CN117282987A - 大功率激光熔丝沉积熔池同步智能整形的方法 - Google Patents
大功率激光熔丝沉积熔池同步智能整形的方法 Download PDFInfo
- Publication number
- CN117282987A CN117282987A CN202311232559.2A CN202311232559A CN117282987A CN 117282987 A CN117282987 A CN 117282987A CN 202311232559 A CN202311232559 A CN 202311232559A CN 117282987 A CN117282987 A CN 117282987A
- Authority
- CN
- China
- Prior art keywords
- molten pool
- power laser
- printed
- piece
- low
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000007493 shaping process Methods 0.000 title claims abstract description 35
- 230000008021 deposition Effects 0.000 title claims abstract description 28
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 16
- 239000000463 material Substances 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 36
- 230000008569 process Effects 0.000 claims abstract description 35
- 239000000654 additive Substances 0.000 claims abstract description 29
- 230000000996 additive effect Effects 0.000 claims abstract description 29
- 238000010438 heat treatment Methods 0.000 claims abstract description 24
- 230000002093 peripheral effect Effects 0.000 claims abstract description 17
- 230000001105 regulatory effect Effects 0.000 claims abstract description 11
- 230000001276 controlling effect Effects 0.000 claims abstract description 9
- 238000007639 printing Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012805 post-processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000010410 layer Substances 0.000 description 22
- 238000000151 deposition Methods 0.000 description 16
- 239000000155 melt Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000002844 melting Methods 0.000 description 6
- 230000008018 melting Effects 0.000 description 6
- 239000002184 metal Substances 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- 238000005137 deposition process Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000003708 edge detection Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013021 overheating Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 229910001069 Ti alloy Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000011088 calibration curve Methods 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010894 electron beam technology Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004093 laser heating Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000289 melt material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005488 sandblasting Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/80—Data acquisition or data processing
