CN117396289A - 用于构件的增材制造的方法 - Google Patents
用于构件的增材制造的方法 Download PDFInfo
- Publication number
- CN117396289A CN117396289A CN202280037268.5A CN202280037268A CN117396289A CN 117396289 A CN117396289 A CN 117396289A CN 202280037268 A CN202280037268 A CN 202280037268A CN 117396289 A CN117396289 A CN 117396289A
- Authority
- CN
- China
- Prior art keywords
- component
- data
- working area
- additive manufacturing
- abnormal situation
- 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 84
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 27
- 239000000654 additive Substances 0.000 title claims abstract description 21
- 230000000996 additive effect Effects 0.000 title claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 238000003466 welding Methods 0.000 claims description 21
- 239000007791 liquid phase Substances 0.000 claims description 12
- 238000001465 metallisation Methods 0.000 claims description 6
- 239000000155 melt Substances 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 22
- 238000011156 evaluation Methods 0.000 description 6
- 230000003647 oxidation Effects 0.000 description 6
- 238000007254 oxidation reaction Methods 0.000 description 6
- 230000002123 temporal effect Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011888 foil Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004323 axial length Effects 0.000 description 1
- 239000011324 bead Substances 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002925 chemical effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010363 phase shift Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012549 training 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
- B22F10/20—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
- B22F10/20—Direct sintering or melting
- B22F10/25—Direct deposition of metal particles, e.g. direct metal deposition [DMD] or laser engineered net shaping [LENS]
-
- 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
-
- 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
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/10—Processes of additive manufacturing
- B29C64/106—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material
- B29C64/118—Processes of additive manufacturing using only liquids or viscous materials, e.g. depositing a continuous bead of viscous material using filamentary material being melted, e.g. fused deposition modelling [FDM]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C64/00—Additive manufacturing, i.e. manufacturing of three-dimensional [3D] objects by additive deposition, additive agglomeration or additive layering, e.g. by 3D printing, stereolithography or selective laser sintering
