CN117172127B - 一种智能生产线激光熔化切割毛刺监测系统及方法 - Google Patents
一种智能生产线激光熔化切割毛刺监测系统及方法 Download PDFInfo
- Publication number
- CN117172127B CN117172127B CN202311215099.2A CN202311215099A CN117172127B CN 117172127 B CN117172127 B CN 117172127B CN 202311215099 A CN202311215099 A CN 202311215099A CN 117172127 B CN117172127 B CN 117172127B
- Authority
- CN
- China
- Prior art keywords
- cutting
- burr
- degree index
- group
- laser melting
- 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.)
- Active
Links
- 238000005520 cutting process Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008018 melting Effects 0.000 title claims abstract description 55
- 238000002844 melting Methods 0.000 title claims abstract description 54
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 29
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 98
- 239000010959 steel Substances 0.000 claims abstract description 98
- 230000006870 function Effects 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000003698 laser cutting Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 239000002699 waste material Substances 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 23
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 229910001873 dinitrogen Inorganic materials 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 description 12
- 238000009826 distribution Methods 0.000 description 8
- 239000007789 gas Substances 0.000 description 6
- 238000001816 cooling Methods 0.000 description 5
- 230000009102 absorption Effects 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000002893 slag Substances 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000000151 deposition Methods 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 239000011261 inert gas Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 229910001338 liquidmetal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004093 laser heating Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010309 melting process Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 150000004767 nitrides Chemical group 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Laser Beam Processing (AREA)
Abstract