- B22F10/85—Data acquisition or data processing for controlling or regulating additive manufacturing processes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/20—Direct sintering or melting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/36—Process control of energy beam parameters
- B22F10/364—Process control of energy beam parameters for post-heating, e.g. remelting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/30—Process control
- B22F10/36—Process control of energy beam parameters
- B22F10/366—Scanning parameters, e.g. hatch distance or scanning strategy
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B22—CASTING; POWDER METALLURGY
- B22F—WORKING METALLIC POWDER; MANUFACTURE OF ARTICLES FROM METALLIC POWDER; MAKING METALLIC POWDER; APPARATUS OR DEVICES SPECIALLY ADAPTED FOR METALLIC POWDER
- B22F10/00—Additive manufacturing of workpieces or articles from metallic powder
- B22F10/50—Treatment of workpieces or articles during build-up, e.g. treatments applied to fused layers during build-up
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y10/00—Processes of additive manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B33—ADDITIVE MANUFACTURING TECHNOLOGY
- B33Y—ADDITIVE MANUFACTURING, i.e. MANUFACTURING OF THREE-DIMENSIONAL [3-D] OBJECTS BY ADDITIVE DEPOSITION, ADDITIVE AGGLOMERATION OR ADDITIVE LAYERING, e.g. BY 3-D PRINTING, STEREOLITHOGRAPHY OR SELECTIVE LASER SINTERING
- B33Y50/00—Data acquisition or data processing for additive manufacturing
- B33Y50/02—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/10—Additive manufacturing, e.g. 3D printing
-
- 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)
- Materials Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
Abstract
本发明提供一种大功率激光熔丝沉积熔池同步智能整形的方法,涉及增材制造技术领域,包括:S1根据待打印件的参数,使用三维软件进行建模;S2确定待打印件的材料和成形工艺参数;S3利用大功率激光对当前层的材料进行熔丝沉积,采用CCD相机对熔池形貌和周边形貌实时进行三维轮廓扫描得到熔池的形貌、深度、宽度、以及温度信息;S4根据识别算法得到最优的小功率激光的加热路径,并实时调控小功率激光的工作功率、工作位置以及工作时间;S5使用小功率激光根据加热路径对熔池进行重熔整形;S6重复步骤S3‑S5,完成每一层的增材制造过程,直至得到打印件。本发明能够减少飞溅物、控制打印件的缺陷以及稳定熔池。
Description
技术领域
本发明属于增材制造技术领域,具体涉及一种大功率激光熔丝沉积熔池同步智能整形的方法。
背景技术
增材制造技术是一种基于离散-堆积原理,由零件三维数据驱动直接制造零件的制造方法,金属材料的增材制造过程一般使用的热源是电弧、电子束或者激光。区别于MIG电弧熔丝导致打印构件的内部晶粒粗大,熔池不稳定等问题,在大功率激光熔丝高效率增材制造过程中,常常会因为高效熔丝沉积的过程造成金属的飞溅以及制造缺陷的产生,从而影响打印件的质量。专利号为CN 115008017A发明了一种扫描激光辅助整形熔池的MIG电弧双丝低热输入增材制造方法,其采用MIG电弧作为主热源熔丝形成熔池,同时辅助冷丝,采用扫描激光对熔池形貌整形,实现改善成形件粗大柱状晶,降低增材构件各异性能的目的,但是其对熔池整形的技术不够智能。
发明内容
有鉴于此,本发明提供一种大功率激光熔丝沉积熔池同步智能整形的方法,通过CCD检测手段和识别算法等方式,对熔池实时监控与反馈,利用小功率激光对熔池进行整形,以减少因高效熔丝沉积而导致的飞溅物,并控制打印件的缺陷以及稳定熔池的目的。
