CN118171339A - 基于深度学习的智能增材制造路径规划方法及系统 - Google Patents
基于深度学习的智能增材制造路径规划方法及系统 Download PDFInfo
- Publication number
- CN118171339A CN118171339A CN202410584648.1A CN202410584648A CN118171339A CN 118171339 A CN118171339 A CN 118171339A CN 202410584648 A CN202410584648 A CN 202410584648A CN 118171339 A CN118171339 A CN 118171339A
- Authority
- CN
- China
- Prior art keywords
- metal
- thermoplastic
- additive manufacturing
- interlayer
- value
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 271
- 239000000654 additive Substances 0.000 title claims abstract description 187
- 230000000996 additive effect Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 229910052751 metal Inorganic materials 0.000 claims abstract description 677
- 239000002184 metal Substances 0.000 claims abstract description 677
- 229920001169 thermoplastic Polymers 0.000 claims abstract description 449
- 239000004416 thermosoftening plastic Substances 0.000 claims abstract description 449
- 239000011229 interlayer Substances 0.000 claims abstract description 229
- 239000000843 powder Substances 0.000 claims abstract description 182
- 238000011156 evaluation Methods 0.000 claims abstract description 133
- 229910002065 alloy metal Inorganic materials 0.000 claims abstract description 85
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 238000011282 treatment Methods 0.000 claims abstract description 32
- 238000013136 deep learning model Methods 0.000 claims abstract description 31
- 230000001105 regulatory effect Effects 0.000 claims abstract description 25
- 230000001276 controlling effect Effects 0.000 claims abstract description 17
- 238000012937 correction Methods 0.000 claims description 92
- 238000001704 evaporation Methods 0.000 claims description 89
- 230000008020 evaporation Effects 0.000 claims description 88
- 230000008646 thermal stress Effects 0.000 claims description 79
- 238000012544 monitoring process Methods 0.000 claims description 42
- 239000010410 layer Substances 0.000 claims description 36
- 230000035882 stress Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 22
- 230000033228 biological regulation Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000007769 metal material Substances 0.000 claims description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 8
- 238000001883 metal evaporation Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 7
- 238000011284 combination treatment Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012958 reprocessing Methods 0.000 claims description 4
- 238000009834 vaporization Methods 0.000 claims description 4
- 230000008016 vaporization Effects 0.000 claims description 4
- 238000012407 engineering method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011068 loading method Methods 0.000 claims description 3
- 239000003607 modifier Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 14
- 230000008859 change Effects 0.000 description 14
- 230000007547 defect Effects 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000002844 melting Methods 0.000 description 9
- 230000008018 melting Effects 0.000 description 9
- 239000002245 particle Substances 0.000 description 9
- 239000012535 impurity Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 239000003380 propellant Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 150000002739 metals Chemical class 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007639 printing Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 229910045601 alloy Inorganic materials 0.000 description 2