- B29C64/30—Auxiliary operations or equipment
- B29C64/386—Data acquisition or data processing for additive manufacturing
- B29C64/393—Data acquisition or data processing for additive manufacturing for controlling or regulating additive manufacturing processes
-
- 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
- B33Y30/00—Apparatus for additive manufacturing; Details thereof or accessories therefor
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4097—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by using design data to control NC machines, e.g. CAD/CAM
- G05B19/4099—Surface or curve machining, making 3D objects, e.g. desktop manufacturing
-
- 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
- B22F10/368—Temperature or temperature gradient, e.g. temperature of the melt pool
-
- 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
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/22—Driving means
- B22F12/222—Driving means for motion along a direction orthogonal to the plane of a layer
-
- 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
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/22—Driving means
- B22F12/224—Driving means for motion along a direction within the plane of a layer
-
- 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
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/22—Driving means
- B22F12/226—Driving means for rotary motion
-
- 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
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/40—Radiation means
- B22F12/44—Radiation means characterised by the configuration of the radiation means
-
- 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
- B22F12/00—Apparatus or devices specially adapted for additive manufacturing; Auxiliary means for additive manufacturing; Combinations of additive manufacturing apparatus or devices with other processing apparatus or devices
- B22F12/90—Means for process control, e.g. cameras or sensors
-
- 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
- B22F2203/00—Controlling
- B22F2203/03—Controlling for feed-back
-
- 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
- B22F2999/00—Aspects linked to processes or compositions used in powder metallurgy
-
- 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
-
- 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
-
- 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