本发明的技术方案是这样实现的:
本发明提供一种大功率激光熔丝沉积熔池同步智能整形的方法,包括:
S1根据待打印件的参数,使用三维软件进行建模,并将模型导入计算机软件中进行切片,生成每一层的增材制造路径;
S2根据待打印件的成形要求确定待打印件的材料和成形工艺参数;
S3利用大功率激光对当前层的材料进行熔丝沉积,采用CCD相机对熔池形貌和周边形貌实时进行三维轮廓扫描得到熔池的形貌、深度、宽度、以及温度信息;
S4根据识别算法得到最优的小功率激光的加热路径,并实时调控小功率激光的工作功率、工作位置以及工作时间;
S5使用小功率激光根据加热路径对熔池进行重熔整形;
S6重复步骤S3-S5,完成每一层的增材制造过程,直至得到打印件。
在上述技术方案的基础上,优选地,步骤S1包括:
S11获取待打印件的参数,包括尺寸、形状和材料;
S12使用三维软件根据待打印件的参数建立三维模型;
S13将模型导入计算机软件中,对模型进行切片操作,将模型分解为一系列的平面层;
S14对每个平面层,计算机软件根据待打印件的参数和材料的特性生成增材制造路径,每条增材制造路径指定激光在每一层上运动的方式,以实现所需的形状和结构。
在上述技术方案的基础上,优选地,步骤S2包括:
S21获取待打印件的成形要求,包括尺寸、形状、结构和表面质量;
S22根据待打印件的成形要求,选择待打印件的材料;
S23根据待打印件的成形要求和待打印件的材料确定待打印件的成形工艺参数,包括预热温度、大功率激光扫描速度、送丝速度、扫描间距;
S24对待打印件的成形工艺参数进行测试和调整,以验证该成形工艺参数的可行性,验证通过后,得到最终的成形工艺参数。
在上述技术方案的基础上,优选地,步骤S3包括:
S31安装和固定CCD相机,将CCD相机对准打样区域,并将其固定在打印机腔体侧壁上;
S32在激光对当前层的材料进行熔丝沉积的过程中,CCD相机实时对熔池及其周边进行快速采集图像,并利用图像处理算法提取熔池形貌、深度、宽度以及温度信息;
S33将CCD相机采集到的熔池形貌和周边形貌导入三维软件中,利用三维软件对熔池形貌和周边形貌进行三维轮廓数据建模,得到熔池形貌、深度、宽度以及温度的三维图;
S34利用识别算法提取三维图中熔池形貌、深度、宽度以及温度特征并进行识别,根据识别结果得到熔池的形貌、深度、宽度以及温度等信息。
在上述技术方案的基础上,优选地,步骤S3包括:
S31安装和固定CCD相机,将CCD相机对准打样区域,并将其固定在打印机腔体侧壁上;
S32在激光对当前层的材料进行熔丝沉积的过程中,CCD相机实时对熔池及其周边进行快速采集图像,并利用图像处理算法提取熔池形貌和周边形貌;
S33将CCD相机采集到的熔池形貌和周边形貌导入三维软件中,利用三维软件对熔池形貌和周边形貌进行三维轮廓数据建模,得到熔池形貌和周边形貌的三维图;
S34利用识别算法提取三维图中熔池特征并进行识别,根据识别结果得到熔池的位置信息和轮廓信息。
在上述技术方案的基础上,优选地,步骤S34包括:
构建目标识别模型,获取打印腔内的图像样本集,利用图像样本集对目标识别模型进行分类训练,训练完成后修改目标识别模型的配置参数,令目标识别模型学习识别熔池,得到训练好的目标识别模型;
将三维图加载到训练好的目标识别模型中,通过前向传播计算得到特征图和预测结果,特征图包含了熔池形貌、深度、宽度以及温度特征信息;
根据预测结果进行后处理,根据置信度阈值进行筛选,去除低于置信度阈值的预测结果,使用非极大值抑制算法对重叠的边界框进行合并,得到最终的识别结果;
将识别结果输出,则得到熔池形貌、深度、宽度以及温度信息。
在上述技术方案的基础上,优选地,步骤S4包括:
S41基于熔池的轮廓信息和表面质量生成小功率激光的加热路径;
S42按照检测的熔池特征实时优化调控小功率激光的工作功率、工作位置以及工作时间。
在上述技术方案的基础上,优选地,步骤S41包括:
根据熔池的轮廓信息和表面质量智能生成小功率激光的加热路径;
对于表面有飞溅物或者熔池轮廓不平整的地方,将其识别为一个目标点;
将目标点最为密集的区域作为最优整形的小功率激光开始工作的起始点。
在上述技术方案的基础上,优选地,步骤S42包括:
依据小功率激光本身的工作位置,以及熔池的宽度、轮廓信息自动优化小功率激光的工作功率和工作时间。
在上述技术方案的基础上,优选地,步骤S5包括:
利用小功率激光对熔池进行整形,同时使用CCD相机扫描熔池底部并识别熔池轮廓以及计算长宽比,当熔池轮廓没有凹凸点以及底部的长宽比达到停止条件,则停止小功率激光,完成重熔整形。
本发明的方法相对于现有技术具有以下有益效果:
(1)本发明通过使用三维建模软件和切片软件,利用CCD相机对熔池形貌和周边形貌进行实时三维轮廓扫描,通过识别算法,可以得到最优的小功率激光加热路径,根据识别算法得到的最优路径,可以实时调控小功率激光的工作功率、工作位置和工作时间,使用小功率激光根据加热路径对熔池进行重熔整形,本发明结合了三维软件、图像识别算法和激光技术,实现高效、精确、实时调控的增材制造过程,从而得到高质量的打印件;
(2)本发明通过将CCD相机与三维软件和识别算法相结合,可以实现对熔池形貌、深度、宽度以及温度的全面分析和识别,能获得更准确、更详细的熔池信息,帮助优化激光熔丝沉积过程。同时,利用三维图形展示熔池的形貌、深度、宽度以及温度信息,可以提供直观、全面的视觉呈现,帮助更好地理解和分析熔池的特征,从而进行相关的决策和调整;
(3)本发明通过利用识别算法进行熔池形貌、深度、宽度以及温度特征的识别,识别算法具有高效的目标检测能力,能够在一次前向传播过程中同时预测多个目标的位置和类别。这使得熔池的形貌、深度、宽度以及温度特征的识别可以在较短的时间内完成,并且具有较高的准确性。利用识别算法进行熔池特征的识别可以实现自动化处理,减少了人工干预的需求。这使得熔池特征的分析和识别过程更加方便和高效。通过识别熔池形貌、深度、宽度以及温度特征,可以获得对熔池的全面分析结果。利用识别算法进行熔池特征的实时监测,可以及时发现和识别熔池的异常情况。这有助于及时采取措施,避免潜在的质量问题和生产风险;