- 239000000956 alloy Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000009736 wetting Methods 0.000 description 2
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000005275 alloying Methods 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000000498 ball milling Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000113 differential scanning calorimetry Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910000765 intermetallic Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000007885 magnetic separation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002923 metal particle Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000646 scanning calorimetry Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 238000011172 small scale experimental method Methods 0.000 description 1
- 239000004449 solid propellant Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 238000009864 tensile test Methods 0.000 description 1
- 238000002411 thermogravimetry Methods 0.000 description 1
- 230000000930 thermomechanical effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于深度学习的智能增材制造路径规划方法及系统，属于智能增材制造技术领域。该基于深度学习的智能增材制造路径规划方法，包括以下步骤：通过对金属粉末预处理参数分析评估；通过对金属热塑制造处理参数分析评估；构建金属热塑层间结合深度学习模型，对比得到合金金属增材制造层间结合综合评估值，根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控。本发明通过分析评估金属粉末预处理、金属热塑制造处理、金属热塑层间结合处理三方面，根据分析评估结果对智能增材制造路径规划方案进行调控，达到了提高金属增材制造层间结合质量的效果，解决了现有技术中存在对金属增材制造层间结合质量不强的问题。
Description
技术领域
本发明涉及智能增材制造技术领域，尤其涉及基于深度学习的智能增材制造路径规划方法及系统。
背景技术
随着增材制造技术的不断发展，可制造材料的种类和性能得到了极大地拓展，相对于传统制造业，增材制造具有低成本、少污染、易设计、易维修等特点，有利于促进机械设备制造产业智慧化发展，推动产业转型升级，实现产业新旧动能转换和高质量发展。
现有的基于深度学习的智能增材制造路径规划方法通过以下方法实现，包括基于规则、经验或优化算法的路径规划方法和利用深度学习技术对大量数据进行学习训练的方法。
例如公告号为：CN114638138B的发明专利公告的一种各向异性的复合推进剂增材制造路径规划方法，包括：以固体推进剂数字模型为基础，开展推进剂燃面与燃速性能需求有限元分析，计算出推进剂各子药柱几何结构及其对应的金属燃料配比参数，通过计算机几何计算技术对推进剂模型进行几何裁剪与路径优化，完成推进剂在轴向、周向和径向几何分割与轨迹规划。
例如公告号为：CN113158269B的发明专利公告的曲面分层增材制造中的空间STL曲面等距路径规划方法，包括：将预设空间STL曲面层构建成体素化模型；输入初始源曲线；计算曲面上任意一个体素点到初始源曲线的最短距离，采用从初始源曲线出发，根据曲线积分思想不断计算周围未知距离的体素点，直至遍历结束所有的体素点，在每一次循环遍历中，通过分组遍历的方案来保证新的体素点到初始曲线的距离基本相同；根据预设道间距，筛选出到源曲线距离等于最短路径的整数倍的点，作为最后等距路径上的点；将最短路径和最后等距路径上的点拟合生成有序路径。
但本申请在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中，实际智能金属增材制造过程中，有大量合金和组合金属组件制造过程中因为多样的物理和化学性质不合适而导致金属增材制造出现不同程度的质量问题，存在对金属增材制造层间结合质量不强的问题。
发明内容
本申请实施例通过提供基于深度学习的智能增材制造路径规划方法及系统，解决了现有技术中，存在对金属增材制造层间结合质量不强的问题，实现了提高金属增材制造层间结合质量的效果。
本申请实施例提供了基于深度学习的智能增材制造路径规划方法，包括以下步骤：获取金属粉末预处理参数，通过对金属粉末预处理参数分析评估，得到金属粉末预处理水平修正值，根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整；获取金属热塑制造处理参数，通过对金属热塑制造处理参数分析评估，得到金属热塑蒸发程度修正值，得到金属热塑热应力影响值，根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整；获取金属热塑层间结合处理参数，构建金属热塑层间结合深度学习模型，通过金属热塑层间结合深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，对比得到金属热塑层间结合评估差值，分析得到合金金属增材制造层间结合综合评估值；根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控。
进一步的，所述得到金属粉末预处理水平修正值的具体步骤为：所述金属粉末预处理水平修正值用于描述金属粉末预处理对于智能金属增材制造的影响水平；设置金属粉末预处理监测点，在金属粉末预处理监测点下通过智能金属粉末采集设备采集金属粉末预处理后的金属材料特征参数，通过特征工程方法对金属粉末预处理后的金属材料特征参数进行特征选择，得到金属粉末预处理特征参数，将金属粉末预处理特征参数与金属智能增材制造数据标准库中的金属粉末预处理特征标准参数对比分析得到金属粉末预处理水平修正值；所述金属粉末预处理特征标准参数由金属粉末预处理历史数据经过主成分分析算法训练分析得到。
进一步的，所述根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整的具体步骤为：将金属粉末预处理水平修正值与金属智能增材制造数据标准库中的金属粉末预处理水平阈值对比分析，将金属粉末预处理水平修正值与金属粉末预处理水平阈值对比分析，若对应的两者差值大于预设金属粉末预处理允许差值，则判定金属粉末预处理水平为不合格，依次遍历金属粉末预处理参数，记录金属粉末预处理参数对应的金属粉末预处理方法流程并对金属粉末重新进行处理。