本发明涉及一种用于构件(2)的增材制造的方法,所述方法包括以下步骤:‑建立机器代码,‑将所述机器代码传递至控制器(4),‑开始制造过程,‑利用传感器(6)监测该过程,‑评估传感器数据,以便确定待制造构件中的异常情况(8),并且‑根据包括异常情况(8)的位置数据的传感器数据,平行地建立在该过程期间产生的构件(2)的数字孪生(10),‑借助所述机器代码预测在特定时间点的打印头(14)的位置(12),‑借助所述数字孪生鉴于存在的异常情况分析该位置周围的工作区域,‑在到达该工作区域时为了消除异常情况而调整工艺参数。
Description
电弧熔丝堆焊或丝材电弧增材制造技术(WAAM)是一种示例,其能够实现大体积金属制构件的制造。另一种典型的方法是激光金属沉积方法(LMD)。在这种方法中,该工艺的可重复性的缺乏对质量保证是一个挑战。为了确保组件具有足够高的质量,必须对过程进行监控。在此,现场监控系统能够在工艺过程中在事件发生现场进行分析。
如果识别出在工艺过程中的缺陷,已获得的有关缺陷的认知尚不能用于实施工艺过程的调整。原因在于,不知道缺陷位于何处并且不知道如何克服该缺陷。如果探测到异常,则必须立即终止中止工艺过程并且将构件报废。
本发明所要解决的技术问题在于,提供一种构件的增材制造方法,其相对于现有技术具有改进的工艺过程控制,并且降低在生产过程中的废品率。
所述技术问题通过一种根据权利要求1所述的用于增材制造构件的方法解决。在此,根据本发明的方法包括如下步骤:
-建立机器代码,
-将所述机器代码传递至控制器,
-开始制造过程,
-利用传感器监测该过程,
-评估传感器数据,以便确定待制造构件中的异常情况,并且
-根据包括异常情况的位置数据的传感器数据,建立所产生的构件的数字孪生,
-借助所述机器代码预测在特定时间点的打印头14的位置12,
-借助所述数字孪生鉴于存在的异常情况分析该位置周围的工作区域,
-在到达该工作区域时为了消除异常情况而调整工艺参数。
在此,所使用的概念如下定义:
打印头
打印头是指增材制造设备中负责施加材料的构件。在电弧熔丝堆焊中,打印头涉及在待焊接的焊丝端部处被引导的元件,在激光金属沉积方法中,打印头涉及用于粉末熔融的激光束输出所处的元件。在该工艺过程中,打印头位于定义的特征上方、例如电极的尖端或导线出口开口上方的定义的特征上方的特定位置处。打印头的该位置又与所形成构件的表面中或表面上的工作点在空间上等距相关。因此,在打印头的位置与构件上的工作点之间进行了区分,因为在不同的增材制造方法中,这些位置在空间上不一致,而是始终处于被强制控制的关系。
传感器和传感器数据
传感器也称探测器(测量值或测量)接收器或(测量)感应器,其是一种技术构件,所述技术构件能够对其环境的特定物理或化学性质(物理方面例如热量、温度、湿度、压力、声场值、亮度、加速度,或者化学方面例如pH值、离子浓度、电化学势能)和/或物质特性进行定性检测或作为测量值的定量检测。这些量值能够借助物理、化学或生物效应检测,并且转换为可再处理的传感器信号、尤其电信号。电信号是物理信号的特殊形式。当电信号以任意形式可变时,其涉及电学量,例如电流强度、电压或电阻,并由此能够接收并传输信息。作为信号的值例如是等值、峰值、频率、相移角度或采样度。而且数学处理、也就是说物理传感器数据的再处理也称为这种传感器数据。
数字孪生
数字孪生是数字世界中来自真实世界的物质对象或非物质对象或过程的数字表示。数字孪生使全方位的数据交换成为可能。在这种情况下,它们不仅仅是纯数据,而是由所表示的对象或过程的模型组成,并且可以包含模拟、算法和服务,这些模拟、算法和服务描述、影响或提供关于所表示的对象或过程的特征或行为的服务。
控制器
控制器是用于实施模型并且处理数据的计算单元。控制器的示例是NC(数字控制、如Sinumerik)、Edge设备(Industrial Edge或Sinumerik Edge(连接网络并可以评估数据的计算机))、IPC(不连接第二网络的工业PC)或PLC(可编程逻辑控制器、如Simatic S7)。
位置数据
位置数据是数据组,该数据组基于过程开始前定义的坐标系,参照该坐标系定义在过程环境中的地点。
工艺参数
工艺参数是能够设置理想的工艺特征的参数。例如对于电弧熔丝增材制造(电弧熔丝堆焊)而言,属于工艺参数的是气流、电流、电压、焊接进给、焊丝进给、焊炬与部件的距离以及焊炬的倾斜度。此外,对于LMD(激光金属沉积)而言,激光功率、粉末进料和激光焦点也算作典型的工艺参数。
与现有技术相比,本发明的优点在于,考虑到工艺过程与其当前环境密切相关。例如当第三层出现氧化,则这会导致在后续层中同样也出现异常工艺特征。同样适用于相邻的焊道。不同于本发明,根据现有技术仅使用当前的数据点,然而并不将同一压力的较早先的数据点的信息整合至数据处理中。存在于相应时刻的情况并未被所述方法所忽视,而是引入模拟中,并且实施补偿措施。由此,氧化或形状偏差也会对后续层和在此收集的数据产生影响。当前,利用所描述的方法充分考虑了多个层的缺陷的影响,从而使多个层的缺陷相互关联。因此,现有的信息被用来在现场监测范畴内的数据分析中获得更好的结果,并且不会丢失。通过根据本发明的技术方案,在增材制造过程中具有重要意义的时间和空间背景被有利地用于数据评估,并且能够在原位引入缺陷纠正措施。
在本发明的一种优选的设计方式中,为了评估所述传感器数据而使用模型,通过所述模型在动态的时间段内计算出对控制器的反馈数据。为了整合时间背景,使用(通常为神经网络)模型,所述模型基于过去的数值评估当前数据点的异常值。在此,作为时间背景所使用的时间段例如根据(通过焊接摄像头+计算机视觉算法、例如Canny边缘检测所检测到的)当前焊接速度多高或者焊池多长而改变。典型的动态时长在此例如为0.5s,其中,优选时间段在0.05s至3s之间、特别优选在0.1s至1s之间的时间范围内改变。
在本发明的一种优选的设计方式中,被所述打印头经过的每个位置都分配有时间戳,由此在所处的过程情况下可以在给定的时刻评估之前的信息。
