CN116883400A - 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 - Google Patents
一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 Download PDFInfo
- Publication number
- CN116883400A CN116883400A CN202311145833.2A CN202311145833A CN116883400A CN 116883400 A CN116883400 A CN 116883400A CN 202311145833 A CN202311145833 A CN 202311145833A CN 116883400 A CN116883400 A CN 116883400A
- Authority
- CN
- China
- Prior art keywords
- porosity
- powder
- powder spreading
- image
- defect
- 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
- 239000000843 powder Substances 0.000 title claims abstract description 176
- 238000003892 spreading Methods 0.000 title claims abstract description 103
- 230000007480 spreading Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010309 melting process Methods 0.000 title claims abstract description 25
- 230000007547 defect Effects 0.000 claims abstract description 116
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000003287 optical effect Effects 0.000 claims description 24
- 238000007639 printing Methods 0.000 claims description 17
- 239000002184 metal Substances 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000010587 phase diagram Methods 0.000 claims description 8
- 238000000611 regression analysis Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000010410 layer Substances 0.000 abstract description 67
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 239000002356 single layer Substances 0.000 abstract description 4
- 239000000654 additive Substances 0.000 abstract description 3
- 230000000996 additive effect Effects 0.000 abstract description 3
- 238000009825 accumulation Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 10
- 230000011218 segmentation Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000002844 melting Methods 0.000 description 5
- 230000008018 melting Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000011148 porous material Substances 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000011261 inert gas Substances 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 229910052786 argon Inorganic materials 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003028 