进一步的，所述得到金属热塑蒸发程度修正值的具体步骤为：所述金属热塑蒸发程度修正值用于指代金属热塑制造处理中金属热塑蒸发对于智能金属增材制造的影响水平；设置金属热塑蒸发监测点，在金属热塑蒸发监测点下通过第一智能金属热塑采集设备采集金属热塑制造后的金属热塑特征参数，通过主成分分析法对金属热塑特征参数进行特征提取，得到金属热塑制造蒸发特征参数，将金属热塑制造蒸发特征参数与金属智能增材制造数据标准库中的金属热塑制造实验验证特征标准参数对比分析，得到金属热塑蒸发程度修正值；所述金属热塑制造实验验证特征标准参数用于描述在实验模拟条件下的金属热塑制造时金属蒸发标准参数。
进一步的，所述得到金属热塑热应力影响值的具体步骤为：所述金属热塑热应力影响值用于表示金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平；设置金属热塑热应力监测点，在金属热塑热应力监测点下通过第二智能金属热塑采集设备采集金属热塑制造后的金属热塑热应力特征参数，通过金属热塑热应力特征参数使用有限元分析法构建有限元金属热塑热应力分析模型，通过有限元金属热塑热应力分析模型对金属热塑层厚分析，结合金属热塑生产环节实测数据匹配得到金属层厚影响匹配因子，结合金属热塑热应力温度参数由此分析得到金属热塑热应力影响值。
进一步的，所述根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整的具体过程为：通过实测评估得到若干金属热塑蒸发程度修正值和若干金属热塑热应力影响值，将若干金属热塑蒸发程度修正值和若干金属热塑热应力影响值合并为金属热塑应力蒸发数据集，将金属热塑应力蒸发数据集加载在第一智能设备中，第一智能设备对金属热塑应力蒸发数据集进行数据预处理；构建金属热塑神经网络模型，通过第一智能设备设定模型结构、激活函数、优化器和损失函数；使用金属热塑应力蒸发数据集对金属热塑神经网络模型进行训练，得到金属热塑神经网络模型预测结果，根据金属热塑神经网络模型预测结果对金属热塑制造处理方案进行调整。
进一步的，所述对比得到金属热塑层间结合评估差值的具体过程为：通过智能金属热塑层间结合设备采集金属热塑层间结合参数，对收集到的数据进行数据清洗和数据归一化，得到金属热塑层间结合预处理参数；构建金属热塑层间结合评估深度学习模型，利用金属热塑层间结合预处理参数，对金属热塑层间结合评估深度学习模型进行训练，根据金属热塑层间结合评估深度学习模型的训练结果对金属热塑层间结合评估深度学习模型进行超参数调优；利用金属热塑层间结合评估深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，所述第一金属热塑层间结合评估值用于描述第一金属热塑层间结合质量水平，所述第二金属热塑层间结合评估值用于描述第二金属热塑层间结合质量水平；将第一金属热塑层间结合评估值和第二金属热塑层间结合评估值进行对比分析，得到金属热塑层间结合评估差值。
进一步的，所述根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控的具体过程为：所述合金金属增材制造层间结合综合评估值用于表述金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平；若合金金属增材制造层间结合综合评估值不大于预设合金金属增材制造层间结合第一综合阈值，则不调整；若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第一综合阈值且不大于预设合金金属增材制造层间结合第二综合阈值，则提高合金金属增材制造层间结合时的金属热塑预热温度；若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第二综合阈值且不大于预设合金金属增材制造层间结合第三综合阈值，则重新评估调控合金金属增材制造层间结合时的金属热塑熔池温度；若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第三综合阈值，则重新评估调控合金金属增材制造层间结合时的金属热塑的激光扫描功率和激光扫描速度。
进一步的，所述合金金属增材制造层间结合综合评估值，具体计算公式为：
式中，表示合金金属增材制造层间结合综合评估值，/>表示金属粉末预处理水平修正值，/>表示金属热塑蒸发程度修正值，/>表示金属热塑热应力影响值，/>表示金属热塑层间结合评估差值，/>表示金属热塑添加融合剂修正因子。
本申请实施例提供了基于深度学习的智能增材制造路径规划系统，所述基于深度学习的智能增材制造路径规划系统包括金属粉末预处理分析调控模块、金属热塑制造处理分析调控模块、金属热塑层间结合处理分析模块和金属热塑层间结合处理调控模块；所述金属粉末预处理分析调控模块，用于获取金属粉末预处理参数，通过对金属粉末预处理参数分析评估，得到金属粉末预处理水平修正值，根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整；所述金属热塑制造处理分析调控模块，用于获取金属热塑制造处理参数，通过对金属热塑制造处理参数分析评估，得到金属热塑蒸发程度修正值，得到金属热塑热应力影响值，根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整；所述金属热塑层间结合处理分析模块，用于获取金属热塑层间结合处理参数，构建金属热塑层间结合深度学习模型，通过金属热塑层间结合深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，对比得到金属热塑层间结合评估差值，分析得到合金金属增材制造层间结合综合评估值；所述金属热塑层间结合处理调控模块，用于根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、通过分析评估金属粉末预处理、金属热塑制造处理、金属热塑层间结合处理三方面，构建金属热塑层间结合深度学习模型，通过金属热塑层间结合深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，对比分析得到合金金属增材制造层间结合综合评估值从而量化得到不同金属在层间结合上的差异表现，根据分析评估结果对智能增材制造路径规划方案进行调控，达到了提高金属增材制造层间结合质量的效果，解决了现有技术中存在对金属增材制造层间结合质量不强的问题。
2、通过金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整，热应力导致金属材料变形或破裂，通过评估和修正热应力影响值，从而可以有效地量化热应力的负面影响，进而实现了提高对金属热塑制造处理方案进行调整的科学性。
3、通过合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控，根据合金金属增材制造层间结合综合评估值与预设合金金属增材制造层间结合综合阈值对比分析，采取个性化的调控措施，从而更精确地解决结合问题，优化金属增材制造层间结合过程，进而实现了提高金属增材制造整体质量。
附图说明
图1为本申请实施例提供的基于深度学习的智能增材制造路径规划方法流程图；
图2为本申请实施例提供的对智能增材制造路径规划方案进行调控流程结构示意图；
图3为本申请实施例提供的基于深度学习的智能增材制造路径规划系统的结构示意图。
具体实施方式
本申请实施例通过提供基于深度学习的智能增材制造路径规划方法及系统，解决了现有技术中，存在对金属增材制造层间结合质量不强的问题，通过分析评估金属粉末预处理、金属热塑制造处理、金属热塑层间结合处理三方面，根据分析评估结果对智能增材制造路径规划方案进行调控，实现了提高金属增材制造层间结合质量的效果。
本申请实施例中的技术方案为解决上述，存在对金属增材制造层间结合质量不强的问题，总体思路如下：
