CN118492636A - 一种激光增材制造件表面激光抛光的自适应控制方法 - Google Patents
一种激光增材制造件表面激光抛光的自适应控制方法 Download PDFInfo
- Publication number
- CN118492636A CN118492636A CN202410955157.3A CN202410955157A CN118492636A CN 118492636 A CN118492636 A CN 118492636A CN 202410955157 A CN202410955157 A CN 202410955157A CN 118492636 A CN118492636 A CN 118492636A
- Authority
- CN
- China
- Prior art keywords
- polishing
- defect
- coefficient
- target
- data
- 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
- 238000005498 polishing Methods 0.000 title claims abstract description 376
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000000654 additive Substances 0.000 title claims abstract description 18
- 230000000996 additive effect Effects 0.000 title claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 147
- 238000004519 manufacturing process Methods 0.000 claims abstract description 70
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000007517 polishing process Methods 0.000 claims abstract description 8
- 230000007547 defect Effects 0.000 claims description 120
- 238000012937 correction Methods 0.000 claims description 117
- 238000012549 training Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 24
- 238000010521 absorption reaction Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013145 classification model Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 230000002950 deficient Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000011282 treatment Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 239000011148 porous material Substances 0.000 claims description 3
- 238000012372 quality testing Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- 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
- Laser Beam Processing (AREA)
Abstract
本发明公开了一种激光增材制造件表面激光抛光的自适应控制方法，具体涉及激光抛光技术领域，包括获取目标制造件的材料特性数据，并在目标制造件的抛光过程中，获取在T时刻下激光抛光设备的当前抛光控制数据和制造件的粗糙评估系数；所述抛光控制数据包括激光功率、扫描速度和焦距；获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数；通过根据实时抛光评估系数和预测的未来抛光评估系数来动态调整抛光参数，提高抛光效率，及时调整参数使得激光抛光设备在制造过程中始终保持在最佳状态。
Description
技术领域
本发明涉及激光抛光技术领域，更具体地说，本发明涉及一种激光增材制造件表面激光抛光的自适应控制方法。
背景技术
激光增材制造（LAM）技术作为一种先进的制造技术，能够通过逐层材料的堆积来制造复杂的零件。这种技术不仅可以减少材料浪费，还能够实现传统制造方法难以实现的设计。然而，LAM技术在带来种种优势的同时，也存在一些技术挑战，尤其是在零件的表面质量方面。例如，LAM过程中，由于层与层之间的融合和材料沉积方式，常常会在制造出的零件表面产生毛刺、气孔、裂纹等缺陷。这些表面缺陷不仅影响零件的美观，更重要的是会削弱零件的机械性能和耐久性。因此，提高LAM零件的表面质量是提升其应用价值的关键。
传统的激光抛光（Laser Polishing，LP）技术被引入作为一种有效的后处理技术。通过使用高能激光对零件表面进行快速熔化和再固化，LP技术可以有效地平滑表面，减少或消除表面缺陷。然而，传统的激光抛光技术面临着参数固定以及质量控制较差等问题。