本发明属于毛刺监测技术领域,本发明公开了一种智能生产线激光熔化切割毛刺监测系统及方法;包括:通过收集激光熔化切割方式切割钢件的仿真模拟结果,生成毛刺程度指标;根据毛刺程度指标判断钢件是否为合格件或废件;基于仿真模拟结果和毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型;根据机器学习模型结果,设置目标函数;使用梯度下降算法对目标函数优化,得到一组最优切割方案,从而生成激光切割机调节方案。
Description
技术领域
本发明涉及毛刺监测技术领域,更具体地说,本发明涉及一种智能生产线激光熔化切割毛刺监测系统及方法。
背景技术
激光熔化切割是利用激光加热使金属材料熔化,然后通过与光束同轴的喷嘴喷吹非氧化性气体(Ar、He、N等),依靠气体的强大压力使液态金属排出,形成切口,完成切割操作。
申请公告号CN116213963A的中国专利公开了一种薄板激光切割装置及激光切割方法,实现自动上下料、切割和排出废料工作,具有自动化程度高,工作效率高的优点;降低支撑板组因被切割而导致板材切割表面产生发黑的概率。
但是,对于每一种钢件,不能精密的设计激光切割的方案,不能精准设计激光切割机的各项参数以减少毛刺的产生,在实验得出切割方案之前,产生的钢件废件较多,浪费资源。
鉴于此,本发明提出一种智能生产线激光熔化切割毛刺监测系统及方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种智能生产线激光熔化切割毛刺监测系统及方法。
为实现上述目的,本发明提供如下技术方案:一种智能生产线激光熔化切割毛刺监测方法,所述方法包括:
仿真模拟使用激光熔化切割方式切割钢件的过程并生成仿真模拟结果;
收集每组切割方案对应的仿真模拟结果,并生成对应的毛刺程度指标MC;
设置毛刺程度指标阈值MCok,当MC≤MCok时,标记钢件为合格件,当MC>MCok时,标记钢件为废件;
基于仿真模拟结果和毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型;
设置目标函数G(A,B,C,D)=(F(A,B,C,D)-E)2,使用梯度下降算法对目标函数优化,最终得到一组最优切割方案;
根据最优切割方案,生成激光切割机调节方案。
一种智能生产线激光熔化切割毛刺监测系统,包括:
仿真模拟模块用于仿真模拟使用激光熔化切割方式切割钢件的过程,生成仿真模拟结果;
数据处理模块用于收集仿真模拟结果,并生成毛刺程度指标;
模型训练模块基于仿真模拟结果和毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型;设置目标函数G(A,B,C,D)=(F(A,B,C,D)-E)2,使用梯度下降算法对目标函数优化,最终得到一组最优切割方案;
控制模块根据最优切割方案,设置激光熔化切割方式切割钢件过程中的调节参数。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种智能生产线激光熔化切割毛刺监测方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的一种智能生产线激光熔化切割毛刺监测方法。
本发明一种智能生产线激光熔化切割毛刺监测系统及方法的技术效果和优点:
1.通过仿真模拟使用激光熔化切割方式切割钢件的过程并生成仿真模拟结果;根据仿真模拟结果,生成毛刺程度指标MC;设置毛刺程度指标阈值MCok,与MC比较,对钢件标记合格件或废件;基于仿真模拟结果和毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型;根据机器学习模型结果,设置目标函数G(A,B,C,D)=(F(A,B,C,D)-E)2,使用梯度下降算法对目标函数优化,得到一组最优切割方案,从而生成激光切割机调节方案;实现对于激光熔化切割方式切割一种钢件时,产生的毛刺在允许范围内,并且在得出最优切割方案过程中使用到了仿真模拟,不产生真实的废件,节约了资源,使用最优切割方案的调节参数对激光切割机调节,减少了工作人员实际实验得出激光切割机参数的时间,降低了废件的产生,有效降低了成本。
附图说明
图1为本发明的一种智能生产线激光熔化切割毛刺监测系统示意图;
图2为本发明的一种智能生产线激光熔化切割毛刺监测方法示意图;
图3为本发明的一种电子设备示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例所述一种智能生产线激光熔化切割毛刺监测系统,包括,仿真模拟模块1、数据处理模块2、模型训练模块3与控制模块4;其中,各个模块之间通过有线和/或无线网络方式连接。
仿真模拟模块1用于仿真模拟使用激光熔化切割方式切割钢件的过程,将仿真模拟结果发送给数据处理模块2和模型训练模块3。
所述仿真模拟使用激光熔化切割方式切割钢件的过程如下:
使用COMSOL软件,在“Model Builder”中选择“3D”创建一个新模型;
在“Geometry”模块中导入钢件的三维CAD模型;
所述钢件的三维CAD模型由工作人员对于待切割的钢件进行CAD三维建模获取;
通过添加“Workplane”和“Extrusion”等几何操作来定义激光熔化切割路径,即边界条件;
在“Materials”模块中添加切割钢件的材料信息,包括热传导系数、比热容、密度与熔点等,钢件的材料信息可由COMSOL内置的材料数据库直接获取;