通过对金属粉末预处理参数分析评估；通过对金属热塑制造处理参数分析评估；构建金属热塑层间结合深度学习模型，对比得到合金金属增材制造层间结合综合评估值，根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控，提高金属增材制造层间结合质量的效果。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示，为本申请实施例提供的基于深度学习的智能增材制造路径规划方法流程图，该方法应用于基于深度学习的智能增材制造路径规划系统中，该方法包括以下步骤：获取金属粉末预处理参数，通过对金属粉末预处理参数分析评估，得到金属粉末预处理水平修正值，根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整；获取金属热塑制造处理参数，通过对金属热塑制造处理参数分析评估，得到金属热塑蒸发程度修正值，得到金属热塑热应力影响值，根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整；获取金属热塑层间结合处理参数，构建金属热塑层间结合深度学习模型，通过金属热塑层间结合深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，对比得到金属热塑层间结合评估差值，分析得到合金金属增材制造层间结合综合评估值；根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控。
在本实施例中，金属智能增材制造方法中可能包含多种合金，在具体金属热塑层间结合处理时，评估两种金属在层间结合的质量，分析之间的差值，进而分析得到合金金属增材制造层间结合综合评估值。
进一步的，得到金属粉末预处理水平修正值的具体步骤为：金属粉末预处理水平修正值用于描述金属粉末预处理对于智能金属增材制造的影响水平；设置金属粉末预处理监测点，在金属粉末预处理监测点下通过智能金属粉末采集设备采集金属粉末预处理后的金属材料特征参数，通过特征工程方法对金属粉末预处理后的金属材料特征参数进行特征选择，得到金属粉末预处理特征参数，将金属粉末预处理特征参数与金属智能增材制造数据标准库中的金属粉末预处理特征标准参数对比分析得到金属粉末预处理水平修正值；金属粉末预处理特征标准参数由金属粉末预处理历史数据经过主成分分析算法训练分析得到。
在本实施例中，金属粉末预处理水平修正值除了通过实际的实验操作，例如对不同预处理水平的金属粉末进行测试分析得到以外，还能通过计算公式得到，具体计算公式如下：
式中，表示金属粉末预处理水平修正值，设置金属粉末预处理监测点，将金属粉末预处理监测点依次编号，/>，/>表示金属粉末预处理监测点的编号，/>表示金属粉末预处理监测点的编号总数，/>表示第/>个金属粉末预处理监测点的金属粉末流动性指数，/>表示第/>个金属粉末预处理监测点的金属粉末水分含量比值，/>表示金属粉末水分含量最大允许比值，/>表示第/>个金属粉末预处理监测点的金属粉末杂质含量比值，/>表示金属粉末杂质含量最大允许比值，/>表示金属粉末粒径修正因子，/>表示金属粉末水分含量比值对于金属粉末预处理水平修正值的权重因子，/>表示金属粉末杂质含量比值对于金属粉末预处理水平修正值的权重因子。
对以上金属粉末预处理因素在不同金属粉末预处理监测点下求和平均，使得金属粉末预处理水平修正值更为准确，使得金属粉末预处理水平修正值的函数图像更平滑，金属粉末预处理水平修正值使得对金属粉末预处理水平评估效果更准确。
根据实际生产工艺要求分析得到金属粉末水分含量最大允许比值和金属粉末杂质含量最大允许比值。
通过对金属粉末预处理实验数据进行统计分析，如方差分析、相关性分析等，以确定水分含量比值与预处理效果之间的显著性水平和相关性强度。这些统计结果可以用来估算金属粉末水分含量比值对于金属粉末预处理水平修正值的权重因子和金属粉末杂质含量比值对于金属粉末预处理水平修正值的权重因子。
金属粉末中粉末粒径和分布影响打印过程中的铺粉质量和构件的孔隙率，通过粒度分析仪测量粉末的粒径分布，与大量生产数据匹配得到金属粉末粒径修正因子；
金属粉末中的杂质和水分可能导致打印缺陷和材料性能下降，通过包括扫描电镜和能谱分析在内的手段检测金属粉末杂质含量比值；
使用热分析仪检测金属粉末水分含量比值；
金属粉末流动性影响铺粉的均匀性和打印速度,使用布鲁克菲尔德PFT粉末流动性测试仪和FT4粉末流变仪，直接测得金属粉末的流动性，得到金属粉末流动性指数；
智能金属粉末采集设备包括以上设备及相同功能设备。
进一步的，根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整的具体步骤为：将金属粉末预处理水平修正值与金属智能增材制造数据标准库中的金属粉末预处理水平阈值对比分析，将金属粉末预处理水平修正值与金属粉末预处理水平阈值对比分析，若对应的两者差值大于预设金属粉末预处理允许差值，则判定金属粉末预处理水平为不合格，依次遍历金属粉末预处理参数，记录金属粉末预处理参数对应的金属粉末预处理方法流程并对金属粉末重新进行处理。
在本实施例中，金属粉末预处理水平阈值可以由以下方法得到：依据长期的生产实践和实验数据，通过统计学方法分析得到。这些数据会反映出在特定应用条件下，粉末预处理质量的可接受范围；工艺要求，参考增材制造工艺的具体要求，比如激光粉末床熔化、电子束熔化等工艺对粉末的预处理标准。
对金属粉末重新进行处理的具体步骤包括：检测与评估，对金属粉末进行详细的检测和评估，确定问题所在方向，例如粒径分布、纯净度、湿润性、流动性；清理与分类，移除不合格的金属粉末，对金属粉末进行清理和分类，通过筛选、磁选等手段去除杂质；湿润与混合，对金属粉末进行适当的湿润处理，以提高其在金属增材制造过程中的流动性和附着性；粒径调整，若金属粒径分布不合格，通过物理或化学方法对粉末进行粒径调整，比如球磨、加热；烘干与冷却，在预处理的最后阶段，需要对湿润的粉末进行烘干，去除多余的水分，进行冷却，稳定粉末的性质。
进一步的，得到金属热塑蒸发程度修正值的具体步骤为：金属热塑蒸发程度修正值用于指代金属热塑制造处理中金属热塑蒸发对于智能金属增材制造的影响水平；设置金属热塑蒸发监测点，在金属热塑蒸发监测点下通过第一智能金属热塑采集设备采集金属热塑制造后的金属热塑特征参数，通过主成分分析法对金属热塑特征参数进行特征提取，得到金属热塑制造蒸发特征参数，将金属热塑制造蒸发特征参数与金属智能增材制造数据标准库中的金属热塑制造实验验证特征标准参数对比分析，得到金属热塑蒸发程度修正值；金属热塑制造实验验证特征标准参数用于描述在实验模拟条件下的金属热塑制造时金属蒸发标准参数。
在本实施例中，金属热塑蒸发程度修正值除了通过扫描量热法评估金属材料在加热过程中热稳定性分析得到以外，还能通过计算公式得到，具体计算公式如下：
式中，表示金属热塑蒸发程度修正值，设置金属热塑蒸发监测点，将金属热塑蒸发监测点依次编号，/>，/>表示金属热塑蒸发监测点的编号，/>表示金属热塑蒸发监测点的编号总数，/>表示第/>个金属热塑蒸发监测点的金属热塑蒸发微观表面扫描显示缺陷数量，/>表示金属微观表面扫描显示预设最大缺陷允许数量，/>表示第/>个金属热塑蒸发监测点的金属热塑蒸发射线光谱变化程度值，/>表示金属射线光谱值，/>表示第/>个金属热塑蒸发监测点的金属热塑蒸发质量变化值，/>表示金属初始质量值，/>表示金属热塑蒸发微观表面扫描显示缺陷数量对于金属热塑蒸发程度修正值的权重因子，/>表示金属热塑蒸发射线光谱变化程度值对于金属热塑蒸发程度修正值的权重因子。
对以上金属热塑蒸发程度因素在不同金属热塑蒸发监测点下求和平均，使得金属热塑蒸发程度修正值更为准确，使得对金属热塑蒸发程度评估效果更准确。
金属热塑蒸发射线光谱变化程度值通过射线光谱分析，射线光谱分析识别由于金属热塑蒸发造成的化学变化造成的光谱图像变化，所有光谱图像变化值与原光谱图像值的比值即为金属热塑蒸发射线光谱变化程度值，金属射线光谱值即为原光谱图像值，即为金属热塑蒸发前的金属射线光谱值。
扫描电子显微镜提供更高的分辨率和更大的视场，用于观察金属打印件表面的微观结构变化，识别蒸发造成的表面缺陷，得到金属热塑蒸发微观表面扫描显示缺陷数量，金属微观表面扫描显示预设最大缺陷允许数量表示使用相同的扫描电子显微镜在同一大小的观察窗口下预设的最大允许的金属表面缺陷数量。
通过热重分析或差示扫描量热法，可以监测材料在加热或冷却过程中的质量变化和热流变化，从而评估蒸发程度，得到金属热塑蒸发质量变化值，金属初始质量值即为金属热塑蒸发前的金属初始质量值。