(4)本发明基于熔池的轮廓信息和表面质量智能生成小功率激光的加热路径,可以有针对性地对熔池进行整形和修复,减少加热时间和能量消耗,实现对熔池的自动化整形和修复,减少加热过程中的能量消耗和材料浪费,能够有助于提高加工效率,降低生产成本,减少了人工干预的需求,提高了生产的自动化水平;
(5)本发明根据熔池特征实时优化调控小功率激光的工作位置,可以确保激光能够准确地覆盖到熔池的整个区域,从而提高加工精度,根据熔池特征实时优化调控小功率激光的工作功率和工作时间,可以确保激光在最短的时间内达到所需的加热效果,从而提高加工效率,实时优化调控小功率激光的工作功率和工作时间,可以避免过度加热和能量浪费,从而降低能量消耗;
(6)本发明利用小功率激光对熔池进行整形,并结合CCD相机扫描和轮廓识别,可以实现精确的整形效果和停止条件判断,具有提高整形精度、减少能量消耗、提高生产效率和降低材料损耗的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例的方法流程图;
图2为本发明实施例的打印过程描述图。
具体实施方式
下面将结合本发明实施方式,对本发明实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本发明一部分实施方式,而不是全部的实施方式。基于本发明中的实施方式,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方式,都属于本发明保护的范围。
如图1和图2所示,本发明提供一种大功率激光熔丝沉积熔池同步智能整形的方法,包括:
S1根据待打印件的参数,使用三维软件进行建模,并将模型导入计算机软件中进行切片,生成每一层的增材制造路径;
S2根据待打印件的成形要求确定待打印件的材料和成形工艺参数;
S3利用大功率激光对当前层的材料进行熔丝沉积,采用CCD相机对熔池形貌和周边形貌实时进行三维轮廓扫描得到熔池的形貌、深度、宽度、以及温度信息;
S4根据识别算法得到最优的小功率激光的加热路径,并实时调控小功率激光的工作功率、工作位置以及工作时间;
S5使用小功率激光根据加热路径对熔池进行重熔整形;
S6重复步骤S3-S5,完成每一层的增材制造过程,直至得到打印件。
具体地,本发明一实施例中,步骤S1包括:
S11获取待打印件的参数,包括尺寸、形状和材料。
首先,需要获取待打印件的参数,例如尺寸、形状、材料等。这些参数将用于建模和切片过程。
S12使用三维软件根据待打印件的参数建立三维模型。
使用专业的三维建模软件,根据待打印件的参数创建一个精确的三维模型。建模过程可能涉及绘制基本几何形状、组合复杂的部件、添加细节等。建模软件通常提供了各种工具和功能,以帮助用户创建准确的模型。本实施例使用的三维软件为Solidworks软件。
S13将模型导入计算机软件中,对模型进行切片操作,将模型分解为一系列的平面层。
完成三维建模后,将模型导入计算机辅助设计/制造软件CAD中。CAD软件可以读取和编辑三维模型,并为后续的切片和路径生成做准备。
在CAD软件中,将三维模型进行切片操作。切片是将三维模型分解为一系列平面层的过程。每个层次都代表了打印机在该层上需要进行的一次打印操作。
S14对每个平面层,计算机软件根据待打印件的参数和材料的特性生成增材制造路径,每条增材制造路径指定激光在每一层上运动的方式,以实现所需的形状和结构。路径的生成考虑到打印件的形状、支撑结构、填充密度等因素,以确保打印件的质量和稳定性。
具体地,步骤S1还可以包括增材制造路径优化,具体如下:
采用最短路径算法,基于激光的位置和目标位置生成最短路径,对增材制造路径进行路径长度方面的优化。
例如,最短路径算法为Dijkstra算法或A*算法,来寻找最短路径。这些算法可以考虑打印头的当前位置和目标位置之间的最短路径,并生成一个经过最少点的路径。
通过分析待打印件的形状和连续关系,得到最佳打印顺序,对增材制造路径进行打印顺序方面的优化。
在一些情况下,打印件的不同部分可以以不同的顺序进行打印,以减少打印头的移动次数和时间。路径优化可以通过分析打印件的几何形状和连接关系,确定一个最佳的打印顺序。例如,可以先打印连接部分,然后再打印主体部分,以减少打印头的移动距离。
通过以上步骤,可以实现高效、精确的增材制造过程,使用三维建模软件进行建模操作,可以准确地将待打印件的形状和尺寸转化为三维模型,确保打印件的精确度和准确性。通过对三维模型进行切片操作,将模型分解为一系列平面层,可以实现更精细的控制和调整,以满足设计要求。计算机软件根据待打印件的参数和材料特性生成增材制造路径,考虑到形状、支撑结构和填充密度等因素,以获得最佳的打印效果和质量。通过使用计算机软件进行切片和路径生成,可以实现自动化和高效的增材制造过程,提高生产效率和降低成本。
具体地,本发明一实施例中,步骤S2包括:
S21获取待打印件的成形要求,包括尺寸、形状、结构和表面质量。
在增材制造过程中,首先需要获取待打印件的成形要求。这些要求包括待打印件的尺寸(长度、宽度、高度)、形状(例如立方体、圆柱体、复杂曲面等)、结构(例如是否需要内部空腔或支撑结构)以及表面质量要求(例如光滑度、粗糙度等)。这些要求将为后续的材料选择和成形工艺参数的确定提供基础。
S22根据待打印件的成形要求,选择待打印件的材料。
不同材料具有不同的特性,例如塑料具有较低的熔点和可塑性,金属具有较高的熔点和强度,陶瓷具有较高的硬度和耐高温性等。根据待打印件的要求,选择合适的材料可以确保打印件具有所需的性能和质量。本实施例中选择金属作为待打印件的材料。
S23根据待打印件的成形要求和待打印件的材料确定待打印件的成形工艺参数,包括预热温度、大功率激光扫描速度、送丝速度、扫描间距。