elevating effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 229910000816 inconels 718 Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011089 mechanical engineering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000007711 solidification Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Manufacturing & Machinery (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Powder Metallurgy (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种激光选区熔化过程中的铺粉孔隙率预测方法及系统，涉及激光增材制造在线监控技术领域。该方法步骤包括：采集每一层铺粉后的图像，并对图像进行预处理；对预处理后的图像识别激光加工区域内的铺粉缺陷，得到二值化图像；根据二值化图像利用目标检测模型进行铺粉缺陷识别及面积计算，得到缺陷面积；根据缺陷面积利用孔隙率预测算法进行预测，得到铺粉孔隙率预测的预测结果。本发明解决了传统方法中对于单层铺粉缺陷对孔隙率影响较小，而累积多层导致的较大孔隙率无法进行预测的问题。
Description
技术领域
本发明涉及激光增材制造在线监控技术领域，尤其涉及一种激光选区熔化过程中的铺粉孔隙率预测方法及系统。
背景技术
激光选区熔化技术属于激光增材制造的一种，凭借其制造周期短、无需模具、可以制造任意复杂金属零件等优点在工业制造领域得到迅速发展。但激光选区熔化是一个复杂的熔融-凝固过程，其影响因素众多，其中铺粉质量是决定成形质量的关键因素之一。铺粉过程中出现缺陷会导致零件单层加工后表面质量差，导致最终零件内部存在气孔、匙孔、未熔融孔，影响成形的零件性能。
机器视觉技术是人工智能的一个分支，涉及图像采集、图像处理、图像识别、机械工程等多领域，一个典型的机器视觉系统包括：图像采集模块、处理算法、机械执行机构等。通过将激光选区熔融设备与机器视觉系统结合，对每一层粉床状态进行监控，并对铺粉缺陷做出一定反馈，对于改善零件质量具有重要意义。
当前大多数铺粉监测技术仅涉及通过普通工业相机采集铺粉图像，实现对单一层粉床缺陷的识别，而无法对相邻层粉床状态进行预测，因此也无法实现对缺陷面积及多层孔隙造成的孔隙率的准确预测。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种激光选区熔化过程中的铺粉孔隙率预测方法及系统，通过多层铺粉缺陷与孔隙率的关系设计铺粉缺陷面积产生孔隙率的算法，预测效果更加准确。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明第一方面提供了一种激光选区熔化过程中的铺粉孔隙率预测方法，包括以下步骤：
采集每一层铺粉后的图像，并对图像进行预处理；
对预处理后的图像识别激光加工区域内的铺粉缺陷，得到二值化图像；
根据二值化图像利用目标检测模型进行铺粉缺陷识别及面积计算，得到缺陷面积；
根据缺陷面积利用孔隙率预测算法进行预测，得到铺粉孔隙率预测的预测结果，其中，孔隙率预测算法的计算步骤包括：获取多个带有铺粉缺陷区域的金属相图，通过金相法分别计算各区域的孔隙率，得到孔隙率缺陷面积与铺粉缺陷层数关系，对孔隙率缺陷面积与铺粉缺陷层数关系进行回归分析并创建拟合回归模型。
进一步的，预处理包括对图像进行阈值分割、二值化和连通域滤波去噪操作。
进一步的，对预处理后的图像识别激光加工区域内的铺粉缺陷的具体步骤包括：将激光扫描区域图像和预处理后的图像进行“与”操作，从而筛选出打印区域的铺粉缺陷。
进一步的，目标检测模型的构建步骤包括：
采集包含正常区域和铺粉缺陷区域的图像数据集，对图像进行正常区域和缺陷区域的标注；
对图像进行预处理，并将预处理后的图像划分为训练集、验证集和测试集；
使用卷积神经网络模型搭建初步目标检测模型；
利用对模型图像数据集进行训练，通过调整超参数优化模型得到最终的目标检测模型。
进一步的，孔隙率缺陷面积与铺粉缺陷层数关系为：
连续1层缺粉产生0.06%的孔隙率，连续2层缺粉产生0.08%的孔隙率，连续3层缺粉产生0.12%的孔隙率，连续4层缺粉产生0.21%的孔隙率，连续5层缺粉产生0.40%的孔隙率。
进一步的，将铺粉孔隙率预测的预测结果与设定孔隙率阈值进行比较，若超过阈值，则进行重熔及重铺粉操作，若孔隙率未超过设定阈值，则不进行干预。
更进一步的，根据孔隙率缺陷面积与铺粉缺陷层数关系设定孔隙率阈值为0.12%。
本发明第二方面提供了一种激光选区熔化过程中的铺粉孔隙率预测系统，包括：
图像采集模块，被配置为采集每一层铺粉后的图像，并对图像进行预处理；
