学习技术对残余应力进行实时计算以及制造过程中形貌状态的缺陷与发展进行实时判断，降低废件率，有效提高工件的成型质量。，
发明内容
为解决上述问题，本发明公开了一种基于深度学习的在线实时预测构件的方法，目的在于提高激光增材制造构件的成型质量，通过激光熔化沉积监测系统去捕获熔池、沉积层的形貌，结合材料特性、工艺参数通过有限元仿真，计算得到构件内部实时的应力数据，进行数据融合，搭建深度学习卷积神经网络，预测出构件制造过程中实时的应力。通过实时预测大量样本制造过程中的应力值，在计算机中处理成应力曲线图，制造的样本分别为正常、预裂、裂纹、变形这四种类型，分别将这四种状态的沉积层形貌与它们的应力曲线图建立一一对应关系，将其作为预测构件状态的卷积神经网络的输入，输出构件在制造过程中是何种状态。
本发明的基于深度学习的在线实时预测构件的方法，包括如下步骤：
S1：监测系统的数据采集：采集不同工艺参数下激光增材制造的熔池的动态视频，连续采集所述动态视频中的熔池的图像，获得熔池几何形貌生成熔池的三维模型，同时采集沉积层的收缩图像获得沉积层的三维模型，再通过图像处理技术将同一像素坐标下熔池高度和冷却后沉积层高度做差，获得熔池冷却凝固过程中产生的位移差，获得沉积层收缩数据；
S2：有限元仿真的数据采集：在有限元仿真中进行模拟实验建模，用步骤S1中所获取的熔池、沉积层的三维模型，输入实验所选材料的相关参数，模拟激光热源并随制造过程移动，将熔池冷却凝固过程产生的位移差作为表面唯一载荷加载到建立的模型上，仿真计算出熔池因冷却收缩内部而产生的应力的大小；
S3：建立预测实时应力的卷积神经网络模型1：所述的卷积神经网络需将上述步骤S1、S2所获得的熔池、沉积层的几何形貌、沉积层的收缩数据、对应各点的应力值以及工艺参数进行数据融合作为卷积神经网络的输入，划分训练数据集和测试数据集，输出构件在制造过程中某一点的实时应力值,并对训练的模型进行评估；
S4：建立预测构件状态的卷积神经网络模型2：通过上述步骤S3建立的卷积神经网络模型1，实时预测大量样本制造过程中的应力值，通过计算机处理成应力曲线图，制造的样本分别为正常、预裂、裂纹、变形这四种类型，分别将这四种状态的沉积层形貌与它们的应力曲线图建立一一对应关系，将其作为预测构件状态的卷积神经网络的输入，划分训练数据集和测试数据集，输出构件在制造过程中是何种状态。
进一步地，所述步骤S1的具体过程如下：在激光头上布置同轴监测CCD获取熔池的俯视图，布置侧方位监测CCD获取熔池的右视图和主视图，从而合成熔池的三维模型；沉积层的三维模型通过采用双线激光监测系统获取，双线激光监测系统主要由两个线激光激发器产生的两道线激光，一道线激光距离熔池1mm处，此处认为是熔池刚熔融完成的状态，另一道线激光位于距离熔池4mm处，此处认为熔池经快速冷却收缩后形成的沉积层，并通过线激光监测的CCD分别捕获沉积层的轮廓，从而形成沉积层的三维模型；对于捕获的沉积层的轮廓，通过图像处理进行边缘检测，将同一像素坐标下熔池高度和冷却后沉积层高度做差，获得熔池冷确凝固过程中产生的位移差，获得沉积层收缩数据。
进一步地，步骤S2所述的有限元仿真的数据采集，具体过程如下：根据步骤S1得到的熔池、沉积层的三维模型、激光增材制造的工艺参数以及实验中基底的尺寸，建立一个顺序热力耦合的有限元模型，在所述的顺序热力耦合的有限元模型中，每层都采用生死单元来模拟粉末颗粒的沉积过程，在仿真开始时，死亡单元不会对热-力学模型产生影响，随着设定的模拟激光束热源的移动，构建的几何模型会被逐单元和逐层激活，将沉积层收缩值作为载荷加载到实时模型上并计算出该点的应力值，并将每一步的计算结果迭代更新从而获得应力值，选取所需的单元节点，将应力数据导出并进行处理。
进一步地，所述步骤S3的建立预测实时应力的卷积神经网络模型1是将步骤S1、S2采集的数据进行融合，将从机器、视觉、有限元这三个来源收集到的数据必须整合到一个综合的数据集中，用作预测模型的训练特征和目标，所有采集的信号必须与共享时间戳同步，建立一一对应的关系。