通过在不同热塑蒸发程度下进行微观表面扫描，并记录缺陷数量，可以建立缺陷数量与蒸发程度之间的关系模型，通过该模型，可以得到金属热塑蒸发微观表面扫描显示缺陷数量对于金属热塑蒸发程度修正值的权重因子和金属热塑蒸发射线光谱变化程度值对于金属热塑蒸发程度修正值的权重因子。
进一步的，得到金属热塑热应力影响值的具体步骤为：金属热塑热应力影响值用于表示金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平；设置金属热塑热应力监测点，在金属热塑热应力监测点下通过第二智能金属热塑采集设备采集金属热塑制造后的金属热塑热应力特征参数，通过金属热塑热应力特征参数使用有限元分析法构建有限元金属热塑热应力分析模型，通过有限元金属热塑热应力分析模型对金属热塑层厚分析，结合金属热塑生产环节实测数据匹配得到金属层厚影响匹配因子，结合金属热塑热应力温度参数由此分析得到金属热塑热应力影响值。
在本实施例中，金属热塑热应力影响值除了通过将金属材料加热至熔融状态，然后注入模具并进行冷却，分析具有不同热塑应力水平的试样得到以外，还能通过计算公式得到，具体计算公式如下：
式中，表示金属热塑热应力影响值，设置金属热塑热应力监测点，将金属热塑热应力监测点依次编号，/>，/>表示金属热塑热应力监测点的编号，/>表示金属热塑热应力监测点的编号总数，/>表示第/>个金属热塑热应力监测点的金属热塑表面温度，表示金属热塑熔点温度，/>表示金属热膨胀系数，/>表示第/>个金属热塑热应力监测点的金属层厚影响匹配因子，/>表示室温影响修正因子。
金属热塑熔点温度可以通过查阅合金金属的技术规格书或参考化学、材料科学相关书籍和在线数据库得到。
室温影响修正因子表示不同的室温会对金属热塑热应力影响值有不同的影响；可以通过多次实验得到不同室温对金属热塑热应力影响的程度水平分析得到室温影响修正因子。
对以上金属热塑热应力因素在不同金属热塑热应力监测点下求和平均再乘以平方，使得金属热塑热应力影响值公式图像变得更加陡峭，使得对金属热塑热应力影响评估效果更直观。
通过温度传感器测量金属热塑表面温度；常见的温度传感器包括热电偶、电阻温度探测器；通过熔点测试仪精确测量金属热塑的熔点温度；通过膨胀仪测量金属的热膨胀系数，测量材料尺寸随温度变化的情况；通过热机械分析仪或X射线衍射等设备测试材料的热性能；利用有限元分析等软件模拟金属热塑过程中的温度场和应力场。
进一步的，根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整的具体过程为：通过实测评估得到若干金属热塑蒸发程度修正值和若干金属热塑热应力影响值，将若干金属热塑蒸发程度修正值和若干金属热塑热应力影响值合并为金属热塑应力蒸发数据集，将金属热塑应力蒸发数据集加载在第一智能设备中，第一智能设备对金属热塑应力蒸发数据集进行数据预处理；构建金属热塑神经网络模型，通过第一智能设备设定模型结构、激活函数、优化器和损失函数；使用金属热塑应力蒸发数据集对金属热塑神经网络模型进行训练，得到金属热塑神经网络模型预测结果，根据金属热塑神经网络模型预测结果对金属热塑制造处理方案进行调整。
在本实施例中，通过第一智能设备设定模型结构、激活函数、优化器和损失函数通过导入相关的库，例如，在PyTorch中，可以使用torch库，在TensorFlow中，则通过要tf.keras，构建金属热塑神经网络模型，通过第一智能设备使用深度学习框架提供的API来定义模型结构，包括输入层、一个或多个隐藏层以及输出层，每一层都全连接到下一层，使用金属热塑应力蒸发数据集对金属热塑神经网络模型进行训练，这个过程中，模型会不断调整内部参数，以最小化损失函数值，从而提高预测的准确性
根据金属热塑神经网络模型预测结果对金属热塑制造处理方案进行调整，制定动态调整制造参数的策略，例如，如果模型预测蒸发不均匀性会增加，可以增加激光功率来提高熔化效率，或者减少走丝速度来降低热输入。
进一步的，对比得到金属热塑层间结合评估差值的具体过程为：通过智能金属热塑层间结合设备采集金属热塑层间结合参数，对收集到的数据进行数据清洗和数据归一化，得到金属热塑层间结合预处理参数；构建金属热塑层间结合评估深度学习模型，利用金属热塑层间结合预处理参数，对金属热塑层间结合评估深度学习模型进行训练，根据金属热塑层间结合评估深度学习模型的训练结果对金属热塑层间结合评估深度学习模型进行超参数调优；利用金属热塑层间结合评估深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，第一金属热塑层间结合评估值用于描述第一金属热塑层间结合质量水平，第二金属热塑层间结合评估值用于描述第二金属热塑层间结合质量水平；将第一金属热塑层间结合评估值和第二金属热塑层间结合评估值进行对比分析，得到金属热塑层间结合评估差值。
在本实施例中，金属热塑层间结合评估差值除了使用超声波、射线、磁粉等无损检测方法，评估层间的结合质量差异得到以外，还能通过计算公式得到，具体计算公式如下：
式中，表示金属热塑层间结合评估差值，/>表示第一金属热塑层间结合评估值，表示第二金属热塑层间结合评估值；
式中，设置金属热塑层间结合检测点，，/>表示金属热塑层间结合检测点的编号，/>表示金属热塑层间结合检测点的编号总数，设置/>，设置/>，当/>时，表示第一金属，当/>时，表示第二金属，/>表示第/>个金属热塑层间结合检测点的第一金属热塑层间结合剪切强度，/>表示第/>个金属热塑层间结合检测点的第二金属热塑层间结合剪切强度，/>表示第/>个金属热塑层间结合检测点的第一金属热塑层间结合剥离强度，/>表示第/>个金属热塑层间结合检测点的第二金属热塑层间结合剥离强度，/>表示第/>个金属热塑层间结合检测点的第一金属热塑层间表面轮廓算术平均偏差值，/>表示第/>个金属热塑层间结合检测点的第二金属热塑层间表面轮廓算术平均偏差值，/>表示第/>个金属热塑层间结合检测点的第一金属热塑层间表面孔隙率，/>表示第/>个金属热塑层间结合检测点的第二金属热塑层间表面孔隙率。
对以上金属热塑层间结合因素在不同金属热塑层间结合监测点下求和平均乘以平方再求自然对数，使得金属热塑热应力影响值公式图像变得更加集中，使得便于对金属热塑热应力影响评估效果进行分析。
通过剪切强度测试仪测量金属热塑层间的剪切强度；通过剥离强度测试仪：用于测量金属热塑层间的剥离强度；通过表面轮廓仪测量金属热塑层间的表面轮廓算术平均偏差值；通过孔隙率测试仪测量金属热塑层间的表面孔隙率。
金属热塑层间表面轮廓算术平均偏差值，在取样长度内，沿测量方向的金属热塑层间表面轮廓线上的点与基准线之间距离绝对值的算术平均值，用于描述金属热塑层间表面粗糙度。
进一步的，根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控的具体过程为：合金金属增材制造层间结合综合评估值用于表述金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平；若合金金属增材制造层间结合综合评估值不大于预设合金金属增材制造层间结合第一综合阈值，则不调整；若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第一综合阈值且不大于预设合金金属增材制造层间结合第二综合阈值，则提高合金金属增材制造层间结合时的金属热塑预热温度；若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第二综合阈值且不大于预设合金金属增材制造层间结合第三综合阈值，则重新评估调控合金金属增材制造层间结合时的金属热塑熔池温度；若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第三综合阈值，则重新评估调控合金金属增材制造层间结合时的金属热塑的激光扫描功率和激光扫描速度。