图像处理模块，被配置为对预处理后的图像识别激光加工区域内的铺粉缺陷，得到二值化图像；根据二值化图像利用目标检测模型进行铺粉缺陷识别及面积计算，得到缺陷面积；
孔隙率预测模块，被配置为根据缺陷面积利用孔隙率预测算法进行预测，得到铺粉孔隙率预测的预测结果，其中，孔隙率预测算法的计算步骤包括：获取多个带有铺粉缺陷区域的金属相图，通过金相法分别计算各区域的孔隙率，得到孔隙率缺陷面积与铺粉缺陷层数关系，对孔隙率缺陷面积与铺粉缺陷层数关系进行回归分析并创建拟合回归模型。
进一步的，图像采集模块包含光信号捕捉模块、光电转化模块和光学模块，光信号捕捉模块用于通过传感器采集铺粉后的光线，光电转化模块用于将光信号捕捉模块采集的光线转换为电信号；光学模块包括镜头和滤光片，光学模块通过镜头聚焦光线到图像传感器上，通过滤光片调整传感器所接收光谱范围。
更进一步的，还包括可视化监控模块，被配置为用于展示图像处理模块处理得到的图像以及指令生成。
以上一个或多个技术方案存在以下有益效果：
本发明公开了一种激光选区熔化过程中的铺粉孔隙率预测方法及系统，计算成形件一层的孔隙缺陷与其相邻层粉床状态之间的关系，解决了传统方法中对于单层铺粉缺陷对孔隙率影响较小，而累积多层导致的较大孔隙率无法进行预测的问题。
在激光选区熔化中，只有铺粉缺陷出现在激光扫描区域时才会对成形质量造成影响，本发明通过将激光扫描区域图像和滤波后的图像“与”操作，筛选出打印区域的铺粉缺陷，而不是整个铺粉区域，提高了预测精度。本发明建立了不同层数铺粉缺陷面积与孔隙率关系的数学模型，通过深度学习卷积神经网络算法对每一层的铺粉图像造成的孔隙率进行预测，为得到力学性能更优、微观组织更加致密的成形件提供了新的思路。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明中实施例一激光选区熔化过程中的铺粉孔隙率预测方法流程图；
图2为本发明中实施例一中制件三维模型示意图；
图3为本发明中实施例一中A1-A5区域金属相图；
图4为本发明中实施例一中单位像素平方面积孔隙率缺陷与铺粉缺陷层数关系折线图；
图5为本发明中实施例一中数据的拟合曲线示意图；
图6为本发明中实施例二中激光选区熔化过程中的铺粉孔隙率预测系统结构图；
图7为本发明中实施例二中图像采集模块获取当前层铺粉图像实物图；
其中，1、激光器，2、光束分离器，3、光束扩展器，4、振镜，5、保护气，6、成形室，7、接口数据传输，8、激光束，9、图像采集模块，10、除尘器，11、可视化监控模块，12、图像处理模块，13、成形件，14、成形缸，15、粉料缸，16、升降台，17、刮板。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；
实施例一：
本发明实施例一提供了一种激光选区熔化过程中的铺粉孔隙率预测方法，如图1所示，监控系统用于制件成形过程的铺粉监控，首先图像采集模块采集刮刀铺粉后的图像，之后对图像进行分割和去噪处理，识别激光加工区域内的铺粉缺陷，输出二值化图像。对二值化图像进行缺陷识别，利用缺陷面积计算算法得到缺陷面积，利用孔隙率预测算法对缺陷面积进行孔隙率预测，得到当前层孔隙率预测值，并对孔隙率预测值进行阈值比较，如若孔隙率未超过阈值，则进行正常扫描，孔隙率超过阈值，则进行预警以及重熔或重铺粉操作。
具体包括以下步骤：
步骤1，采集每一层铺粉后的图像，并对图像进行预处理。
步骤2，对预处理后的图像识别激光加工区域内的铺粉缺陷，得到二值化图像。
步骤3，根据二值化图像利用目标检测模型进行铺粉缺陷识别及面积计算，得到缺陷面积。
步骤4，根据缺陷面积利用孔隙率预测算法进行预测，得到铺粉孔隙率预测的预测结果。
步骤1中，预处理包括对图像进行阈值分割、二值化和连通域滤波去噪操作。
在一种具体的实施方式中，每次通过刮刀铺粉完成后，图像采集模块获取当前层铺粉图像。图像像素按点阵方式排列，图像传感器上的像素按照规则的行和列排列，从左上角开始，逐行逐列扫描整个图像区域。
首先对输入图像进行图像分割，得到二值图像，将图像中可能的缺陷分离出来，其次对图像进行连通域滤波去噪，滤除图像中的噪声。具体的，对所获得的图像进行阈值分割，通过选取一个特定的灰度值作为界限，将整个图像分成若干个灰度等级区域，由于缺陷区域的灰度值通常比正常铺粉区域更暗，故通过阈值分割可以将其分成不同灰度等级区域。对阈值分割后的图像进行去噪处理，采用连通域滤波去噪，在一副铺粉图像中一个像素点附近的像素区域称为该像素的邻域。本实施例设定将面积小于10个像素的连通域滤除，即可达到很好的去噪效果。
步骤2中，对预处理后的图像识别激光加工区域内的铺粉缺陷的具体步骤包括：将激光扫描区域图像和预处理后的图像进行“与”操作，从而筛选出打印区域的铺粉缺陷。
在激光选区熔化中，只有铺粉缺陷出现在激光扫描区域时才会对成形质量造成影响，滤波操作目的为了去除原图像上的一些杂质点，而无法识别打印区域还是非打印区域。为了避免模型会把对于孔隙率没有影响的非打印区域的铺粉缺陷也计算进去，导致孔隙率计算精度降低，本发明通过将激光扫描区域图像和滤波后的图像“与”操作，筛选出打印区域的铺粉缺陷，而不是整个铺粉区域。