根据待打印件的成形要求和选择的材料,确定适当的成形工艺参数。这些参数包括预热温度、大功率激光扫描速度、送丝速度、扫描间距。这些参数将直接影响到打印件的质量和性能。本实施例中,选用钛合金,激光功率1000-10000W,扫描速度500-1200mm/s,扫描间距0.06-0.08mm,送丝速度1.5-2m/min。整形用激光功率200-3000W,扫描速度500-1200mm/s。
S24对待打印件的成形工艺参数进行测试和调整,以验证该成形工艺参数的可行性,验证通过后,得到最终的成形工艺参数。
在确定材料和成形工艺参数之后,通常需要进行测试和调整,以验证其在实际打印中的可行性和效果。这可以包括打印样件,进行物理性能测试,并根据测试结果进行参数的微调。
通过以上步骤,可以根据待打印件的成形要求选择合适的材料,并确定最佳的成形工艺参数。根据待打印件的成形要求选择合适的材料和成形工艺参数,可以确保打印件满足尺寸、形状、结构和表面质量的要求。根据待打印件的成形要求选择合适的材料,可以使打印件具有所需的性能特性,例如强度、硬度、耐高温性等。通过对成形工艺参数进行测试和调整,可以优化打印件的成形质量和性能,提高打印效率和稳定性。通过确定最终的成形工艺参数,可以实现打印件质量控制,确保每个打印件都具有相同的尺寸精度、表面质量和结构完整性。
具体地,在本发明一具体实施例中,步骤S3包括:
S31安装和固定CCD相机,将CCD相机对准打样区域,并将其固定在打印机腔体侧壁上;这样可以确保相机能够准确捕捉到熔池形貌和温度的信息。
相机的位置和角度需要根据实际情况进行调整,以确保能够准确捕捉到熔池形貌和周边形貌的信息。一旦相机被安装和固定好,它将保持在固定的位置,以便在整个激光熔丝沉积过程中进行实时监测。
S32在激光对当前层的材料进行熔丝沉积的过程中,CCD相机实时对熔池及其周边进行快速采集图像,并利用图像处理算法提取熔池形貌、深度、宽度以及温度信息。
在激光对当前层的材料进行熔丝沉积的过程中,CCD相机会实时采集熔池及其周边的图像。这些图像通常以视频流的形式进行采集,并以较高的帧率进行快速更新。采集到的图像会被传输到计算机中,并通过图像处理算法进行处理。这些算法可以提取熔池形貌和周边形貌的信息,例如熔池的形状、深度、宽度以及温度信息等。该步骤包括:
CCD相机通过快速连续拍摄,可以实时采集激光熔丝沉积过程中的图像。通常,相机的采集频率要与激光扫描速度相匹配,以确保能够捕捉到每一层的熔池形态变化。
采集到的图像可能会受到噪声、光照不均匀等因素的影响,需要进行预处理。预处理步骤可以包括图像去噪、灰度均衡、背景去除等,以提高后续图像处理的准确性和稳定性。
利用图像处理算法提取熔池的形貌信息。可以使用边缘检测算法,如Canny算法,来检测熔池的边界。
除了形貌信息,还可以从图像中提取熔池的深度和宽度。这可以通过分析熔池的灰度变化来实现。通常,熔池的深度和宽度与其灰度值有一定的关系,可以通过灰度阈值分割或者灰度梯度分析等方法来提取深度和宽度信息。
熔池的温度是激光熔丝沉积过程中的重要参数。可以通过图像中的灰度值与熔池温度之间的关系来提取温度信息。这可以通过建立灰度-温度的标定曲线,或者利用热像仪的辅助来实现。
S33将CCD相机采集到的熔池形貌和周边形貌导入三维软件中,利用三维软件对熔池形貌和周边形貌进行三维轮廓数据建模,得到熔池形貌、深度、宽度以及温度的三维图。
首先,将CCD相机采集到的熔池图像导入三维软件。这可以通过将图像文件导入软件中,或者通过软件与相机之间的接口直接获取图像数据。
接下来,利用三维软件对熔池图像进行处理和分析。首先,需要对图像进行预处理,例如去噪、灰度均衡等,以提高后续处理的准确性。然后,可以利用软件中的工具或算法对熔池形貌进行建模。这可以通过在图像中提取熔池的轮廓,并将其转换为三维曲面或点云数据来实现。
在建模过程中,可以根据熔池周边的形貌信息,进一步完善熔池的三维模型。例如,可以根据熔池的边缘特征和形状来调整模型的形状和尺寸。同时,还可以利用软件中的工具或算法,对熔池的深度和宽度进行测量和建模。
另外,可以根据熔池的温度信息,将温度数据与熔池的三维模型进行关联。这可以通过在模型中添加温度属性或颜色映射来实现。这样,就可以在三维图中直观地显示熔池的温度分布情况。
最终,通过三维软件生成的熔池形貌、深度、宽度以及温度的三维图,可以提供更加直观和全面的信息。
S34利用识别算法提取三维图中熔池特征并进行识别,根据识别结果得到熔池的位置信息和轮廓信息。
本实施例中,激光熔丝沉积LMD是一种通过激光熔化金属粉末并沉积在工件表面来实现三维打印的工艺。在这个步骤中,激光束被聚焦在工件表面的特定位置,将金属粉末熔化并沉积成层。激光的功率和扫描速度可以控制熔池的形成和沉积速度。CCD相机是一种高速、高分辨率的图像采集设备,可以实时捕捉工件表面的图像。在LMD过程中,CCD相机被用于对熔池形貌和周边形貌进行三维轮廓扫描。相机可以通过适当的光源和滤波器来获取清晰的图像。
具体地,步骤S34包括:
构建目标识别模型,获取打印腔内的图像样本集,利用图像样本集对目标识别模型进行分类训练,训练完成后修改目标识别模型的配置参数,令目标识别模型学习识别熔池,得到训练好的目标识别模型。
根据修改配置参数来得到训练好的目标识别模型的一个具体操作例子如下所述:
(1)由于Yolo训练模型中没有熔池、金属丝、大/小功率激光等物品信息,用卷积神经网络对打印腔体内的物品照片进行分类学习,随后修改Yolo中的Makefile,然后重新编译使Yolo能单独识别熔池;
(2)使用Yolo与Python共同识别三维图内物品,在solidworks内的三维图自动导入到YOLO/darknet文件夹中,把下载的源码,解压,移到object-detection-yolo-opencv文件夹中;
(3)提前下载两个预训练模式参数,yolov3-tiny.weights,yolov3.weights,放置在object-detection-yolo-opencv文件夹中;