在本实施例中，如图2所示，为本申请实施例提供的对智能增材制造路径规划方案进行调控流程结构示意图；预设合金金属增材制造层间结合第一综合阈值用于表示金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平的合格阈值；预设合金金属增材制造层间结合第二综合阈值用于表示金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平已超过合格阈值，判断为不合格，但不合格程度较低，可以通过一些常用技术调整；预设合金金属增材制造层间结合第三综合阈值用于表示金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平已超过合格阈值，判断为不合格，但不合格程度较高，需要对技术方案整体调整。
预设合金金属增材制造层间结合第一综合阈值、预设合金金属增材制造层间结合第二综合阈值和预设合金金属增材制造层间结合第三综合阈值可以由通过实验数据分析得到，包括通过实验室进行小规模的实验，测试不同层间结合条件下的金属热塑应力水平，分析这些数据与增材制造质量之间的关系，从而得出第一综合阈值，对实验得到的数据进行统计分析，找出层间结合质量下降的趋势和程度，以及对应的预热温度调整值，据此设定第二综合阈值和第三综合阈值。
以下是一些方法来降低合金金属增材制造层间结合的负面影响：激光功率和扫描速度控制，激光功率和扫描速度影响熔池的稳定性，减少残余应力和孔隙率，提高层间结合质量；预热和后处理，对金属材料进行预热可以降低制造过程中的热应力，后处理如热处理和表面处理可以改善层间结合；层间温度控制，通过精确控制每一层的温度，保证熔池的均匀性和稳定性，从而提高层间结合；多物理场耦合分析，考虑温度、应力、流体动力学等多物理场之间的相互作用，对制造过程进行综合评估。
进一步的，合金金属增材制造层间结合综合评估值，具体计算公式为：
式中，表示合金金属增材制造层间结合综合评估值，/>表示金属粉末预处理水平修正值，/>表示金属热塑蒸发程度修正值，/>表示金属热塑热应力影响值，/>表示金属热塑层间结合评估差值，/>表示金属热塑添加融合剂修正因子。
在本实施例中，对以上合金金属增材制造层间结合综合因素通过双曲正切函数分析，使得合金金属增材制造层间结合综合评估值集中在0到1之间，使得便于对合金金属增材制造层间结合综合评估效果进行分析。
金属热塑添加融合剂修正因子可以通过以下步骤获得：使用选定的合金金属和融合剂，通过增材制造技术（如激光熔化、电子束熔化等）制备一系列样品，对制备的样品进行层间结合性能测试，例如拉伸测试、剪切测试，记录测试结果，包括最大承载力、断裂位置、应力-应变曲线；分析测试结果，比较不同实验条件下样品的层间结合性能，确定融合剂添加量与层间结合性能之间的关系；基于实验数据，建立一个数学模型，用以描述融合剂添加量对层间结合性能的影响，根据数学模型预测生成金属热塑添加融合剂修正因子。
如图3所示，为本申请实施例提供的基于深度学习的智能增材制造路径规划系统的结构示意图；本申请实施例提供的基于深度学习的智能增材制造路径规划系统包括金属粉末预处理分析调控模块、金属热塑制造处理分析调控模块、金属热塑层间结合处理分析模块和金属热塑层间结合处理调控模块；金属粉末预处理分析调控模块，用于获取金属粉末预处理参数，通过对金属粉末预处理参数分析评估，得到金属粉末预处理水平修正值，根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整；金属热塑制造处理分析调控模块，用于获取金属热塑制造处理参数，通过对金属热塑制造处理参数分析评估，得到金属热塑蒸发程度修正值，得到金属热塑热应力影响值，根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整；金属热塑层间结合处理分析模块，用于获取金属热塑层间结合处理参数，构建金属热塑层间结合深度学习模型，通过金属热塑层间结合深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，对比得到金属热塑层间结合评估差值，分析得到合金金属增材制造层间结合综合评估值；金属热塑层间结合处理调控模块，用于根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：相对于公告号为：CN114638138B的发明专利公告的一种各向异性的复合推进剂增材制造路径规划方法，本申请实施例通过金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整，热应力导致金属材料变形或破裂，通过评估和修正热应力影响值，从而可以有效地量化热应力的负面影响，进而实现了提高对金属热塑制造处理方案进行调整的科学性；相对于公告号为：CN113158269B的发明专利公告的曲面分层增材制造中的空间STL曲面等距路径规划方法，本申请实施例通过合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控，根据合金金属增材制造层间结合综合评估值与预设合金金属增材制造层间结合综合阈值对比分析，采取个性化的调控措施，从而更精确地解决结合问题，优化金属增材制造层间结合过程，进而实现了提高金属增材制造整体质量。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.基于深度学习的智能增材制造路径规划方法，其特征在于，包括以下步骤：
获取金属粉末预处理参数，通过对金属粉末预处理参数分析评估，得到金属粉末预处理水平修正值，根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整；
获取金属热塑制造处理参数，通过对金属热塑制造处理参数分析评估，得到金属热塑蒸发程度修正值，得到金属热塑热应力影响值，根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整；
获取金属热塑层间结合处理参数，构建金属热塑层间结合深度学习模型，通过金属热塑层间结合深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，对比得到金属热塑层间结合评估差值，分析得到合金金属增材制造层间结合综合评估值；
根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控。
2.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述得到金属粉末预处理水平修正值的具体步骤为：
所述金属粉末预处理水平修正值用于描述金属粉末预处理对于智能金属增材制造的影响水平；
设置金属粉末预处理监测点，在金属粉末预处理监测点下通过智能金属粉末采集设备采集金属粉末预处理后的金属材料特征参数，通过特征工程方法对金属粉末预处理后的金属材料特征参数进行特征选择，得到金属粉末预处理特征参数，将金属粉末预处理特征参数与金属智能增材制造数据标准库中的金属粉末预处理特征标准参数对比分析得到金属粉末预处理水平修正值；
所述金属粉末预处理特征标准参数由金属粉末预处理历史数据经过主成分分析算法训练分析得到。
3.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整的具体步骤为：
将金属粉末预处理水平修正值与金属智能增材制造数据标准库中的金属粉末预处理水平阈值对比分析，将金属粉末预处理水平修正值与金属粉末预处理水平阈值对比分析，若对应的两者差值大于预设金属粉末预处理允许差值，则判定金属粉末预处理水平为不合格，依次遍历金属粉末预处理参数，记录金属粉末预处理参数对应的金属粉末预处理方法流程并对金属粉末重新进行处理。
4.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述得到金属热塑蒸发程度修正值的具体步骤为：
所述金属热塑蒸发程度修正值用于指代金属热塑制造处理中金属热塑蒸发对于智能金属增材制造的影响水平；