步骤3中，目标检测模型的构建步骤包括：
采集400张包含正常区域和铺粉缺陷区域的图像数据集，对图像进行正常区域和缺陷区域的标注；
对图像进行预处理，并将预处理后的图像按照8：1：1划分为训练集、验证集和测试集；
使用PyTorch完成卷积神经网络模型搭建初步目标检测模型；
利用对模型图像数据集进行训练，通过调整超参数优化模型得到最终的目标检测模型。
模型性能通过准确率和召回率进行评估，具体公式如下：
Recall=TP/(TP+FP)，
Accuracy= TP/(TP+ FN)，
其中，Recall为召回率，Accuracy为精确率，TP为模型正确的将样本预测为某类；FP为模型将不属于某类的样本预测为某类；FN为模型没有把属于某类的样本预测为某类。
步骤4中，其中，孔隙率预测算法的计算步骤包括：获取多个带有铺粉缺陷区域的金属相图，通过金相法分别计算各区域的孔隙率，得到孔隙率缺陷面积与铺粉缺陷层数关系，对孔隙率缺陷面积与铺粉缺陷层数关系进行回归分析并创建拟合回归模型。
在一种具体的实施方式中，通过激光选区熔化设备制备5mm×5mm×15mm制件，铺粉层厚为0.03mm，所使用材料为Inconel 718，如图2为制件三维模型示意图，分为采用最优工艺参数打印的区域A0和设置铺粉缺陷的A1-A5区域，其中，A1区域为设置缺粉一层的区域，A2区域为设置连续缺粉两层的区域，A3区域为设置连续缺粉三层的区域，A4区域为设置连续缺粉四层的区域，A5区域为设置连续缺粉五层的区域。如图1所示，具体打印过程如下：
1）零件0-3.07mm A0区域采用最优工艺参数打印，3.07mm处A1区域设置缺粉一层，进行激光扫描；
2）零件3.13-6.01mm A0区域采用最优工艺参数打印，6.01mm处A2区域设置缺粉两层，进行激光扫描；
3）零件6.10-8.89mm A0区域采用最优工艺参数打印，8.89mm处A3区域设置缺粉三层，进行激光扫描；
4）零件9.01-11.62mm A0区域采用最优工艺参数打印，11.62mm处A4区域设置缺粉四层，进行激光扫描；
5）零件11.77-14.20mm A0区域采用最优工艺参数打印，14.20mm处A5区域设置缺粉五层，进行激光扫描；
6）得到成形件后进行镶嵌、打磨、抛光；
图3为A1-A5区域金属相图，随着缺粉层数增加，孔隙形状由规则的气孔逐渐变化为不规则的未熔合孔。通过金相法分别计算各区域的孔隙率，如图4为单位像素平方面积孔隙率缺陷与铺粉缺陷层数关系折线图，孔隙率随缺粉层数的增加呈递增趋势，且随缺粉层数的增加孔隙率增加速度呈上升趋势。通过使用回归分析创建并拟合回归模型得到单位面积铺粉缺陷引起孔隙率的预测算法。
具体的，通过对所得数据进行回归分析，得到数据的拟合曲线如图5所示，得到拟合回归模型，即孔隙率与缺粉层数预测公式为：
Y=0.03X2-0.09X+0.14，
其中，X代表自变量铺粉缺陷层数，Y代表因变量孔隙率。
由图3、图4可以看出，连续缺粉1层、2层对于孔隙率的产生影响很小，连续3、4、5层缺粉对孔隙率的产生影响较大。连续1层缺粉产生0.06%的孔隙率，连续2层缺粉产生0.08%的孔隙率，连续3层缺粉产生0.12%的孔隙率，连续4层缺粉产生0.21%的孔隙率，连续5层缺粉产生0.40%的孔隙率。
通过实施例1所述的连续3层以上缺粉对孔隙率影响较大，故根据孔隙率缺陷面积与铺粉缺陷层数关系设定孔隙率阈值为0.12%，将所得孔隙率预测值与所设定孔隙率阈值进行比较，若超过所设阈值，则铺粉监控界面弹出预警提示，控制系统控制SLM设备进行重熔及重铺粉操作。若孔隙率未超过设定阈值，即连续缺粉少于3层，则不进行干预，系统继续正常运行，以提高实际生产中的打印效率，进行正常激光扫描，刮刀再次铺粉。
实施例二：
图6为激光选区熔化过程中的铺粉孔隙率预测系统及制件设备结构，制件设备包括激光系统、扫描系统、金属粉末供给系统、成形平台、惰性气体保护等。激光系统是核心部分，包括负责产生高能量、高聚焦度的激光束8，本实施例所使用的激光源为光纤激光器1。扫描系统用于控制激光束8的运动，包括光束分离器2、光束扩展器3和振镜4，光束分离器2和光束扩展器3分别用于对激光器1发射的激光进行光束的分离和扩展，再使用振镜4调整激光束方向，将激光束按照预定的路径精确扫描在金属粉末上。金属粉末供给系统包括粉料缸15、刮板17和除尘器10等，将粉末均匀的分布在成形平台上。零件每次扫描结束后，成形缸14下降一层，粉料缸15上升一层，刮板17将粉料缸15内的粉末均匀的铺至成形平台上，供给下次激光扫描使用。成形平台位于成形室6内，成形平台由成形缸14、预热器和升降台16等组成，是零件的基板，金属粉末被熔化并逐层堆积形成成形件13，成形平台可以通过升降台16在成形缸内上下移动，以便控制零件的高度。惰性气体保护装置为制件设备提供氩气作为保护气5，确保打印过程在低氧环境进行，提高零件质量和安全性。
本发明实施例二提供了一种激光选区熔化过程中的铺粉孔隙率预测系统，包括：
图像采集模块9，被配置为采集每一层铺粉后的图像，并对图像进行预处理；