在“Physics”模块中添加物理模型;使用激光熔化切割方式切割钢件可添加辐射传热模型、气体流动模型与熔池流动模型等多个物理模型组合;
需要说明的是,在激光熔化切割过程中,主要包括吸收、熔化和沉积三个主要阶段;第一阶段是吸收,即激光进入钢件表面并被钢件材料中的电子和原子吸收,形成局部高温区域;第二阶段是熔化,即局部高温区域的钢件开始熔化并形成熔池,对激光的吸收会使钢件的表面在极短时间内急剧升温,快速熔化钢件,形成熔池;第三阶段是沉积,即熔池冷却之后,熔池中的金属液体重新形成固态物质并附着在钢件表面,在切割过程中,常会使用氮气等惰性气体作为辅助气体,以吹走熔池冷却后的渣皮和毛刺;
辐射传热模型使用在激光进入钢件表面并被钢件材料吸收的吸收阶段,这个模型可以模拟吸收的热能在钢件中的传输和热扩散;熔池流动模型用于在局部高温区域的钢件开始熔化并形成熔池的熔化阶段,这个模型用于分析熔池的形态和流动规律等参数;气体流动模型用于在熔池冷却之后,熔池中的金属液体重新形成固态物质并附着在钢件表面的沉积阶段,这个模型可以模拟氮气等惰性气体对熔池冷却后的渣皮和毛刺的吹扫过程;
在“Study”模块中设置调节参数,包括激光功率、扫描速度、激光直径与氮气气流速度等。一组调节参数为一组切割方案,这些调节参数对钢件裂纹和毛刺等现象都有重要影响,激光功率、扫描速度、激光直径与氮气气流速度均为模拟过程中待人工改变的四个随机变量,四个随机变量具体的取值为四个随机变量取值范围内的任意值,所述四个随机变量的取值范围在激光切割机设备使用说明书中获取;
需要说明的是,关于激光功率的影响,当激光功率过大时,会导致钢件表面的部分区域超过熔点甚至汽化,从而引起裂纹以及毛刺等现象。此外,激光功率过大在切割过程中产生的热能易造成钢件变形,引起钢件内部的应力集中,影响材料性能;
扫描速度是指激光切割头在钢件表面扫描的速度,它通常与激光功率和激光直径等参数一起调整。当扫描速度过慢时,激光对钢件的作用时间过长,容易导致钢件局部过热并产生裂纹与变形等问题;而过快的扫描速度则容易导致切割效率低下与毛刺等问题;
激光直径是指激光在钢件表面的直径,它通常与激光功率和扫描速度等因素一起影响激光熔化切割的效果。当激光直径过大时,在获得高速切割的同时也容易产生毛刺、渣皮等现象;而过小的激光直径则可能会使切割精度降低,切割速度变慢,甚至导致切割过程中的激光偏移等问题;
氮气气流速度过大时,会对熔池和切割焊缝表面形成较大的冷却效应,导致温度急剧下降,熔池凝固过快,因此易产生裂纹和毛刺等现象。同时,氮气气体流动的惯性力也会将液态金属往表面推动,且会带来氮化物的残留,从而形成表面毛刺,导致切割品质不佳;相反,当氮气气流速度过小时,无法有效地清除熔池冷却后的渣皮和毛刺,因此也会影响到切割质量;此外,如果气流速度不稳定,也会导致切割质量的波动和不稳定;
因此,为了保证激光切割的质量,减少毛刺和裂纹,需要对激光功率、扫描速度、激光直径与氮气气流速度等参数进行合理的调整和控制,以实现高效、精准和稳定的切割过程;
在“Results”模块中添加不同的监测器,通过添加“Slice”或“Boundary”监测器,并设置监测区域和时间范围;所述监测区域为钢件与激光接触的表面;时间范围为工作人员设定,时间范围从激光熔化切割开始直到钢件切割完成;模拟结果包括:熔池边界与温度分布等。
在“Study”模块中运行仿真模拟使用激光熔化切割方式切割钢件的过程并获取仿真模拟结果。仿真模拟结果包括:熔池边界与温度分布等。可以通过分析熔池边界与温度分布等仿真模拟结果,来评估钢件的毛刺情况;
需要说明的是,收集熔池边界仿真模拟结果的原因是,根据激光熔化切割过程中毛刺的形成机制,可以将毛刺的形成简化为熔池在钢件表面形成凸起和沉降的过程,即熔池边界的凸起就是毛刺,熔池边界的凸起和凹陷的高差就是毛刺的高度,不同熔池边界的凸起之间的距离就是毛刺距离,熔池边界仿真模拟结果展示了与熔池边界的凸起和凹陷有关的所有数据,具体的包括熔池边界凸起之间的距离与熔池边界的凸起和凹陷到钢件几何中心的距离等;
收集温度分布仿真模拟结果的原因是,在温度分布方面,高温区域的扩散和冷却速度也会对毛刺的形成产生影响。如果热量分布不均衡或冷却速度不够快,则可能会在钢件表面形成一定的应力和应变,从而导致钢件毛刺等缺陷,温度分布仿真模拟结果展示了从熔池中心到边界的温度变化,也是钢件毛刺情况的重要评估因素。
COMSOL软件全称COMSOL Multiphysics软件,是一种多物理场模拟仿真软件,可以用于激光熔化切割仿真模拟。它支持多物理场耦合,可以同时处理电磁、光学、热传导等多个物理过程,通过该软件,可以预测和分析激光切割过程中工件表面的温度分布、应力分布、变形情况、熔池边界等参数,从而优化加工质量和工艺参数;
使用COMSOL仿真模拟使用激光熔化切割方式切割钢件的过程中的其他参数,包括网格划分、未陈述到的材料属性以及物理模型的其他参数均由COMSOL库中获取或由实验室环境实验获取。
数据处理模块2用于收集仿真模拟模块1的仿真模拟结果,并生成毛刺程度指标。所述数据处理模块2将生成的毛刺指标发送给模型训练模块3;
其中,生成毛刺程度指标的过程如下:
通过公式:求得毛刺程度指标MC,式中,n为熔池边界凸起的个数,由仿真模拟结果得到,ΔHa为第a个熔池边界的凸起到钢件几何中心的距离与第a个熔池边界的凹陷到钢件几何中心的距离之差,熔池边界的凸起或凹陷到钢件几何中心的距离由仿真模拟结果得到,ΔHa越大说明毛刺越高,毛刺程度指标MC就会越大,说明钢件的毛刺情况越严重;Db为第b个熔池边界的凸起到邻近的熔池边界的凸起的直线距离,直线距离可由仿真模拟结果得到,Db越大说明毛刺越密集,毛刺程度指标MC就会越大,说明钢件的毛刺情况越严重;
Tz为温度梯度指标,计算公式为式中,Tc为距钢件几何中心的第c单位长度的温度,Tc-1为距钢件几何中心的第c-1单位长度的温度,m为大于2的整数;所述单位长度由专业人员根据钢件大小设定,示例性的,当钢件较小,将单位长度设置为1mm,此时T2为距钢件几何中心的第2mm处的温度,T1为距钢件几何中心的第1mm处的温度;温度由仿真模拟结果直接获取;
需要说明的是,Tz越大,温度分布越不均匀,钢件越容易出现毛刺,毛刺程度指标MC就会越大,如果Tz越小则相反;毛刺程度指标MC综合考虑到了毛刺的高度、毛刺距离以及从钢件几何中心到钢件边界的温度梯度,毛刺程度指标MC越大,表示该钢件的毛刺程度越严重。
设置毛刺程度指标阈值MCok,当MC≤MCok时,标记该钢件为合格件,当MC>MCok时,标记该钢件为废件。
毛刺程度指标阈值由工作人员根据钢件的生产要求设置,钢件生产要求越精细光滑,毛刺程度指标阈值越低,反之则越高。
模型训练模块3基于仿真模拟模块1的仿真模拟结果和数据处理模块2生成的毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型。
需要说明的是,切割方案包括激光功率、扫描速度、激光直径与氮气气流速度(即在COMSOL软件“Study”模块中设置的调节参数中的四个调节参数),一组切割方案对应一个数据处理模块2中生成的毛刺程度指标;
将每组切割方案的激光功率、扫描速度、激光直径与氮气气流速度转换为特征向量,将每组切割方案对应的毛刺程度指标转换为标签,将每组特征向量和与每组特征向量对应的标签构建为一个样本,收集多个样本构建为机器学习的数据集。所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%。
将所述训练集作为机器学习模型的输入,所述机器学习模型以钢件的毛刺程度指标作为输出,以一组切割方案特征向量对应的毛刺程度指标作为预测目标,以最小化机器学习模型损失函数作为训练目标;当机器学习模型损失函数小于等于目标损失值时停止训练。
所述机器学习模型损失函数可以为均方误差(MSE)或交叉熵(CE);示例性的,均方误差(MSE)是常用的损失函数之一,通过将损失函数最小化为目标来训练模型,使得机器学习模型更好地拟合数据,从而提高模型的性能和准确率;损失函数中mse为损失函数值,i为特征向量组号;u为特征向量组数;yi为第i组特征向量,/>为第i组特征向量所对应的毛刺程度指标。
所述机器学习模型训练完成后可根据切割方案预测出毛刺程度指标,即得到关于激光功率A、扫描速度B、激光直径C与氮气气流速度D的函数F(A,B,C,D),F(A,B,C,D)的值表示毛刺程度指标;将毛刺程度指标阈值表示为E;
设置目标函数G(A,B,C,D)=(F(A,B,C,D)-E)2,使用梯度下降算法对目标函数优化,最终得到一组最优切割方案,所述最优切割方案的调节参数为对应毛刺程度指标阈值E的一组A、B、C与D的值,具体的,A=AE,B=BE,C=CE,D=DE,即此时AE、BE、CE与DE组成的一组切割方案即为最优切割方案。
最优切割方案起到的效果为,既不使得钢件毛刺程度指标过高,毛刺严重导致钢件成为废件,也不使得钢件毛刺程度指标过低,钢件的精细程度过剩,节能环保。
优选的,使用梯度下降算法对目标函数优化,最终得到一组最优切割方案的方式如下:
步骤1、基于目标函数G(A,B,C,D)分别对A、B、C、D求偏导数:
dG/dA=2(F(A,B,C,D)-E)*dF/dA;
dG/dB=2(F(A,B,C,D)-E)*dF/dB;
dG/dC=2(F(A,B,C,D)-E)*dF/dC;
dG/dD=2(F(A,B,C,D)-E)*dF/dD;
dG/dA为目标函数G(A,B,C,D)对A的偏导数,dG/dB、dG/dC与dG/dD以此类推。偏导数表示了在当前点上,目标函数的变化方向和速率。梯度下降算法利用偏导数来调整参数,使得在后续迭代中,F(A,B,C,D)的值可以更接近E,即毛刺程度指标更接近毛刺程度指标阈值。
步骤2、目标函数初始化:随机设置A、B、C、D的初始值,或者从收集的数据集中随机选中一组设置为初始值;
初始值的随机设置是必要的,否则可能使梯度下降算法陷入局部最优解,不能得到实际的最优切割方案。
步骤3、使用梯度下降公式进行优化:
梯度下降公式为:
Anew=A-α*dG/dA;
Bnew=B-α*dG/dB;
Cnew=C-α*dG/dC;
Dnew=D-α*dG/dD;
其中,α表示学习率,用于控制每次A、B、C与D更新的幅度和优化速度,Anew、Bnew、Cnew与Dnew为每次迭代后A、B、C与D更新的值;学习率过大,则可能导致梯度下降算法无法得到最优切割方案;学习率过小,则梯度下降算法得到最优切割方案的速度会很慢,因此学习率的设置为工程实践中多次尝试不同的学习率,不断调优取得。
步骤4、重复步骤3对梯度下降公式进行迭代;所述迭代过程如下:
设初始值A=A1、B=B1、C=C1、D=D1,设初始值计算得到Anew=A2、Bnew=B2、Cnew=C2、Dnew=D2,则第一次迭代中,A的值为上一次迭代中的Anew,即此时A=A2、B=B2、C=C2、D=D2,以此类推,进行多次迭代,直至目标函数的A、B、C与D收敛时,停止迭代并输出此时的A、B、C与D;此时的A、B、C与D即为梯度下降算法所要求得的AE、BE、CE与DE,即最优切割方案的调节参数。
模型训练模块3将最优切割方案发送给控制模块4。
控制模块4根据最优切割方案,生成激光切割机调节方案,设置激光熔化切割方式切割钢件过程中的调节参数,实现对于激光熔化切割方式切割一种钢件时,产生的毛刺在允许范围内,并且在得出最优切割方案过程中使用到了仿真模拟,不产生真实的废件,节约了资源。
实施例2
请参阅图2所示,本实施例未详细叙述部分见实施例一描述内容,提供一种智能生产线激光熔化切割毛刺监测方法。所述方法包括:
仿真模拟使用激光熔化切割方式切割钢件的过程并生成仿真模拟结果;
收集每组切割方案对应的仿真模拟结果,并生成对应的毛刺程度指标MC;
设置毛刺程度指标阈值MCok,当MC≤MCok时,标记钢件为合格件,当MC>MCok时,标记钢件为废件;
基于仿真模拟结果和毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型;
根据机器学习模型结果设置目标函数G(A,B,C,D)=(F(A,B,C,D)-E)2,使用梯度下降算法对目标函数优化,最终得到一组最优切割方案;
根据最优切割方案,生成激光切割机调节方案。
优选的,所述仿真模拟使用激光熔化切割方式切割钢件的过程如下:
使用COMSOL软件,在“Model Builder”中选择“3D”创建一个新模型;
在“Geometry”模块中导入钢件的三维CAD模型;
通过添加“Workplane”和“Extrusion”等几何操作来定义激光熔化切割路径;
在“Materials”模块中添加切割钢件的材料信息;
在“Physics”模块中添加物理模型,包括添加辐射传热模型、气体流动模型与熔池流动模型等多个物理模型;
在“Study”模块中设置调节参数,包括激光功率、扫描速度、激光直径与氮气气流速度等。
在“Results”模块中添加不同的监测器,通过添加“Slice”或“Boundary”监测器,并设置监测区域和时间范围;
在“Study”模块中运行仿真模拟使用激光熔化切割方式切割钢件的过程并获取仿真模拟结果。
优选的,生成毛刺程度指标的过程如下:
通过公式:求得毛刺程度指标MC,式中,n为熔池边界凸起的个数;ΔHa为第a个熔池边界的凸起到钢件几何中心的距离与第a个熔池边界的凹陷到钢件几何中心的距离之差;Db为第b个熔池边界的凸起到邻近的熔池边界的凸起的直线距离。
优选的,Tz为温度梯度指标,计算公式为式中,Tc为距钢件几何中心的第c单位长度的温度,Tc-1为距钢件几何中心的第X-1单位长度的温度,m为大于2的整数。
优选的,训练出根据切割方案预测出毛刺程度指标的机器学习模型的方式如下:
将每组切割方案的激光功率、扫描速度、激光直径与氮气气流速度转换为特征向量,将每组切割方案对应的毛刺程度指标转换为标签,将每组特征向量和与每组特征向量对应的标签构建为一个样本,收集多个样本构建为机器学习的数据集;
将所述训练集作为机器学习模型的输入,所述机器学习模型以钢件的毛刺程度指标作为输出,以一组切割方案特征向量对应的毛刺程度指标作为预测目标,通过将损失函数最小化为目标来训练模型,损失函数中mse为损失函数值,i为特征向量组号;u为特征向量组数;yi为第i组特征向量对应的真实毛刺程度指标,/>为第i组特征向量对应预测的毛刺程度指标。
以最小化机器学习模型损失函数作为训练目标;当机器学习模型损失函数小于等于目标损失值时停止训练。
优选的,在目标函数G(A,B,C,D)=(F(A,B,C,D)-E)2中,F(A,B,C,D)为机器学习模型训练完成后得到的关于激光功率A、扫描速度B、激光直径C与氮气气流速度D的函数,F(A,B,C,D)的值表示毛刺程度指标;E表示毛刺程度指标阈值。
优选的,所述最优切割方案的调节参数为对应毛刺程度指标阈值E的一组A、B、C与D的值,将值设为A=AE,B=BE,C=CE,D=DE,此时AE、BE、CE与DE组成的一组切割方案即为最优切割方案。
优选的,使用梯度下降算法对目标函数优化,最终得到一组最优切割方案的方式如下:
基于目标函数G(A,B,C,D)分别对A、B、C、D求偏导数:
dG/dA=2(F(A,B,C,D)-E)*dF/dA;
dG/dB=2(F(A,B,C,D)-E)*dF/dB;
dG/dC=2(F(A,B,C,D)-E)*dF/dC;
dG/dD=2(F(A,B,C,D)-E)*dF/dD;
dG/dA为目标函数G(A,B,C,D)对A的偏导数,dG/dB、dG/dC与dG/dD以此类推;随机设置A、B、C、D的初始值,或者从收集的数据集中随机选中一组设置为初始值;使用梯度下降公式进行优化;
优选的,梯度下降公式为:
Anew=A-α*dG/dA;
Bnew=B-α*dG/dB;
Cnew=C-α*dG/dC;
Dnew=D-α*dG/dD;
其中,α表示学习率,用于控制每次A、B、C与D更新的幅度和优化速度,Anew、Bnew、Cnew与Dnew为每次迭代后A、B、C与D更新的值;