设置金属热塑蒸发监测点，在金属热塑蒸发监测点下通过第一智能金属热塑采集设备采集金属热塑制造后的金属热塑特征参数，通过主成分分析法对金属热塑特征参数进行特征提取，得到金属热塑制造蒸发特征参数，将金属热塑制造蒸发特征参数与金属智能增材制造数据标准库中的金属热塑制造实验验证特征标准参数对比分析，得到金属热塑蒸发程度修正值；
所述金属热塑制造实验验证特征标准参数用于描述在实验模拟条件下的金属热塑制造时金属蒸发标准参数。
5.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述得到金属热塑热应力影响值的具体步骤为：
所述金属热塑热应力影响值用于表示金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平；
设置金属热塑热应力监测点，在金属热塑热应力监测点下通过第二智能金属热塑采集设备采集金属热塑制造后的金属热塑热应力特征参数，通过金属热塑热应力特征参数使用有限元分析法构建有限元金属热塑热应力分析模型，通过有限元金属热塑热应力分析模型对金属热塑层厚分析，结合金属热塑生产环节实测数据匹配得到金属层厚影响匹配因子，结合金属热塑热应力温度参数由此分析得到金属热塑热应力影响值。
6.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整的具体过程为：
通过实测评估得到若干金属热塑蒸发程度修正值和若干金属热塑热应力影响值，将若干金属热塑蒸发程度修正值和若干金属热塑热应力影响值合并为金属热塑应力蒸发数据集，将金属热塑应力蒸发数据集加载在第一智能设备中，第一智能设备对金属热塑应力蒸发数据集进行数据预处理；
构建金属热塑神经网络模型，通过第一智能设备设定模型结构、激活函数、优化器和损失函数；
使用金属热塑应力蒸发数据集对金属热塑神经网络模型进行训练，得到金属热塑神经网络模型预测结果，根据金属热塑神经网络模型预测结果对金属热塑制造处理方案进行调整。
7.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述对比得到金属热塑层间结合评估差值的具体过程为：
通过智能金属热塑层间结合设备采集金属热塑层间结合参数，对收集到的数据进行数据清洗和数据归一化，得到金属热塑层间结合预处理参数；
构建金属热塑层间结合评估深度学习模型，利用金属热塑层间结合预处理参数，对金属热塑层间结合评估深度学习模型进行训练，根据金属热塑层间结合评估深度学习模型的训练结果对金属热塑层间结合评估深度学习模型进行超参数调优；
利用金属热塑层间结合评估深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，所述第一金属热塑层间结合评估值用于描述第一金属热塑层间结合质量水平，所述第二金属热塑层间结合评估值用于描述第二金属热塑层间结合质量水平；
将第一金属热塑层间结合评估值和第二金属热塑层间结合评估值进行对比分析，得到金属热塑层间结合评估差值。
8.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控的具体过程为：
所述合金金属增材制造层间结合综合评估值用于表述金属热塑制造处理中金属热塑应力对于智能金属增材制造的影响水平；
若合金金属增材制造层间结合综合评估值不大于预设合金金属增材制造层间结合第一综合阈值，则不调整；
若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第一综合阈值且不大于预设合金金属增材制造层间结合第二综合阈值，则提高合金金属增材制造层间结合时的金属热塑预热温度；
若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第二综合阈值且不大于预设合金金属增材制造层间结合第三综合阈值，则重新评估调控合金金属增材制造层间结合时的金属热塑熔池温度；
若合金金属增材制造层间结合综合评估值大于预设合金金属增材制造层间结合第三综合阈值，则重新评估调控合金金属增材制造层间结合时的金属热塑的激光扫描功率和激光扫描速度。
9.如权利要求1所述基于深度学习的智能增材制造路径规划方法，其特征在于，所述合金金属增材制造层间结合综合评估值，具体计算公式为：
式中，表示合金金属增材制造层间结合综合评估值，/>表示金属粉末预处理水平修正值，/>表示金属热塑蒸发程度修正值，/>表示金属热塑热应力影响值，/>表示金属热塑层间结合评估差值，/>表示金属热塑添加融合剂修正因子。
10.基于深度学习的智能增材制造路径规划系统，其特征在于，所述基于深度学习的智能增材制造路径规划系统包括金属粉末预处理分析调控模块、金属热塑制造处理分析调控模块、金属热塑层间结合处理分析模块和金属热塑层间结合处理调控模块；
所述金属粉末预处理分析调控模块，用于获取金属粉末预处理参数，通过对金属粉末预处理参数分析评估，得到金属粉末预处理水平修正值，根据金属粉末预处理水平修正值对金属粉末预处理方案进行调整；
所述金属热塑制造处理分析调控模块，用于获取金属热塑制造处理参数，通过对金属热塑制造处理参数分析评估，得到金属热塑蒸发程度修正值，得到金属热塑热应力影响值，根据金属热塑蒸发程度修正值和金属热塑热应力影响值对金属热塑制造处理方案进行调整；
所述金属热塑层间结合处理分析模块，用于获取金属热塑层间结合处理参数，构建金属热塑层间结合深度学习模型，通过金属热塑层间结合深度学习模型分析得到第一金属热塑层间结合评估值和第二金属热塑层间结合评估值，对比得到金属热塑层间结合评估差值，分析得到合金金属增材制造层间结合综合评估值；
所述金属热塑层间结合处理调控模块，用于根据合金金属增材制造层间结合综合评估值对智能增材制造路径规划方案进行调控。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410584648.1A CN118171339B (zh) | 2024-05-13 | 2024-05-13 | 基于深度学习的智能增材制造路径规划方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410584648.1A CN118171339B (zh) | 2024-05-13 | 2024-05-13 | 基于深度学习的智能增材制造路径规划方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118171339A true CN118171339A (zh) | 2024-06-11 |
| CN118171339B CN118171339B (zh) | 2024-08-27 |
Family
ID=91355074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410584648.1A Active CN118171339B (zh) | 2024-05-13 | 2024-05-13 | 基于深度学习的智能增材制造路径规划方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118171339B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| US20220161329A1 (en) * | 2020-11-26 | 2022-05-26 | Industrial Technology Research Institute | Parameter analysis method and parameter analysis system for metal additive manufacturing |
| US20220219239A1 (en) * | 2020-10-13 | 2022-07-14 | The Texas A&M University System | Methods of designing printed metallic materials |
| CN117349720A (zh) * | 2023-09-06 | 2024-01-05 | 上海航天设备制造总厂有限公司 | 基于金属增材制造的原位质量评价方法及系统 |