就此适宜的是,数字孪生设计为点云的形式,并且针对云中的每个点都存储有关于过程状态的评估。评估标准例如是异常情况的类型(例如氧化或孔隙)。由此,异常情况是缺陷的在先阶段,其也可以称为潜在缺陷。
优选地,针对每个点都确定异常值,为了异常值的计算,还以有利的方式从工作区域内的相邻点引入信息、也即过程数据和传感器数据。
在此,作为所述工作区域优选地是在观察时刻主要处于液相的空间尺寸。双椭球体的形式能够在评估中良好地用数学方法检测,已被证明有利于工作区域的定义及其虚拟传输到数字孪生中。在此还适宜的是,工作区域随着液相(即局部熔池)的形状和尺寸连续变化。液相的形状和尺寸可以例如通过焊接摄像机来检测,或者由部件温度和电流能量输入推导。双椭球体的一种特殊形式是相对于其纵轴的一半对称的椭球体。球体是椭球体的一种特殊形式。
此外还适宜的是,实施工艺参数的调整,以克服在异常情况的位置或异常情况的环境中克服该异常情况,以便例如借助局部提高的热量输入燃烧氧化物和/或减缓打印头的移动速度,以便熔融并由此克服多孔结构。
在此,基于打印头在定义的时间段内将根据机器代码向哪里运动的预判,作出在哪个时刻并且在哪个地点调整工艺参数的决定。由此接下来,计算出的位置的周围被搜寻异常情况(例如借助双椭球体查询八叉树)。如果在该位置的周围存在异常情况,则实施应对措施(例如提高热量输入、运动速度)。
电弧熔丝增材制造(WAAD)和激光金属沉积(LMD)特别适合作为增材制造方法,其中所述方法中允许有利地设计所述方法。
本发明的其他设计方式和其他特征根据以下附图详细阐述。
在附图中:
图1示出用于电弧熔丝堆焊的设备的示意图,
图2示出所形成的构件的数字孪生的点云的示意图,
图3示出用于确定异常情况的双椭球体形状的工作区域。
在图1中示出用于制造构件2的增材制造方法的示意图。该增材制造方法例如设计为电弧熔丝堆焊(英文Wire Arc Additive Manufacturing,WAAM)。类似地,在后续描述中也可以使用其他增材制造方法、例如激光金属沉积法。在此,通过机器人手臂24将具有电极26的打印头14对准构件2的特定位置。此外,还设有焊丝28,该焊丝通过电极26在打印头14的相应的位置12处熔化。此外还设有控制器4以及能量供应装置34,通过所述能量供应装置不仅为电极26还为焊丝和机器人手臂的进给提供能量。整个过程通过控制器4控制,以下还将对其进行详述。尤其通过多个传感器监控该过程。单纯示例性地在图1中示出焊接摄像机30形式的传感器6。
通过焊接摄像机30可以例如确定数值、例如液相20的几何形状,以下还将在图3中详述。其他传感器数据例如是在过程中的电压和电流、液相20的温度、打印头14的进给以及焊丝的进给速度。
打印头14的每个位置12都可明确对应地与构件12中的位置相关联,针对所述打印头14的每个位置12采集作为坐标系中的点形式的位置数据和时间戳并将其传递给控制器4。在控制器4中或者在与控制器相连的计算机处,在打印构件2的过程中同时建立数字孪生10,所述数字孪生在图2中示意性示出。在此,数字孪生10包括点云16,所述打印头14及其位置12同样示意性地通过三角尖端示出在所述点云中。在此,根据点云10的已确定并传递至控制器的传感器数据,针对每个点17计算出异常值。
为了评估以下还将详述的异常值,首先定义在构件2上的工作区域18,所述工作区域在数字孪生中通过椭球体示出,这基本上包括在真实的构件2中的液相20,其中构件2的表面上的焊丝的材料恰好熔融。在对液相的观察中,双椭球体尤其被证明是符合期望的。尤其当要校正探测到的异常情况、要确定异常密度或实施补偿策略时,工作区域是尤其关键的。
在该液相20中,可能会在施加焊丝28时出现异常情况,该异常情况可能是缺陷的在先阶段。缺陷例如可能是氧化,如果在焊丝28中存在杂质或在过程中引入杂质,则出现氧化。孔隙形式的气穴也可能是异常情况或变成缺陷。在此,在评估异常情况时,不仅评估相应的被观察的点17,而且在此还回溯相邻的点17’,所述相邻的点位于传递至椭球体22中的数字孪生10的工作区域18中。这示出在图3、3a、3b和3c的剖视图中。针对每个点17或17’计算异常值,并且当打印头14再次到达由此确定的异常情况8的附近时,则考虑到异常值。在这种情况下,打印头14可以在空间上从多个侧面影响异常情况8,从而通过改变异常情况8附近的工艺参数,可以补偿异常情况,使得可能由该异常情况引起的缺陷可以在其出现之前已经被消除。与传统的增材制造方法相比的优点在于,通过所述方法已经消除缺陷的生成,因此可以显著减少构件2的废品率。
以下利用另一方面详细阐述参照图1至3所示的方法。为了整合时间背景,使用(神经网络)模型,所述模型基于过去的数值(例如过去的0.5秒)评估当前(数据)点17的异常值。在此,作为时间背景所采用的时间段根据当前的焊接速度多高(也即打印头14的进给速度)或者焊池多长而动态地改变。焊池的长度例如可通过焊接摄像机30借助计算机视觉算法进行评估、例如通过Canny边缘探测进行检测。由此始终确保对于当前液态熔池关键的所有过程值都影响异常值的计算。
为了分析数据,可以要么使用回归模型(预测),例如基于Conv1D或RNN/LSTM元素的季节性ARIMA模型或神经元网络,要么借助于自动编码器重建数据的模型。为了数据的预测,除了具有时间存储器的RNN/LSTMs,也可以使用批次处理的CNN结构。
由此,数据中的时间结构、例如频率变化或不规则模式包括在过程评估中。为了进行训练,必须使用具有恒定工艺参数的工艺数据,以实现高准确性。
优选地,打印头14所经过的每个位置(打印头14的位置12)给出一个时间戳,该时间戳给出关于何时经过该位置的信息。
空间背景包含有关在位置跨度方面相关信息的信息,例如来自前一层或来自相邻焊接轨迹的信息。为此,如上所述地,通过存储所有相关信息,在制造过程中同时建立数字映像、即构件2的数字孪生10。该数字孪生10包括点云,其中对于每个点存储过程状态的评估(例如正常/异常、异常值、异常类型等)以及时间戳。在这种情况下,点云可以被空间结构化地存储,使得能够对空间结构、例如双椭球体或球体进行更有效地查询。例如,这种数据结构是八叉树、r树或kd树,通过它们的树状结构,能够在空间中快速搜索点。