进一步地，步骤S3所述的建立预测实时应力的卷积神经网络模型1采用混合网络，通过堆叠卷积网络和多层神经网络这两个神经网络来实现，其中卷积网络从输入到输出包括2个卷积层，2个池化层，1个Dropout层，2个全连接层，卷积网络用于处理熔池以及沉积层的图像数据输入后通过卷积计算提取出图像的不同特征数据，所有的卷积层都配有Relu激活函数，池化层将卷积后的特征切成几个区域，取其最大值或者平均值，得到新的、维度较小的特征，Dropout层为避免模型的过度拟合化，在模型的训练阶段，让隐藏的神经元一部分工作，一部分不工作，全连接层用于将图像特征进行连接，得到最终的熔池、沉积层的图像特征；多层神经网络从输入到输出包括1个输入层，2个隐藏层，1个输出层，输入层输入的参数分别为熔池、沉积层的图像特征，工艺参数中激光功率P和扫描速率V，应力，经过两个隐藏层，输出构件制造过程中某一点的实时应力值。
进一步地，步骤S3所述的预测实时应力卷积神经网络模型1采用均方误差MSE进行比较和评估，即预测的实时应力值与实际值，均方误差MSE定义为：
Figure BDA0004055681060000031
式中，n为模型样本数量，i为每一个的数据样本，fi为模型某一点应力的预测值，yi为模型某一点实际的应力值。
进一步地，步骤S4所述建立预测构件状态的卷积神经网络模型2，需通过步骤S3建立的卷积神经网络模型1，实时预测大量样本制造过程中的应力值，通过计算机处理成应力曲线图，制造的样本分别为正常、预裂、裂纹、变形这四种类型，分别将这四种状态的沉积层形貌与它们的应力曲线图建立一一对应关系，将其作为预测构件状态的卷积神经网络的输入，并划分训练数据集和测试数据集，输出构件在制造过程中是何种状态。
进一步地，步骤S4所述建立预测构件状态的卷积神经网络模型2，从输入至输出包括2个卷积层、2个池化层、2个全连接层，同时所有的卷积层都配有Relu激活函数，为了加快网络的训练和收敛速度，改善网络梯度和防止过拟合现象，在每个卷积层之后都添加了BN层；此外，在最后输出层采用Softmax分类器和交叉嫡损失函数计算得出输出值每个分类的概率,取概率最大值作为测试结果，得到最终的状态分类，并进行优化和评估该网络的性能。
进一步地，所述步骤S4建立的神经网络模型2为深入评估该模型，构建混淆矩阵，以精确度Precision和召回率Recall来评估混淆矩阵的假阳性和假阴性率，计算公式如下：
Figure BDA0004055681060000032
Figure BDA0004055681060000033
其中TP表示某个样本被预测某个类别,FP表示不属于某个样本却被预测为某类，FN表示属于某类的样品却没有被预测为某类。
本发明优点在于：
1、本发明基于有限元仿真计算，激光增材制造成型原理，结合顺序热力耦合的热力学有限元模型，并直接以沉积层收缩量作为载荷加载，直接计算应力场，大大减少了计算时间，简化定义步骤的同时保证仿真的准确性，为激光增材制造工艺参数优化提供参考。
2、本发明能够根据熔池、沉积层尺寸形貌、工艺参数和应力值直接预测构件制造过程的内部实时应力，并通过计算机数据处理，能实时反应沉积层内部的应力的变化，这无疑对制造过程及时发现问题提供巨大的帮助。
3、本发明通过大量的实验获得应力曲线图与构件沉积过程状态数据，建立一一对应关系，通过卷积神经网络学训练，最后将该网络用于一个综合的制造过程，判断出该构件将处于哪种构件状态。这样能够高效率地调控增材制造，提高成型质量，大大降低了打印成本，对激光增材制造具有重要意义。
附图说明
图1为一种基于深度学习的在线实时预测构件状态的基本流程示意图；
图2为一种基于深度学习的在线实时预测构建状态的方法及系统；
图3为一种预测实时应力的卷积神经网络模型1结构示意图；
图4为一种预测构件状态的卷积神经网络模型2结构示意图。
具体实时方式
由图1所示，本发明的一种基于深度学习的在线实时预测构件状态的方法，包括以下步骤：
S1.监测系统的数据采集：利用同轴监测CCD和侧方监测CCD采集不同工艺参数下激光增材制造的熔池的动态视频，连续采集所述动态视频中的熔池的图像，获得熔池尺寸形貌数据，同时利用双线激光监测系统采集沉积层的收缩图像，通过图像处理技术将同一像素坐标下熔池高度和冷却后沉积层高度做差，获得熔池冷确凝固过程中产生的位移差，获得沉积层收缩数据。
S2.有限元仿真的数据采集：根据监测捕获的构建的三维模型、定向能量沉积的工艺参数以及实验中基底的尺寸，建立了所述的一个顺序热力耦合的有限元模型。在所述的有限元模型中，每层都采用生死单元来模拟粉末颗粒的沉积过程。在仿真开始时，死亡单元不会对热-力学模型产生影响，随着设定的模拟激光束热源的移动，构建的几何模型会被逐单元和逐层激活。将沉积层收缩值作为载荷加载到实时模型上并计算出该点的应力值，并将每一步的计算结果迭代更新从而获得应力值，选取所需的单元节点，将应力数据导出并进行处理。