(4)根据readme.md的指示,识别到YOLO/darknet的三维轮廓图内的熔池。
将三维图加载到训练好的目标识别模型中,通过前向传播计算得到特征图和预测结果,特征图包含了熔池形貌、深度、宽度以及温度特征信息,预测结果包含了熔池位置和边界框信息;
根据预测结果进行后处理,根据置信度阈值进行筛选,去除低于置信度阈值的预测结果,使用非极大值抑制算法对重叠的边界框进行合并,得到最终的识别结果。
控制CCD图像镜头随熔池动而动,尽量减少Yolo算法在实际场景中需识别的物品数量,选择较高的置信度阈值,以提高准确度。
将识别结果输出,则得到熔池的位置信息和轮廓信息。
本实施例的识别算法具有高效的目标检测能力,能够在一次前向传播过程中同时预测多个目标的位置和类别。这使得熔池的形貌、深度、宽度以及温度特征的识别可以在较短的时间内完成,并且具有较高的准确性。利用识别算法进行熔池特征的识别可以实现自动化处理,减少了人工干预的需求。这使得熔池特征的分析和识别过程更加方便和高效。通过识别熔池形貌、深度、宽度以及温度特征,可以获得对熔池的全面分析结果。利用识别算法进行熔池特征的实时监测,可以及时发现和识别熔池的异常情况。这有助于及时采取措施,避免潜在的质量问题和生产风险。
具体地,在本发明一实施例中,步骤S4包括:
S41基于熔池的轮廓信息和表面质量生成小功率激光的加热路径。
步骤S41包括:
根据熔池的轮廓信息和表面质量智能生成小功率激光的加热路径;
对于表面有飞溅物或者熔池轮廓不平整的地方,将其识别为一个目标点;
将目标点最为密集的区域作为最优整形的小功率激光开始工作的起始点。
以一具体实施例对步骤S41进行说明:
提取熔池的轮廓信息:通过图像处理算法,可以从熔池图像中提取出熔池的轮廓信息。这可以通过边缘检测算法(如Canny边缘检测)或者轮廓提取算法(如OpenCV库中的findContours函数)来实现。提取出的轮廓信息可以表示熔池的形状和边界。
分析表面质量:根据熔池的轮廓信息,可以对熔池表面的质量进行分析。这可以通过计算轮廓的几何特征(如面积、周长、形状等)或者表面质量评估指标(如粗糙度、平坦度等)来实现。分析表面质量可以帮助确定熔池的平整程度和质量状况。
识别目标点:根据表面质量和熔池轮廓的不平整情况,可以将表面有飞溅物或者熔池轮廓不平整的地方识别为一个目标点。这些目标点可能代表了需要进行整形和修复的区域。
密集区域选取:根据目标点的分布情况,可以找出目标点最为密集的区域。这可以通过聚类算法(如K-means聚类)或者密度估计算法(如DBSCAN)来实现。找到目标点最为密集的区域可以帮助确定需要进行整形和修复的优先级。
最优整形路径生成:将目标点最为密集的区域作为最优整形的小功率激光开始工作的起始点。根据起始点和其他目标点之间的距离和连接关系,可以生成最优的加热路径。这可以通过路径规划算法(如最短路径算法、遗传算法等)来实现。
S42按照检测的熔池特征实时优化调控小功率激光的工作功率、工作位置以及工作时间。
依据小功率激光本身的工作位置,以及熔池的宽度、轮廓信息自动优化小功率激光的工作功率和工作时间。
以一具体例子对步骤S42进行说明:
熔池特征检测:首先,需要对熔池进行特征检测。这可以通过图像处理算法(如边缘检测、轮廓提取等)或者传感器(如红外传感器、激光测距仪等)来获取熔池的宽度、轮廓信息等特征。
小功率激光工作位置优化:根据熔池的宽度和轮廓信息,可以实时优化调整小功率激光的工作位置。这可以通过控制激光的扫描范围和扫描速度来实现。根据熔池的宽度和轮廓信息,可以将激光的工作位置调整到最适合的位置,以确保激光能够覆盖到整个熔池区域,从而实现更精确的加热效果。
小功率激光工作功率优化:根据熔池的特征信息,可以实时优化调整小功率激光的工作功率。这可以通过调整激光的输出功率来实现。根据熔池的宽度、轮廓信息和材料特性,可以确定最适合的工作功率,以确保熔池能够达到所需的温度和熔化状态。
小功率激光工作时间优化:根据熔池的特征信息,可以实时优化调整小功率激光的工作时间。这可以通过控制激光的加热时间来实现。根据熔池的宽度、轮廓信息和材料特性,可以确定最适合的工作时间,以确保熔池能够达到所需的熔化和形状修复效果。
本实施例根据熔池特征实时优化调控小功率激光的工作位置,可以确保激光能够准确地覆盖到熔池的整个区域,从而提高加工精度,根据熔池特征实时优化调控小功率激光的工作功率和工作时间,可以确保激光在最短的时间内达到所需的加热效果,从而提高加工效率,实时优化调控小功率激光的工作功率和工作时间,可以避免过度加热和能量浪费,从而降低能量消耗。
具体地,本发明一实施例中,步骤S5包括:
利用小功率激光对熔池进行整形,同时使用CCD相机扫描熔池底部并识别熔池轮廓以及计算长宽比,当熔池轮廓没有凹凸点以及底部的长宽比达到停止条件,则停止小功率激光,完成重熔整形。
在重熔整形过程中,将小功率激光对准熔池,并控制激光的工作功率和工作时间,使其能够加热和熔化熔池表面的材料。小功率激光可以提供局部的加热和熔化,使熔池底部的形状得到调整和平整。同时,安装CCD相机在熔池下方,通过图像采集和处理技术,实时扫描熔池底部的图像,通过图像处理算法,对CCD相机采集到的图像进行处理,提取熔池底部的轮廓信息。然后,根据轮廓信息计算熔池底部的长宽比。长宽比可以反映熔池底部的形状和平整程度。如果熔池底部轮廓没有凹凸点,并且长宽比达到预设的停止条件,则停止小功率激光的工作,即达到了所需的整形效果,就可以停止小功率激光。这样做的好处是可以通过实时监测和调整,确保熔池底部的形状和平整度符合要求。同时,使用小功率激光进行整形可以避免过度加热和形状变化过大,保证整形的精度和稳定性。本实施例中,达到停止条件的熔池底部的长宽比为2。
在完成了单层打印过程后,根据打印路径规划,沿着单向条带的方向进行扫描,逐层打印材料。