为了将空间背景整合至当前工作点19(其粗略地与打印头等距)的异常值的计算,将当前的工作点19周围的空间纳入数据分析中。为此,首先定义工作点19周围的立体的工作区域18,通过所述工作区域确定数据点17、17’的空间关联性。在此,工作区域18包括被熔池、也即在增材制造过程中的液相20所占据的区域。作为简化,在此还可以使用根据图3的球体或进一步广义的椭球体或再进一步广义的双椭球体。
在此,椭球体的轴长可以适应性地根据熔池的几何形状调整。在此,可以动态地基于传感器数据、例如焊接摄像机30(提取焊池的几何形状)借助工艺参数、例如工艺过程速度(更高的焊接速度导致更薄、更长的椭球体)进行调准,或者动态地基于之前实施的热模拟(焊池的温度曲线、尺寸和形状)进行调准。此外,也可以将所包含的点17的时间戳或模拟结果纳入,以便得出关于存在的冷却行为以及因此关于焊接熔池的尺寸的结论。
基于定义的工作区域18,选择在过程历史中设置的点17,并利用元信息例如异常概率值、缺陷临界性值或缺陷类型进行补充。为此使用了数据结构,例如八叉树,其允许空间索引,从而对所涉及的点进行优化的空间搜索。在此,每个点包含关于局部过程异常或缺陷的信息,从而产生在当前工作点19的紧邻处具有相关信息的空间上选择的点云。现在使用所包含的信息,以便一方面改进异常情况识别,另一方面对过程进行调整。
通过模型(包括时间背景)对异常情况评估的结果是异常值,其涉及有关异常情况和由此缺陷的概率的结论。在此将空间背景以两种不同的方式引入:当已经识别到异常情况时,所述异常情况可以通过空间背景信息在语义上与其他异常情况相关联。由此能够显示出该异常情况和潜在缺陷的空间扩散。在这种情况下,前面提到的双椭球示出缺陷彼此关联的相关空间。例如,如果在第一层中出现氧化,在下一层中就会产生结合问题。这两个缺陷是相互关联的,因此现在可以更好地估计元件中异常区域的空间扩散。
例如,如果在构件的高负载区域中存在多个分别具有较低异常值的潜在的异常情况,每个异常情况本身不会导致报废,但它们会共同导致构件的故障,则也可以确定异常密度,以便以这种方式估计是否在某个构件区域中达到异常情况的临界累积。在此,异常密度的背景空间不一定仅占据焊接熔池(液相20)的空间,而是根据构件2也可以更大(例如在薄片的区域中,薄片可能因异常情况导致不期望的预定断裂点)。由此,可以在原位地确定构件2中的异常密度。如果这超过了极限值,则可以提前停止该过程,并且以这种方式可以降低由于报废而产生的成本。
此外,借助时间和空间背景还可以进行缺陷的分类。为此使用用于分类的神经网络,所述神经网络将预先处理的过程值(在预测模型中是预测值与真实值之间的距离,或者在用于重建的模型中是重建误差)作为输入值。在最后一层中,使用sigmoid函数为每个缺陷分配一个概率值。例如,当已知前一层已经明显冷却时,由于时间戳之间的差异很大,可以得出结论:极有可能存在粘附缺陷。此外,例如对于相邻层中的氧化,由于污垢夹杂物,存在更高的缺陷概率。
附图标记列表
2 构件
4 控制器
6 传感器
8 异常情况
10 数字孪生
12 打印头位置
14 打印头
16 点云
17、17’ 点
18 工作区域
19 工作点
20 液相
22 椭球体
24 机器人手臂
26 电极
28 焊丝
30 焊接摄像机
32 工作台
34 能量供应装置
36 工作台前移
Claims (14)
1.一种用于构件(2)的增材制造的方法,所述方法包括以下步骤:
-建立机器代码并且将所述机器代码传递至控制器(4),
-开始制造过程,
-利用传感器(6)监测该过程,
-评估传感器数据,以便确定待制造构件中的异常情况(8),并且
-根据包括异常情况(8)的位置数据的传感器数据,平行地建立在该过程期间产生的构件(2)的数字孪生(10),
-借助所述机器代码预测在特定时间点的打印头(14)的位置(12),
-借助所述数字孪生鉴于存在的异常情况分析该位置周围的工作区域,
-在到达该工作区域时为了消除异常情况而调整工艺参数。
2.根据权利要求1所述的方法,其特征在于,为了评估所述传感器数据而使用模型,通过所述模型在动态的时间段内计算出对控制器(4)的反馈数据。
3.根据权利要求2所述的方法,其特征在于,所述动态的时间段在0.05至3s之间。
4.根据权利要求1至3中任一项所述的方法,其特征在于,被所述打印头(14)经过的每个位置(12)都分配有时间戳。
5.根据权利要求1至4中任一项所述的方法,其特征在于,所述数字孪生(10)包括点云(16),并且针对每个点确定异常值,针对每个异常值存储过程状态。
6.根据权利要求5所述的方法,其特征在于,为了确定异常值,引入来自相邻的点(17、17’)的工作区域(18)的数据。
7.根据权利要求6所述的方法,其特征在于,所述工作区域(18)具有在观察时刻主要处于液相(20)的空间尺寸。
8.根据权利要求5至7中任一项所述的方法,其特征在于,所述点云在空间结构化的数据结构中以八叉树的方式表示。
9.根据权利要求7所述的方法,其特征在于,所述工作区域(18)通过双椭球体(22)表示。
10.根据权利要求9所述的方法,其特征在于,椭球体的轴线根据熔池的尺寸调整。
11.根据上述权利要求中任一项所述的方法,其特征在于,为了消除异常情况(8),对工艺参数的调整包括更高的热量输入。
12.根据上述权利要求中任一项所述的方法,其特征在于,为了消除异常情况(8),对工艺参数的调整包括更低的打印头速度。
13.根据前述权利要求中任一项所述的方法,其特征在于,所述增材制造方法是电弧熔丝堆焊。
14.根据权利要求1至11中任一项所述的方法,其特征在于,所述增材制造方法是激光金属沉积法(LMD)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21176030.1A EP4094867A1 (de) | 2021-05-26 | 2021-05-26 | Verfahren zur additiven herstellung eines bauteils |