S3.将从机器、视觉、有限元这三个来源收集到的数据必须整合到一个综合的数据集中，所有采集的信号必须与共享时间戳同步，建立一一对应。数据集中的各个数据均由数据内容和数据标签构成；其中，数据内容为熔池、沉积层的形貌图像、工艺参数，数据标签为制造过程中每个点实时所对应的应力值。
如图3所示，建立预测实时应力的卷积神经网络模型2采用混合网络，主要通过堆叠两个神经网络来实现，为卷积网络和多层神经网络网络。卷积网络从输入到输出依次包括卷积层、池化层、卷积层、池化层、Dropout层、全连接层、全连接层，卷积网络主要用于处理熔池以及沉积层的图像数据输入后通过卷积计算提取出图像的不同特征数据，所有的卷积层都配有Relu激活函数，池化层将卷积后的特征切成几个区域，取其最大值或者平均值，得到新的、维度较小的特征，Dropout层为避免模型的过度拟合化，全连接层用于将图像特征进行连接，得到最终的熔池、沉积层的图像特征；多层神经网络从输入到输出依次包括输入层、隐藏层、隐藏层、输出层，输入层输入的参数分别为熔池、沉积层的图像特征，工艺参数中激光功率P和扫描速率V，应力，经过两个隐藏层，输出构件制造过程中某一点的实时应力值。
将训练数据集中数据输入所述步骤S3建立的深度学习卷积神经网络模型中，对模型进行训练和优化，得到优化后的深度学习卷积神经网络模型；
所述步骤S3的卷积神经网络模型1采用均方误差MSE进行比较和评估，即预测的实时应力值与实际值，均方误差定义为：
Figure BDA0004055681060000051
式中，n为模型样本数量，i为每一个的数据样本，fi为模型某一点应力的预测值，yi为模型某一点实际的应力值。
S4.如图4所示，通过上述步骤S3建立的卷积神经网络模型2，实时预测大量样本制造过程中的应力值，通过计算机处理成应力曲线图，制造的样本分别为正常、预裂、裂纹、变形这四种类型，分别将这四种状态的沉积层形貌与它们的应力曲线图建立一一对应关系，将其作为预测构件状态的卷积神经网络的输入，并划分训练数据集和测试数据集，输出构件在制造过程中是何种状态。卷积神经网络结构，从输入至输出包括2个卷积层、2个池化层、2个全连接层，同时所有的卷积层都配有Relu激活函数，为了加快网络的训练和收敛速度，改善网络梯度和防止过拟合现象，在每个卷积层之后都添加了BN层。此外，在最后输出层采用Softmax分类器和交叉嫡损失函数计算得出输出值每个分类的概率,取概率最大值作为测试结果，得到最终的状态分类，并进行优化和评估该网络的性能。
所述步骤S4建立的神经网络模型2为深入评估该模型，构建混淆矩阵，以精确度和召回率来评估混淆矩阵的假阳性和假阴性率。
Figure BDA0004055681060000061
Figure BDA0004055681060000062
其中TP表示某个样本被预测某个类别，FP表示不属于某个样本却被预测为某类，FN表示属于某类的样品却没有被预测为某类。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，除非特别说明，本发明文本中的以前后顺序出现的各个流程并不必然存在先后的执行顺序。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于深度学习的在线实时预测构件状态的方法，其特征在于，包括以下步骤：
S1：监测系统的数据采集：采集不同工艺参数下激光增材制造的熔池的动态视频，连续采集所述动态视频中的熔池的图像，获得熔池几何形貌生成熔池的三维模型，同时采集沉积层的收缩图像获得沉积层的三维模型，再通过图像处理技术将同一像素坐标下熔池高度和冷却后沉积层高度做差，获得熔池冷却凝固过程中产生的位移差，获得沉积层收缩数据；
S2：有限元仿真的数据采集：在有限元仿真中进行模拟实验建模，用步骤S1中所获取的熔池、沉积层的三维模型，输入实验所选材料的相关参数，模拟激光热源并随制造过程移动，将熔池冷却凝固过程产生的位移差作为表面唯一载荷加载到建立的模型上，仿真计算出熔池因冷却收缩内部而产生的应力的大小；
S3：建立预测实时应力的卷积神经网络模型1：所述的卷积神经网络需将上述步骤S1、S2所获得的熔池、沉积层的几何形貌、沉积层的收缩数据、对应各点的应力值以及工艺参数进行数据融合作为卷积神经网络的输入，划分训练数据集和测试数据集，输出构件在制造过程中某一点的实时应力值,并对训练的模型进行评估；