-
2024
- 2024-05-13 CN CN202410584648.1A patent/CN118171339B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018217903A1 (en) * | 2017-05-24 | 2018-11-29 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| US20220219239A1 (en) * | 2020-10-13 | 2022-07-14 | The Texas A&M University System | Methods of designing printed metallic materials |
| US20220161329A1 (en) * | 2020-11-26 | 2022-05-26 | Industrial Technology Research Institute | Parameter analysis method and parameter analysis system for metal additive manufacturing |
| CN117349720A (zh) * | 2023-09-06 | 2024-01-05 | 上海航天设备制造总厂有限公司 | 基于金属增材制造的原位质量评价方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 吴志刚;苏安婕;李惠杰;王璐;: "基于层次分析与数据融合的综合评估方法", 河南大学学报(自然科学版), no. 05, 16 September 2013 (2013-09-16) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118171339B (zh) | 2024-08-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | Defect-correlated fatigue resistance of additively manufactured Al-Mg4. 5Mn alloy with in situ micro-rolling | |
| Kramer et al. | The third Sandia Fracture Challenge: predictions of ductile fracture in additively manufactured metal | |
| Mani et al. | Measurement science needs for real-time control of additive manufacturing powder-bed fusion processes | |
| He et al. | Size effect in fatigue modelling of defective materials: Application of the calibrated weakest-link theory | |
| Lu et al. | A new fatigue life model for thermally-induced cracking in H13 steel dies for die casting | |
| CN114065556B (zh) | 一种基于耗散能的变幅疲劳寿命预测方法 | |
| CN110722285A (zh) | 一种激光热丝焊接焊缝成形质量预测方法、系统及介质 | |
| Uyan et al. | Industry 4.0 foundry data management and supervised machine learning in low-pressure die casting quality improvement | |
| KR20210110661A (ko) | 해석 시스템 및 해석 방법 | |
| CN105677949A (zh) | Tc6钛合金锻件微观组织参数的预测方法 | |
| Liang et al. | A new data-driven probabilistic fatigue life prediction framework informed by experiments and multiscale simulation | |
| Rasaee et al. | Constitutive modeling of 2024 aluminum alloy based on the Johnson–Cook model | |
| JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
| Zhang et al. | A novel method to uniquely determine the parameters in Gurson–Tvergaard–Needleman model | |
| Singh et al. | A miniature physical simulator for pilgering | |
| Shang et al. | Large strain flow curve characterization considering strain rate and thermal effect for 5182-O aluminum alloy | |
| CN118171339B (zh) | 基于深度学习的智能增材制造路径规划方法及系统 | |
| Zhang et al. | In-situ microscopy testing of plasticity variation ahead of fatigue crack tip in AL2024-T3 | |
| Kanthi et al. | Flow Stress Modeling of Tube and Slab Route Sheets of Zircaloy-4 Using Machine Learning Techniques and Arrhenius Type Constitutive Equations | |
| Kusyi et al. | Improvement of the Technique of Optimal Technological Routes Planning for Machining of the Machine Parts Surfaces | |
| Lv et al. | Research on the evolution of residual stresses in the manufacturing process of TC4 alloy profile rolled ring | |
| Wang et al. | Experimental characterisation of in-plane shear behaviour of uncured thermoset prepregs | |
| Kitagawa et al. | Measurement of fatigue damage by randomly distributed small cracks data | |
| CN112926234A (zh) | 一种金属材料的高温拉伸测试及高温流变损伤模型构建方法 | |
| Springer et al. | Chaboche viscoplastic material model for process simulation of additively manufactured Ti-6Al-4 V parts |
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 |