EP21176030.1 | 2021-05-26 | ||
PCT/EP2022/062247 WO2022248189A1 (de) | 2021-05-26 | 2022-05-06 | Verfahren zur additiven herstellung eines bauteils |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117396289A true CN117396289A (zh) | 2024-01-12 |
Family
ID=76138014
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280037268.5A Pending CN117396289A (zh) | 2021-05-26 | 2022-05-06 | 用于构件的增材制造的方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4094867A1 (zh) |
CN (1) | CN117396289A (zh) |
DE (1) | DE112022002793A5 (zh) |
WO (1) | WO2022248189A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117183331A (zh) * | 2023-09-06 | 2023-12-08 | 张家港爵启科技有限公司 | 一种基于数字孪生三维模型3d打印建模方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10404569B2 (en) * | 2016-08-22 | 2019-09-03 | General Electric Company | Internet of things associate |
US20180229302A1 (en) * | 2017-01-27 | 2018-08-16 | United Technologies Corporation | Adaptive control for powder fusion |
DE102017208497A1 (de) * | 2017-05-19 | 2018-11-22 | Homag Bohrsysteme Gmbh | Verfahren zum Vorbereiten eines Drucks eines dreidimensionalen Bauteils sowie System |
US11009863B2 (en) * | 2018-06-14 | 2021-05-18 | Honeywell International Inc. | System and method for additive manufacturing process monitoring |
EP3751370A1 (en) * | 2019-06-14 | 2020-12-16 | General Electric Company | Additive manufacturing-coupled digital twin ecosystem based on multi-variant distribution model of performance |
CN110682400B (zh) * | 2019-11-04 | 2020-12-11 | 清华大学 | 一种基于3d打印平台的数字孪生结构试验系统和方法 |
CN111882653A (zh) * | 2020-06-11 | 2020-11-03 | 广州万维创新科技有限公司 | 一种基于多传感器多层次的室内场景数字孪生方法 |
-
2021
- 2021-05-26 EP EP21176030.1A patent/EP4094867A1/de not_active Withdrawn
-
2022
- 2022-05-06 DE DE112022002793.2T patent/DE112022002793A5/de active Pending
- 2022-05-06 CN CN202280037268.5A patent/CN117396289A/zh active Pending
- 2022-05-06 WO PCT/EP2022/062247 patent/WO2022248189A1/de active Application Filing
Also Published As
Publication number | Publication date |
---|---|
DE112022002793A5 (de) | 2024-03-14 |
WO2022248189A1 (de) | 2022-12-01 |
EP4094867A1 (de) | 2022-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3581380B1 (en) | System and method for additive manufacturing process monitoring | |
EP3308945B1 (en) | Method and system for topographical based inspection and process control for additive manufactured parts | |
Reisch et al. | Robot based wire arc additive manufacturing system with context-sensitive multivariate monitoring framework | |