对梯度下降公式进行迭代;目标函数的A、B、C与D收敛时,停止迭代并输出此时的最优切割方案的调节参数。
优选的,激光切割机调节方案,包括对激光切割机的调节参数进行调节。
实施例3
请参阅图3所示,根据示例性实施例示出的一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的一种智能生产线激光熔化切割毛刺监测方法。
实施例4
根据示例性实施例示出的一种计算机可读存储介质,其上存储有可擦写的计算机程序;
当所述计算机程序在计算机设备上运行时,使得所述计算机设备执行上述的一种智能生产线激光熔化切割毛刺监测方法。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种智能生产线激光熔化切割毛刺监测方法,其特征在于,包括:
仿真模拟使用激光熔化切割方式切割钢件的过程并生成仿真模拟结果;
收集每组切割方案对应的仿真模拟结果,生成对应的毛刺程度指标;
根据毛刺程度指标判断钢件是否为合格件或废件;
基于仿真模拟结果和毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型;
根据机器学习模型结果设置目标函数,使用梯度下降算法对目标函数优化,得到一组最优切割方案;
根据最优切割方案,生成激光切割机调节方案;
训练出根据切割方案预测出毛刺程度指标的机器学习模型的方法包括:
将每组切割方案的激光功率、扫描速度、激光直径与氮气气流速度转换为特征向量,将每组切割方案对应的毛刺程度指标转换为标签,将每组特征向量和与每组特征向量对应的标签构建为一个样本,收集多个样本构建为机器学习的数据集;所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;
将所述训练集作为机器学习模型的输入,所述机器学习模型以钢件的毛刺程度指标作为输出,以一组切割方案特征向量对应的毛刺程度指标作为预测目标,通过将损失函数最小化为目标来训练机器学习模型,损失函数中mse为损失函数值,i为特征向量组号;u为特征向量组数;yi为第i组特征向量对应的真实毛刺程度指标,/>为第i组特征向量对应预测的毛刺程度指标;
以最小化机器学习模型损失函数作为训练目标;当机器学习模型损失函数小于等于目标损失值时停止训练。
2.根据权利要求1所述的一种智能生产线激光熔化切割毛刺监测方法,其特征在于,设置毛刺程度指标阈值MCok,当MC≤MCok时,标记钢件为合格件,当MC>MCok时,标记钢件为废件,MC为毛刺程度指标。
3.根据权利要求2所述的一种智能生产线激光熔化切割毛刺监测方法,其特征在于,生成毛刺程度指标的过程如下:
通过公式:求得毛刺程度指标MC,式中,n为熔池边界凸起的个数;ΔHa为第a个熔池边界的凸起到钢件几何中心的距离与第a个熔池边界的凹陷到钢件几何中心的距离之差;Db为第b个熔池边界的凸起到邻近的熔池边界的凸起的直线距离;Tz为温度梯度指标。
4.根据权利要求3所述的一种智能生产线激光熔化切割毛刺监测方法,其特征在于,式中,Tc为,距钢件几何中心的第c单位长度处的温度,Tc-1为距钢件几何中心的第c-1单位长度的温度,m为大于2的整数。
5.根据权利要求4所述的一种智能生产线激光熔化切割毛刺监测方法,其特征在于,在目标函数G(A,B,C,D)=(F(A,B,C,D)-E)2式中,F(A,B,C,D)为机器学习模型训练完成后得到的关于激光功率A、扫描速度B、激光直径C与氮气气流速度D的函数,F(A,B,C,D)的值表示毛刺程度指标;E表示毛刺程度指标阈值;
所述最优切割方案的调节参数为对应毛刺程度指标阈值E的一组A、B、C与D的值,将值设为A=AE,B=BE,C=CE,D=DE,AE、BE、CE与DE组成的一组切割方案为最优切割方案。
6.根据权利要求5所述的一种智能生产线激光熔化切割毛刺监测方法,其特征在于,使用梯度下降算法对目标函数优化,得到一组最优切割方案的方法包括:
步骤1、基于目标函数G(A,B,C,D)分别对A、B、C、D求偏导数:
dG/dA=2(F(A,B,C,D)-E)*dF/dA;
dG/dB=2(F(A,B,C,D)-E)*dF/dB;
dG/dC=2(F(A,B,C,D)-E)*dF/dC;
dG/dD=2(F(A,B,C,D)-E)*dF/dD;
dG/dA为目标函数G(A,B,C,D)对A的偏导数;dG/dB为目标函数G(A,B,C,D)对B的偏导数;dG/dC为目标函数G(A,B,C,D)对C的偏导数;dG/dD为目标函数G(A,B,C,D)对D的偏导数;
步骤2、随机设置A、B、C、D的初始值,或从收集的数据集中随机选中一组调节参数设置为初始值;
步骤3、使用梯度下降公式进行优化;梯度下降公式为:
Anew=A-α*dG/dA;
Bnew=B-α*dG/dB;
Cnew=C-α*dG/dC;
Dnew=D-α*dG/dD;
其中,α表示学习率,用于控制每次A、B、C与D更新的幅度和优化速度,Anew、Bnew、Cnew与Dnew为每次迭代后A、B、C与D更新的值;
步骤4、对梯度下降公式进行迭代;目标函数的A、B、C与D收敛时,停止迭代并输出此时的最优切割方案的调节参数;所述激光切割机调节方案,包括对激光切割机的调节参数进行调节。