S4：建立预测构件状态的卷积神经网络模型2：通过上述步骤S3建立的卷积神经网络模型1，实时预测大量样本制造过程中的应力值，通过计算机处理成应力曲线图，制造的样本分别为正常、预裂、裂纹、变形这四种类型，分别将这四种状态的沉积层形貌与它们的应力曲线图建立一一对应关系，将其作为预测构件状态的卷积神经网络的输入，划分训练数据集和测试数据集，输出构件在制造过程中是何种状态。
2.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，所述步骤S1的具体过程如下：在激光头上布置同轴监测CCD获取熔池的俯视图，布置侧方位监测CCD获取熔池的右视图和主视图，从而合成熔池的三维模型；沉积层的三维模型通过采用双线激光监测系统获取，双线激光监测系统主要由两个线激光激发器产生的两道线激光，一道线激光距离熔池1mm处，此处认为是熔池刚熔融完成的状态，另一道线激光位于距离熔池4mm处，此处认为熔池经快速冷却收缩后形成的沉积层，并通过线激光监测的CCD分别捕获沉积层的轮廓，从而形成沉积层的三维模型；对于捕获的沉积层的轮廓，通过图像处理进行边缘检测，将同一像素坐标下熔池高度和冷却后沉积层高度做差，获得熔池冷确凝固过程中产生的位移差，获得沉积层收缩数据。
3.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，步骤S2所述的有限元仿真的数据采集，具体过程如下：根据步骤S1得到的熔池、沉积层的三维模型、激光增材制造的工艺参数以及实验中基底的尺寸，建立一个顺序热力耦合的有限元模型，在所述的顺序热力耦合的有限元模型中，每层都采用生死单元来模拟粉末颗粒的沉积过程，在仿真开始时，死亡单元不会对热-力学模型产生影响，随着设定的模拟激光束热源的移动，构建的几何模型会被逐单元和逐层激活，将沉积层收缩值作为载荷加载到实时模型上并计算出该点的应力值，并将每一步的计算结果迭代更新从而获得应力值，选取所需的单元节点，将应力数据导出并进行处理。
4.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，所述步骤S3的建立预测实时应力的卷积神经网络模型1是将步骤S1、S2采集的数据进行融合，将从机器、视觉、有限元这三个来源收集到的数据必须整合到一个综合的数据集中，用作预测模型的训练特征和目标，所有采集的信号必须与共享时间戳同步，建立一一对应的关系。
5.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，步骤S3所述的建立预测实时应力的卷积神经网络模型1采用混合网络，通过堆叠卷积网络和多层神经网络这两个神经网络来实现，其中卷积网络从输入到输出包括2个卷积层，2个池化层，1个Dropout层，2个全连接层，卷积网络用于处理熔池以及沉积层的图像数据输入后通过卷积计算提取出图像的不同特征数据，所有的卷积层都配有Relu激活函数，池化层将卷积后的特征切成几个区域，取其最大值或者平均值，得到新的、维度较小的特征，Dropout层为避免模型的过度拟合化，在模型的训练阶段，让隐藏的神经元一部分工作，一部分不工作，全连接层用于将图像特征进行连接，得到最终的熔池、沉积层的图像特征；多层神经网络从输入到输出包括1个输入层，2个隐藏层，1个输出层，输入层输入的参数分别为熔池、沉积层的图像特征，工艺参数中激光功率P和扫描速率V，应力，经过两个隐藏层，输出构件制造过程中某一点的实时应力值。
6.根据权力要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，步骤S3所述的预测实时应力卷积神经网络模型1采用均方误差MSE进行比较和评估，即预测的实时应力值与实际值，均方误差MSE定义为：
Figure FDA0004055681040000021
式中，n为模型样本数量，i为每一个的数据样本，fi为模型某一点应力的预测值，yi为模型某一点实际的应力值。
7.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，步骤S4所述建立预测构件状态的卷积神经网络模型2，需通过步骤S3建立的卷积神经网络模型1，实时预测大量样本制造过程中的应力值，通过计算机处理成应力曲线图，制造的样本分别为正常、预裂、裂纹、变形这四种类型，分别将这四种状态的沉积层形貌与它们的应力曲线图建立一一对应关系，将其作为预测构件状态的卷积神经网络的输入，并划分训练数据集和测试数据集，输出构件在制造过程中是何种状态。