重复上述过程,完成整个打印件,打印完成后,关闭保护气、多激光加工机器人系统以及增材制造控制系统,待基板完全冷却后,取出基板以及增材打印件。
本实施例中,在打印时,有些复杂的几何形状可能需要支撑结构来保持稳定,可以采用长条状线性支撑,在打印完成后,对长条状线性支撑结构进行机械拆除,并通过打磨、喷砂以及烧结等工艺保证打印件的性能与表面质量。
以上所述仅为本发明的较佳实施方式而已,并不用以限制本发明,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)
1.一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,包括:
S1根据待打印件的参数,使用三维软件进行建模,并将模型导入计算机软件中进行切片,生成每一层的增材制造路径;
S2根据待打印件的成形要求确定待打印件的材料和成形工艺参数;
S3利用大功率激光对当前层的材料进行熔丝沉积,采用CCD相机对熔池形貌和周边形貌实时进行三维轮廓扫描得到熔池的形貌、深度、宽度、以及温度信息;
S4根据识别算法得到最优的小功率激光的加热路径,并实时调控小功率激光的工作功率、工作位置以及工作时间;
S5使用小功率激光根据加热路径对熔池进行重熔整形;
S6重复步骤S3-S5,完成每一层的增材制造过程,直至得到打印件。
2.如权利要求1所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S1包括:
S11获取待打印件的参数,包括尺寸、形状和材料;
S12使用三维软件根据待打印件的参数建立三维模型;
S13将模型导入计算机软件中,对模型进行切片操作,将模型分解为一系列的平面层;
S14对每个平面层,计算机软件根据待打印件的参数和材料的特性生成增材制造路径,每条增材制造路径指定激光在每一层上运动的方式,以实现所需的形状和结构。
3.如权利要求1所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S2包括:
S21获取待打印件的成形要求,包括尺寸、形状、结构和表面质量;
S22根据待打印件的成形要求,选择待打印件的材料;
S23根据待打印件的成形要求和待打印件的材料确定待打印件的成形工艺参数,包括预热温度、大功率激光扫描速度、送丝速度、扫描间距;
S24对待打印件的成形工艺参数进行测试和调整,以验证该成形工艺参数的可行性,验证通过后,得到最终的成形工艺参数。
4.如权利要求1所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S3包括:
S31安装和固定CCD相机,将CCD相机对准打样区域,并将其固定在打印机腔体侧壁上;
S32在激光对当前层的材料进行熔丝沉积的过程中,CCD相机实时对熔池及其周边进行快速采集图像,并利用图像处理算法提取熔池形貌、深度、宽度以及温度信息;
S33将CCD相机采集到的熔池形貌和周边形貌导入三维软件中,利用三维软件对熔池形貌和周边形貌进行三维轮廓数据建模,得到熔池形貌、深度、宽度以及温度的三维图;
S34利用识别算法提取三维图中熔池特征并进行识别,根据识别结果得到熔池的位置信息和轮廓信息。
5.如权利要求4所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S34包括:
构建目标识别模型,获取打印腔内的图像样本集,利用图像样本集对目标识别模型进行分类训练,训练完成后修改目标识别模型的配置参数,令目标识别模型学习识别熔池,得到训练好的目标识别模型;
将三维图加载到训练好的目标识别模型中,通过前向传播计算得到特征图和预测结果,特征图包含了熔池形貌、深度、宽度以及温度特征信息;
根据预测结果进行后处理,根据置信度阈值进行筛选,去除低于置信度阈值的预测结果,使用非极大值抑制算法对重叠的边界框进行合并,得到最终的识别结果;
将识别结果输出,则得到熔池的位置信息和轮廓信息。
6.如权利要求5所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S4包括:
S41基于熔池的轮廓信息和表面质量生成小功率激光的加热路径;
S42按照检测的熔池特征实时优化调控小功率激光的工作功率、工作位置以及工作时间。
7.如权利要求6所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S41包括:
根据熔池的轮廓信息和表面质量智能生成小功率激光的加热路径;
对于表面有飞溅物或者熔池轮廓不平整的地方,将其识别为一个目标点;
将目标点最为密集的区域作为最优整形的小功率激光开始工作的起始点。
8.如权利要求7所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S42包括:
依据小功率激光本身的工作位置,以及熔池的宽度、轮廓信息自动优化小功率激光的工作功率和工作时间。
9.如权利要求6所述的一种大功率激光熔丝沉积熔池同步智能整形的方法,其特征在于,步骤S5包括:
利用小功率激光对熔池进行整形,同时使用CCD相机扫描熔池底部并识别熔池轮廓以及计算长宽比,当熔池轮廓没有凹凸点以及底部的长宽比达到停止条件,则停止小功率激光,完成重熔整形。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311232559.2A CN117282987A (zh) | 2023-09-21 | 2023-09-21 | 大功率激光熔丝沉积熔池同步智能整形的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311232559.2A CN117282987A (zh) | 2023-09-21 | 2023-09-21 | 大功率激光熔丝沉积熔池同步智能整形的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117282987A true CN117282987A (zh) | 2023-12-26 |