图像处理模块12，被配置为对预处理后的图像识别激光加工区域内的铺粉缺陷，得到二值化图像；根据二值化图像利用目标检测模型进行铺粉缺陷识别及面积计算，得到缺陷面积；
孔隙率预测模块，被配置为根据缺陷面积利用孔隙率预测算法进行预测，得到铺粉孔隙率预测的预测结果，其中，孔隙率预测算法的计算步骤包括：获取多个带有铺粉缺陷区域的金属相图，通过金相法分别计算各区域的孔隙率，得到孔隙率缺陷面积与铺粉缺陷层数关系，对孔隙率缺陷面积与铺粉缺陷层数关系进行回归分析并创建拟合回归模型。
可视化监控模块11，被配置为用于展示图像处理模块处理得到的图像以及指令生成。本实施例中，可视化监控模块11表现为可视化的监控界面。可视化监控界面包括监测展示界面、指令生成界面。监测展示界面用于展示图像处理平台处理得到的图像，方便工作人员对铺粉过程进行实时观测。图像处理界面与数据存储器链接，可以实时调取前端图像。指令生成界面用于孔隙率超过阈值时进行人工操作，当算法检测到当前层孔隙率超过所设阈值，可视化监控界面弹出预警，工作人员根据预警做出重铺粉、停机等指令选择。
图像采集模块9包含光信号捕捉模块、光电转化模块和光学模块，光信号捕捉模块用于通过CMOS传感器采集铺粉后的光线，光电转化模块用于将光信号捕捉模块采集的光线转换为电信号，按照一定排列方式将拍摄物体分解为一个个像素点，这些像素点经过模数转换器及图像处理器，得到图像，如图7所示，然后通过Gige接口数据传输7至图像处理平台。光学模块包括镜头和滤光片，光学模块通过镜头聚焦光线到图像传感器上，通过滤光片调整传感器所接收光谱范围。
图像处理模块12为PC端图像处理平台，与可视化监控模块相连，用于实时接收、处理采集的图像信息，并对处理结果做出及时的反馈。
图像处理模块12包括运算服务器、数据存储器，数据存储器用于存储用于缺陷识别、缺陷面积计算的深度学习算法及实时采集的铺粉图像等，铺粉图像存储帮助工作人员对打印过程进行历史追溯。运算服务器用于读取实时采集的铺粉图像并运行处理算法，对图像缺陷区域进行识别，生成缺陷标注信息，并将缺陷标注信息传递给数据存储器。
本发明的激光选区熔化过程中的铺粉孔隙率预测系统，通过采集铺粉图像，并进行分割、去噪等图像处理，利用先前训练好的深度学习神经网络模型对铺粉图像进行缺陷识别，计算铺粉缺陷引起的孔隙率值。经实验发现连续3层以上缺粉对孔隙率影响较大，故设定孔隙率阈值为0.12%，将所得孔隙率预测值与所设定孔隙率阈值进行比较，若超过所设阈值，则铺粉监控界面弹出预警提示，控制系统控制SLM设备进行重熔及重铺粉操作。若孔隙率未超过设定阈值，即连续缺粉少于3层，则不进行干预，系统继续正常运行，以提高实际生产中的打印效率。
以上实施例二中涉及的各步骤与实施例一相对应，具体实施方式可参见实施例一的相关说明部分。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种激光选区熔化过程中的铺粉孔隙率预测方法，其特征在于，包括以下步骤：
采集每一层铺粉后的图像，并对图像进行预处理；
对预处理后的图像识别激光加工区域内的铺粉缺陷，得到二值化图像；
根据二值化图像利用目标检测模型进行铺粉缺陷识别及面积计算，得到缺陷面积；
根据缺陷面积利用孔隙率预测算法进行预测，得到铺粉孔隙率预测的预测结果，其中，孔隙率预测算法的计算步骤包括：获取多个带有铺粉缺陷区域的金属相图，通过金相法分别计算各区域的孔隙率，得到孔隙率缺陷面积与铺粉缺陷层数关系，对孔隙率缺陷面积与铺粉缺陷层数关系进行回归分析并创建拟合回归模型。
2.如权利要求1所述的激光选区熔化过程中的铺粉孔隙率预测方法，其特征在于，预处理包括对图像进行阈值分割、二值化和连通域滤波去噪操作。
3.如权利要求1所述的激光选区熔化过程中的铺粉孔隙率预测方法，其特征在于，对预处理后的图像识别激光加工区域内的铺粉缺陷的具体步骤包括：将激光扫描区域图像和预处理后的图像进行“与”操作，从而筛选出打印区域的铺粉缺陷。
4.如权利要求1所述的激光选区熔化过程中的铺粉孔隙率预测方法，其特征在于，目标检测模型的构建步骤包括：
采集包含正常区域和铺粉缺陷区域的图像数据集，对图像进行正常区域和缺陷区域的标注；
对图像进行预处理，并将预处理后的图像划分为训练集、验证集和测试集；
使用卷积神经网络模型搭建初步目标检测模型；
利用对模型图像数据集进行训练，通过调整超参数优化模型得到最终的目标检测模型。
5.如权利要求1所述的激光选区熔化过程中的铺粉孔隙率预测方法，其特征在于，孔隙率缺陷面积与铺粉缺陷层数关系为：
连续1层缺粉产生0.06%的孔隙率，连续2层缺粉产生0.08%的孔隙率，连续3层缺粉产生0.12%的孔隙率，连续4层缺粉产生0.21%的孔隙率，连续5层缺粉产生0.40%的孔隙率。
6.如权利要求1所述的激光选区熔化过程中的铺粉孔隙率预测方法，其特征在于，将铺粉孔隙率预测的预测结果与设定孔隙率阈值进行比较，若超过阈值，则进行重熔及重铺粉操作，若孔隙率未超过设定阈值，则不进行干预。
7.如权利要求6所述的激光选区熔化过程中的铺粉孔隙率预测方法，其特征在于，根据孔隙率缺陷面积与铺粉缺陷层数关系设定孔隙率阈值为0.12%。
8.一种激光选区熔化过程中的铺粉孔隙率预测系统，其特征在于，包括：