8.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，步骤S4所述建立预测构件状态的卷积神经网络模型2，从输入至输出包括2个卷积层、2个池化层、2个全连接层，同时所有的卷积层都配有Relu激活函数，为了加快网络的训练和收敛速度，改善网络梯度和防止过拟合现象，在每个卷积层之后都添加了BN层；此外，在最后输出层采用Softmax分类器和交叉嫡损失函数计算得出输出值每个分类的概率,取概率最大值作为测试结果，得到最终的状态分类，并进行优化和评估该网络的性能。
9.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，所述步骤S4建立的神经网络模型2为深入评估该模型，构建混淆矩阵，以精确度Precision和召回率Recall来评估混淆矩阵的假阳性和假阴性率，计算公式如下：
Figure FDA0004055681040000031
Figure FDA0004055681040000032
其中TP表示某个样本被预测某个类别,FP表示不属于某个样本却被预测为某类，FN表示属于某类的样品却没有被预测为某类。
CN202310046440.XA 2023-01-31 2023-01-31 一种基于深度学习的在线实时预测构件状态的方法 Pending CN116070484A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310046440.XA CN116070484A (zh) 2023-01-31 2023-01-31 一种基于深度学习的在线实时预测构件状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310046440.XA CN116070484A (zh) 2023-01-31 2023-01-31 一种基于深度学习的在线实时预测构件状态的方法

Publications (1)

Publication Number Publication Date
CN116070484A true CN116070484A (zh) 2023-05-05

Family

ID=86176363

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310046440.XA Pending CN116070484A (zh) 2023-01-31 2023-01-31 一种基于深度学习的在线实时预测构件状态的方法

Country Status (1)

Country Link
CN (1) CN116070484A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116644674A (zh) * 2023-07-27 2023-08-25 北京理工大学 L型构件残余应力的预测方法、装置、设备及介质
CN117272003A (zh) * 2023-11-23 2023-12-22 广州欧派集成家居有限公司 一种人造板材抗弯蠕变试验数据分析方法、装置及相关设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116644674A (zh) * 2023-07-27 2023-08-25 北京理工大学 L型构件残余应力的预测方法、装置、设备及介质
CN116644674B (zh) * 2023-07-27 2023-09-29 北京理工大学 L型构件残余应力的预测方法、装置、设备及介质
CN117272003A (zh) * 2023-11-23 2023-12-22 广州欧派集成家居有限公司 一种人造板材抗弯蠕变试验数据分析方法、装置及相关设备

Similar Documents

Publication Publication Date Title
CN116070484A (zh) 一种基于深度学习的在线实时预测构件状态的方法