EP3646968A1 (en) | Method for automatically preventing defects potentially arising during an additive manufacturing process and manufacturing device | |
Akhavan et al. | Sensory data fusion using machine learning methods for in-situ defect registration in additive manufacturing: a review | |
CN112122773A (zh) | 用于激光束焊接过程的质量监视 | |
CN117396289A (zh) | 用于构件的增材制造的方法 | |
Yao et al. | Constrained Markov decision process modeling for sequential optimization of additive manufacturing build quality | |
EP3659727A1 (en) | Method for automatic identification of material deposition deficiencies during an additive manufacturing process and manufacturing device | |
Nalajam et al. | A hybrid deep learning model for layer-wise melt pool temperature forecasting in wire-arc additive manufacturing process | |
Chen et al. | Multisensor fusion-based digital twin for localized quality prediction in robotic laser-directed energy deposition | |
Barrionuevo et al. | A machine learning approach for the prediction of melting efficiency in wire arc additive manufacturing | |
Fang et al. | A model of bead size based on the dynamic response of CMT-based wire and arc additive manufacturing process parameters | |
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 | |
US20230141266A1 (en) | Systems and Methods | |
Gröning et al. | Method of process optimization for LMD-processes using machine learning algorithms | |
Gunasegaram et al. | Machine learning-assisted in-situ adaptive strategies for the control of defects and anomalies in metal additive manufacturing | |
Breitenbach et al. | A systematic literature review of machine learning approaches for optimization in additive manufacturing | |
Reisch et al. | Prescriptive analytics-a smart manufacturing system for first-time-right printing in wire arc additive manufacturing using a digital twin | |
Chen et al. | Multimodal sensor fusion for real-time location-dependent defect detection in laser-directed energy deposition | |
Adnan et al. | MPI-based system 2 for determining LPBF process control thresholds and parameters | |
Gajbhiye et al. | In situ image processing for process parameter-build quality dependency of plasma transferred arc additive manufacturing | |
CN117480021A (zh) | 用于部件的增材制造的方法 | |
Jamnikar et al. | Comprehensive process-molten pool relations modeling using CNN for wire-feed laser additive manufacturing | |
Manokruang | Phenomenological model of thermal effects on weld beads geometry produced by Wire and Arc Additive Manufacturing (WAAM) |
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 |