图像采集模块，被配置为采集每一层铺粉后的图像，并对图像进行预处理；
图像处理模块，被配置为对预处理后的图像识别激光加工区域内的铺粉缺陷，得到二值化图像；根据二值化图像利用目标检测模型进行铺粉缺陷识别及面积计算，得到缺陷面积；
孔隙率预测模块，被配置为根据缺陷面积利用孔隙率预测算法进行预测，得到铺粉孔隙率预测的预测结果，其中，孔隙率预测算法的计算步骤包括：获取多个带有铺粉缺陷区域的金属相图，通过金相法分别计算各区域的孔隙率，得到孔隙率缺陷面积与铺粉缺陷层数关系，对孔隙率缺陷面积与铺粉缺陷层数关系进行回归分析并创建拟合回归模型。
9.如权利要求8所述的激光选区熔化过程中的铺粉孔隙率预测系统，其特征在于，图像采集模块包含光信号捕捉模块、光电转化模块和光学模块，光信号捕捉模块用于通过传感器采集铺粉后的光线，光电转化模块用于将光信号捕捉模块采集的光线转换为电信号；光学模块包括镜头和滤光片，光学模块通过镜头聚焦光线到图像传感器上，通过滤光片调整传感器所接收光谱范围。
10.如权利要求8所述的激光选区熔化过程中的铺粉孔隙率预测系统，其特征在于，还包括可视化监控模块，被配置为用于展示图像处理模块处理得到的图像以及指令生成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145833.2A CN116883400B (zh) | 2023-09-07 | 2023-09-07 | 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145833.2A CN116883400B (zh) | 2023-09-07 | 2023-09-07 | 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883400A true CN116883400A (zh) | 2023-10-13 |
| CN116883400B CN116883400B (zh) | 2023-11-21 |
Family
ID=88255400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311145833.2A Active CN116883400B (zh) | 2023-09-07 | 2023-09-07 | 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883400B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106363172A (zh) * | 2016-09-29 | 2017-02-01 | 中北大学 | 选择性激光熔化成形铺粉及制品孔隙率检测装置及方法 |
| CN107402220A (zh) * | 2017-07-01 | 2017-11-28 | 华中科技大学 | 一种激光选区熔化成形铺粉质量视觉在线检测方法及系统 |
| US20180126487A1 (en) * | 2016-11-07 | 2018-05-10 | Tongtai Machine & Tool Co.,Ltd. | Inspecting and repairing device of additive manufacturing technology and method thereof |
| WO2018082097A1 (zh) * | 2016-11-07 | 2018-05-11 | 东台精机股份有限公司 | 粉末积层制造的检测修补装置及其方法 |
| CN108717481A (zh) * | 2018-05-08 | 2018-10-30 | 武汉理工大学 | 一种选择性激光熔化过程中温度分布及翘曲变形预测方法 |
| CN110328439A (zh) * | 2019-07-25 | 2019-10-15 | 阳江市普瑞德增材制造研究院有限公司 | 一种窄间隙焊枪及其制备方法 |
| CN111507966A (zh) * | 2020-04-17 | 2020-08-07 | 无锡雪浪数制科技有限公司 | 一种基于unet深度网络的复合材料孔隙检测方法 |
| WO2020259719A1 (zh) * | 2019-06-25 | 2020-12-30 | 江苏大学 | 一种超声振动辅助铺平粉末的激光增材加工装置及方法 |
| CN113523304A (zh) * | 2021-06-15 | 2021-10-22 | 南京航空航天大学 | 减少激光选区熔化成形件内部孔隙缺陷的方法和装置 |
| CN113732308A (zh) * | 2021-08-10 | 2021-12-03 | 广东工业大学 | 3d打印孔隙缺陷的检测修复方法以及检测修复装置 |