Nasiri et al. Machine learning in predicting mechanical behavior of additively manufactured parts
Jin et al. Machine learning for advanced additive manufacturing
Razvi et al. A review of machine learning applications in additive manufacturing
CN106041076B (zh) 一种激光快速成形铺粉均匀性检测系统及检测方法
Cai et al. A review of in-situ monitoring and process control system in metal-based laser additive manufacturing
CN110789128B (zh) 一种增材制造制件成形质量预测与控制系统及方法
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
CN112557445B (zh) 一种基于增材制造的缺陷在线检测方法、装置和系统
Liu et al. Machine Learning-enabled feedback loops for metal powder bed fusion additive manufacturing
CN109128168A (zh) 一种基于结构特征的同步送粉增材制造工艺规划方法
Razaviarab et al. Smart additive manufacturing empowered by a closed-loop machine learning algorithm
CN115625894A (zh) 一种基于同轴损伤探测的激光增材制造寿命预测方法
CN111666663A (zh) 一种slm热应力快速计算方法
Zhang et al. Review of in situ and real-time monitoring of metal additive manufacturing based on image processing
Breitenbach et al. A systematic literature review of machine learning approaches for optimization in additive manufacturing
Chen et al. Multimodal sensor fusion for real-time location-dependent defect detection in laser-directed energy deposition
Ye et al. A review of the parameter-signature-quality correlations through in situ sensing in laser metal additive manufacturing
Li et al. A Combination of Vision-and Sensor-Based Defect Classifications in Extrusion-Based Additive Manufacturing
CN115609110A (zh) 基于多模融合的电弧复合增材熔深预测方法
Abdelhamid et al. The use of machine learning in process–structure–property modeling for material extrusion additive manufacturing: a state-of-the-art review
CN116363045A (zh) 一种增减材复合制造过程缺陷智能感知与回溯修复系统及其控制方法
CN114117684A (zh) 基于机器学习的选区激光熔化成形316l不锈钢磨损预测方法
CN111179267B (zh) 一种零件表面激光熔覆制造过程的质量监测方法
CN116342996A (zh) 基于多级混合融合的激光熔注复合涂层的质量预测方法

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