7.一种智能生产线激光熔化切割毛刺监测系统,其基于权利要求1~6任意一项所述的一种智能生产线激光熔化切割毛刺监测方法实现,其特征在于,包括:
仿真模拟模块(1),用于仿真模拟使用激光熔化切割方式切割钢件的过程,生成仿真模拟结果;
数据处理模块(2),用于收集仿真模拟结果,并生成毛刺程度指标;
模型训练模块(3),基于仿真模拟结果和毛刺程度指标,训练根据切割方案预测出毛刺程度指标的机器学习模型;根据机器学习模型输出结果设置目标函数,使用梯度下降算法对目标函数优化,得到一组最优切割方案;
控制模块(4),根据最优切割方案,生成激光切割机调节方案,设置激光熔化切割方式切割钢件过程中的调节参数。
8.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1~6任一项所述的一种智能生产线激光熔化切割毛刺监测方法。
9.一种计算机可读存储介质,其特征在于:储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1~6任意一项所述的一种智能生产线激光熔化切割毛刺监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215099.2A CN117172127B (zh) | 2023-09-20 | 2023-09-20 | 一种智能生产线激光熔化切割毛刺监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311215099.2A CN117172127B (zh) | 2023-09-20 | 2023-09-20 | 一种智能生产线激光熔化切割毛刺监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117172127A CN117172127A (zh) | 2023-12-05 |
CN117172127B true CN117172127B (zh) | 2024-05-31 |
Family
ID=88946535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311215099.2A Active CN117172127B (zh) | 2023-09-20 | 2023-09-20 | 一种智能生产线激光熔化切割毛刺监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172127B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN114201920A (zh) * | 2021-12-15 | 2022-03-18 | 苏州华光智控电子科技有限公司 | 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法 |
CN114297802A (zh) * | 2021-12-31 | 2022-04-08 | 福州大学 | 一种薄板激光切割工艺参数的多目标优化方法 |
CN116502455A (zh) * | 2023-05-10 | 2023-07-28 | 上海大学 | 一种激光选区熔化技术的工艺参数确定方法及系统 |
CN116562129A (zh) * | 2023-04-18 | 2023-08-08 | 嘉善鑫海精密铸件有限公司 | 一种基于机器学习的熔模铸造工艺参数智能优化方法 |
-
2023
- 2023-09-20 CN CN202311215099.2A patent/CN117172127B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110405343A (zh) * | 2019-08-15 | 2019-11-05 | 山东大学 | 一种基于Bagging集成的预测模型与粒子群优化算法的激光焊接工艺参数优化方法 |
CN114201920A (zh) * | 2021-12-15 | 2022-03-18 | 苏州华光智控电子科技有限公司 | 一种基于数字孪生和深度迁移学习的激光切割数控系统故障诊断方法 |
CN114297802A (zh) * | 2021-12-31 | 2022-04-08 | 福州大学 | 一种薄板激光切割工艺参数的多目标优化方法 |
CN116562129A (zh) * | 2023-04-18 | 2023-08-08 | 嘉善鑫海精密铸件有限公司 | 一种基于机器学习的熔模铸造工艺参数智能优化方法 |
CN116502455A (zh) * | 2023-05-10 | 2023-07-28 | 上海大学 | 一种激光选区熔化技术的工艺参数确定方法及系统 |
Non-Patent Citations (2)
Title |
---|
6系列铝合金零件激光去毛刺工艺实验研究;张文杰等;应用激光;20190831;第39卷(第4期);第647-651页 * |