| US20210405613A1 (en) * | 2020-06-30 | 2021-12-30 | Atos Spain Sociedad Anonima | Predicting system in additive manufacturing process by machine learning algorithms |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN114708427A (zh) * | 2022-05-10 | 2022-07-05 | 中北大学 | 基于深度学习的铺粉缺陷检测方法 |
| CN114897908A (zh) * | 2022-07-14 | 2022-08-12 | 托伦斯半导体设备启东有限公司 | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 |
| CN115026310A (zh) * | 2022-05-17 | 2022-09-09 | 西南交通大学 | 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 |
| WO2023077282A1 (zh) * | 2021-11-02 | 2023-05-11 | 广东汉邦激光科技有限公司 | 激光3d打印方法及激光3d打印设备 |
| US20230141551A1 (en) * | 2020-04-22 | 2023-05-11 | Aecc Shanghai Commercial Aircraft Engine Manufacturing Co., Ltd. | Method for prefabricating air hole defect by means of controlled slm process |
-
2023
- 2023-09-07 CN CN202311145833.2A patent/CN116883400B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106363172A (zh) * | 2016-09-29 | 2017-02-01 | 中北大学 | 选择性激光熔化成形铺粉及制品孔隙率检测装置及方法 |
| US20180126487A1 (en) * | 2016-11-07 | 2018-05-10 | Tongtai Machine & Tool Co.,Ltd. | Inspecting and repairing device of additive manufacturing technology and method thereof |
| WO2018082097A1 (zh) * | 2016-11-07 | 2018-05-11 | 东台精机股份有限公司 | 粉末积层制造的检测修补装置及其方法 |
| CN107402220A (zh) * | 2017-07-01 | 2017-11-28 | 华中科技大学 | 一种激光选区熔化成形铺粉质量视觉在线检测方法及系统 |
| CN108717481A (zh) * | 2018-05-08 | 2018-10-30 | 武汉理工大学 | 一种选择性激光熔化过程中温度分布及翘曲变形预测方法 |
| WO2020259719A1 (zh) * | 2019-06-25 | 2020-12-30 | 江苏大学 | 一种超声振动辅助铺平粉末的激光增材加工装置及方法 |
| CN110328439A (zh) * | 2019-07-25 | 2019-10-15 | 阳江市普瑞德增材制造研究院有限公司 | 一种窄间隙焊枪及其制备方法 |
| CN111507966A (zh) * | 2020-04-17 | 2020-08-07 | 无锡雪浪数制科技有限公司 | 一种基于unet深度网络的复合材料孔隙检测方法 |
| US20230141551A1 (en) * | 2020-04-22 | 2023-05-11 | Aecc Shanghai Commercial Aircraft Engine Manufacturing Co., Ltd. | Method for prefabricating air hole defect by means of controlled slm process |
| US20210405613A1 (en) * | 2020-06-30 | 2021-12-30 | Atos Spain Sociedad Anonima | Predicting system in additive manufacturing process by machine learning algorithms |
| WO2022053001A1 (zh) * | 2020-09-10 | 2022-03-17 | 上海航天精密机械研究所 | 焊缝内部缺陷智能检测装置、方法及介质 |
| CN113523304A (zh) * | 2021-06-15 | 2021-10-22 | 南京航空航天大学 | 减少激光选区熔化成形件内部孔隙缺陷的方法和装置 |