Family
ID=89240218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311232559.2A Pending CN117282987A (zh) | 2023-09-21 | 2023-09-21 | 大功率激光熔丝沉积熔池同步智能整形的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117282987A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-09-21 CN CN202311232559.2A patent/CN117282987A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10857738B2 (en) | Systems and methods for real-time defect detection, and automatic correction in additive manufacturing environment | |
Xu et al. | Realisation of a multi-sensor framework for process monitoring of the wire arc additive manufacturing in producing Ti-6Al-4V parts | |
Huang et al. | Rapid surface defects detection in wire and arc additive manufacturing based on laser profilometer | |
Vandone et al. | Multisensor data fusion for additive manufacturing process control | |
US20080314878A1 (en) | Apparatus and method for controlling a machining system | |
CN117282987A (zh) | 大功率激光熔丝沉积熔池同步智能整形的方法 | |
CN116423005B (zh) | 一种提高焊接精度的锡焊工艺优化方法及系统 | |
CN110789128B (zh) | 一种增材制造制件成形质量预测与控制系统及方法 | |
CN108489986A (zh) | 一种增材制造在线检测及修复方法 | |
CN113118444A (zh) | 能够控制印刷过程中形成的熔池大小的三维印刷系统和方法 | |
US20230260103A1 (en) | Computer-implemented, adapted anomaly detection method for powder-bed-based additive manufacturing | |
CN114372725A (zh) | 一种基于数字孪生的增材制造系统成形监测系统及方法 | |
CN111398271A (zh) | 一种针对激光近净成形缺陷的检测优化系统及方法 | |
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 | |
JP2021009126A (ja) | 付加製造物の品質推定装置 | |
CN118134062B (zh) | 数控机床铸件质量追踪系统 | |
CN112365439A (zh) | 一种镀锌钢gmaw焊缝成形特征与焊枪方向同步实时检测方法 | |
Li et al. | A single-sensor multi-scale quality monitoring methodology for laser-directed energy deposition: Example with height instability and porosity monitoring in additive manufacturing of ceramic thin-walled parts | |
CN118162756A (zh) | 一种基于视觉引导的电池模组激光焊接系统及方法 | |
CN113560574A (zh) | 3d打印缺陷修复方法 | |
EP3950180A1 (en) | Computer-implemented correlation between monitoring data and according inspection data in powder-bed additive manufacturing | |
Chen et al. | In-situ process monitoring and adaptive quality enhancement in laser additive manufacturing: a critical review | |
CN114226764B (zh) | 激光定向能量沉积过程的熔覆高度和应变调控系统和方法 | |
CN116664508A (zh) | 一种焊缝表面质量检测方法及计算机可读存储介质 | |
Kaji et al. | Intermittent adaptive trajectory planning for geometric defect correction in large-scale robotic laser directed energy deposition based 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 |