基于机器学习的毛刺在线检测研究;谭文奇等;集成电路应用;20210930;第38卷(第9期);第236-237页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117172127A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shamsaei et al. | An overview of Direct Laser Deposition for additive manufacturing; Part II: Mechanical behavior, process parameter optimization and control | |
JP6556174B2 (ja) | レーザ粉末ベッド付加製造の多変量統計的プロセス管理 | |
Dadbakhsh et al. | Surface finish improvement of LMD samples using laser polishing | |
Chen et al. | Optimization of wire electrical discharge machining for pure tungsten using a neural network integrated simulated annealing approach | |
CN111684449B (zh) | 利用热和应变建模生成增材制造扫描路径的方法和设备 | |
CN109128168B (zh) | 一种基于结构特征的同步送粉增材制造工艺规划方法 | |
CN109097797A (zh) | 基于激光局部电镀的金属增材制造装置及方法 | |
TWI732655B (zh) | 優化金屬沖壓製程參數的方法與系統 | |
CN108907192B (zh) | 一种基于温度预测的激光熔覆薄壁件精确成形的控制方法 | |
CN117172127B (zh) | 一种智能生产线激光熔化切割毛刺监测系统及方法 | |
CN114564880A (zh) | 一种增材制造过程数字孪生模块构建方法 | |
CN115238605A (zh) | 一种预测slm单熔道表面质量的数值模拟方法 | |
Liang et al. | Verification and evaluation of automatically designed cooling channels for block-laminated molds | |
CN108103273A (zh) | 一种激光淬火变形的补偿方法及滑槽的加工方法 | |
TWM604243U (zh) | 優化金屬沖壓製程參數的系統 | |
Zhang et al. | Accelerating ultrashort pulse laser micromachining process comprehensive optimization using a machine learning cycle design strategy integrated with a physical model | |
JPH06264137A (ja) | 多結晶材料の材料組織制御条件決定法 | |
Choudhary et al. | Parametric optimization of wire EDM process for single crystal pure tungsten using Taguchi-Grey relational analysis | |
Wang et al. | Optimization Method of Sheet Metal Laser Cutting Process Parameters under Heat Influence | |
CN117332705B (zh) | 基于扫描轨迹控制的电子束镍铌熔炼方法及系统 | |
Liu et al. | Improving the cutting process and quality of thick plates with high-power fiber laser | |
Vasudevan et al. | Optimising process parameters for gas tungsten arc welding of an austenitic stainless steel using genetic algorithm | |
Sharma et al. | Intelligent modelling and multi-objective optimisation of laser beam cutting of nickel based superalloy sheet | |
Papacharalampopoulos et al. | Towards a surrogate spatiotemporal model of additive manufacturing for digital twin-based process control | |
Upadhyay | Fast to run model for thermal fields during metal additive manufacturing simulations |
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 |