| CN113732308A (zh) * | 2021-08-10 | 2021-12-03 | 广东工业大学 | 3d打印孔隙缺陷的检测修复方法以及检测修复装置 |
| WO2023077282A1 (zh) * | 2021-11-02 | 2023-05-11 | 广东汉邦激光科技有限公司 | 激光3d打印方法及激光3d打印设备 |
| CN114708427A (zh) * | 2022-05-10 | 2022-07-05 | 中北大学 | 基于深度学习的铺粉缺陷检测方法 |
| CN115026310A (zh) * | 2022-05-17 | 2022-09-09 | 西南交通大学 | 一种基于支持向量回归的slm增材制造铺粉孔隙率预测方法 |
| CN114897908A (zh) * | 2022-07-14 | 2022-08-12 | 托伦斯半导体设备启东有限公司 | 基于机器视觉的激光选区铺粉烧结面缺陷分析方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 安超;张远明;张金松;: "选区激光熔化工艺参数对钴铬合金材料成型件致密度与表面粗糙度的影响规律研究", 应用激光, no. 03 * |
| 安超;张远明;张金松;吕东喜;阮亮;: "选区激光熔化成型钴铬合金致密度与孔隙缺陷实验研究", 应用激光, no. 05 * |
| 王震宇;: "基于机器视觉钢板表面缺陷检测技术研究", 计算机与现代化, no. 07 * |
| 路浩;陈原;: "基于机器视觉的碳纤维预浸料表面缺陷检测方法", 纺织学报, no. 04 * |
| 顾冬冬;沈以赴;吴鹏;杨家林;王洋;: "铜基金属粉末选区激光烧结的工艺研究", 中国激光, no. 11 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883400B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110253019B (zh) | 一种激光选区熔化的质量监控与控制方法 | |
| CN108489986B (zh) | 一种增材制造在线检测及修复方法 | |
| AU2021239037B2 (en) | Automatic detection device and detection method for roller surface of roller press | |
| CN101456159B (zh) | 火花识别对刀方法及磨削加工自动化系统 | |
| 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 | |
| CN106925784A (zh) | 一种基于相机实时拍摄的3d打印过程监控方法及装置 | |
| CN108760747A (zh) | 一种3d打印模型表面缺陷视觉检测方法 | |
| JP2010530809A (ja) | 機械加工システム制御装置及び方法 | |
| CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
| CN105674910A (zh) | 一种超大型剪板机板料剪切边缘曲线检测系统及方法 | |
| CN113012149B (zh) | 一种智能清洗机器人路径规划方法及系统 | |
| CN102455171A (zh) | 一种激光拼焊焊缝背面几何形貌检测方法及其实现装置 | |
| CN115170563A (zh) | 基于物联网的压铸件去毛刺后的检测系统及方法 | |
| CN113781458A (zh) | 一种基于人工智能的识别方法 | |
| 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 | |
| CN116883400B (zh) | 一种激光选区熔化过程中的铺粉孔隙率预测方法及系统 | |
| CN117282987A (zh) | 大功率激光熔丝沉积熔池同步智能整形的方法 | |
| CN106296648A (zh) | 评价激光改性时等离子体与最终改性效果之间关系的方法 | |
| CN115937218B (zh) | 一种冷冲件的表面缺陷检测方法及系统 | |
| CN116228798B (zh) | 基于机器视觉的铁塔智能切割检测方法 | |
| CN116958137A (zh) | 一种新能源电池表面缺陷检测方法及装置 | |
| CN116664508A (zh) | 一种焊缝表面质量检测方法及计算机可读存储介质 | |
| CN117274150A (zh) | 基于卷积神经网络的多传感融合slm质量监测方法 | |
| CN111790910B (zh) | 一种激光粉末床熔融成形件缺陷反馈与调节方法 | |
| CN115194345A (zh) | 一种针对激光切割设备自动检测调整方法、设备及介质 |
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 |