现有的技术通过将图像提取的纹理特征向量和激光抛光加工参数共同作为检测模型输入参数，提高粗糙度模型的检测精度和稳定性来实现制造件的粗抛光，例如，公开号为CN115979183A的中国专利申请公开了3D打印工件激光抛光表面粗糙度在机检测方法，上述方法虽能实现制造件抛光，提高制造件成品质量，但经发明人对上述方法以及现有技术进行研究和应用发现，上述方法以及现有技术至少存在以下部分缺陷：
1.由于缺乏有效的实时监控和自动调整机制，在处理复杂或不规则表面时效率较低，且可能需要多次重复处理才能达到理想的表面质量；
2.在抛光时，未设置制造件的粗抛光到精细抛光之间的转换，自适应控制能力较差，降低了生产效率和一致性。
为此，本发明提供了一种激光增材制造件表面激光抛光的自适应控制方法。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种激光增材制造件表面激光抛光的自适应控制方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种激光增材制造件表面激光抛光的自适应控制方法，包括：
步骤1：获取目标制造件的材料特性数据，并在目标制造件的抛光过程中，获取在T时刻下激光抛光设备的当前抛光控制数据和制造件的粗糙评估系数；T为大于零的整数；所述抛光控制数据包括激光功率、扫描速度和焦距；
步骤2：获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数；将当前抛光评估系数与预设第一评估系数阈值进行对比，判断是否生成精细抛光指令；
步骤3：若生成精细抛光指令，获取在T+a时刻下激光抛光设备的实时抛光控制数据；将当前抛光评估系数以及实时抛光控制数据输入至预构建的质量预测模型中，预测出目标制造件在T+a+b时刻下的未来抛光评估系数，a和b均为大于零的整数；
步骤4：根据在T+a+b时刻下的未来抛光评估系数判断目标制造件是否符合出厂质量标准，若符合，则继续根据实时抛光控制数据控制激光抛光设备；若不符合，则将当前抛光评估系数以及实时抛光控制数据输入预构建的抛光参数修正模型中，获取参数修正数据；
步骤5：重复步骤3-4，根据实时抛光控制数据或参数修正数据控制激光抛光设备对目标制造件进行自适应抛光，直至T+a+b时刻结束循环，完成对目标制造件的激光抛光，获得制造件成品。
进一步地，所述材料特性数据包括制造件的吸收系数、热导率和热膨胀系数；所述吸收系数是指目标制造件对激光能量的吸收程度；所述热导率是指目标制造件传导热量的能力；所述热膨胀系数是指目标制造件在扫描速度变化时长度或体积的变化率。
进一步地，获取所述制造件的粗糙评估系数，包括：
步骤a1：获取目标制造件的第i幅目标图像，对目标制造件的第i幅目标图像进行像素点区分，将像素点聚类形成的区域分割为识别区域，得到K个识别区域；i∈I；
步骤a2：将K个识别区域以图像的形式分别输入到预构建的第一缺陷识别模型中进行识别，得到缺陷识别结果，根据缺陷识别结果判断所述K个识别区域是否存在制造件缺陷区域，若不存在，则令i=i+1，并返回至步骤a1；若存在，则记录第i幅目标图像的缺陷面积和缺陷深度，并令i=i+1，并返回至步骤a1；
步骤a3：重复上述步骤a1～a2，直至i=I时，结束循环，得到目标制造件的制造件缺陷数据，所述制造件缺陷数据包括m个缺陷面积和m个缺陷深度，所述I为目标图像的总数，m、I为大于1的整数；
需要说明的是：I幅所述目标图像通过摄像机对目标制造件进行全方位拍摄获得；目标图像的个数由本领域技术人员根据制造件的大小或形状等需求设定，在此不做具体限定；
步骤a4：基于目标制造件的制造件缺陷数据计算目标制造件的粗糙评估系数，所述粗糙评估系数的计算公式为：
；
式中：表示粗糙评估系数，表示第幅目标图像中第个裂纹缺陷类型的制造件缺陷区域的缺陷面积，表示第幅目标图像中第个裂纹缺陷类型的制造件缺陷区域的缺陷深度；表示第幅目标图像中第个气孔缺陷类型的制造件缺陷区域的缺陷面积，表示第幅目标图像中第个气孔缺陷类型的制造件缺陷区域的缺陷深度，表示第幅目标图像中裂纹缺陷类型的权重因子，表示第幅目标图像中气孔缺陷类型的权重因子，E表示裂纹缺陷类型的制造件缺陷区域的数量，表示气孔缺陷类型的制造件缺陷区域的数量，其中，。
进一步地，所述预构建的第一缺陷识别模型的生成逻辑如下：
获取图像形式的第一历史数据，所述第一历史数据包括W幅不同制造件缺陷类型的目标图像，W为大于零的整数；所述制造件缺陷类型包括裂纹缺陷和气孔缺陷；
对W幅目标图像进行制造件缺陷类型标注，将制造件缺陷类型标注后的W幅目标图像作为缺陷识别训练数据，将缺陷识别训练数据划分为缺陷训练集和缺陷测试集；
构建分类网络，将缺陷训练集中的第w幅目标图像作为分类网络的输入，将缺陷训练集中的制造件缺陷类型标注作为分类网络的输出，对分类网络进行训练，得到初始缺陷识别网络；
利用缺陷测试集对初始缺陷识别网络进行模型验证，输出满足预设测试准确度的初始缺陷识别网络作为预构建的第一缺陷识别模型；所述分类网络为决策树分类模型、支持向量分类模型、随机森林分类模型或神经网络分类模型中的一种。
进一步地，所述获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，包括：
步骤b01：在抛光过程中，获取目标制造件的当前抛光图像，以及获取标准粗抛光图像；
步骤b02：根据预设相同划分规则将当前抛光图像和标准粗抛光图像均划分成Z个区域；
步骤b03：将当前抛光图像和标准粗抛光图像相同位置区域的像素点进行逐一比较，并记录当前抛光图像和标准粗抛光图像存在差异的差异区域。
步骤b04：统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为目标制造件的第一抛光系数。
进一步地，所述基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数，包括：
将目标制造件的材料特性数据中的吸收系数、热导率和热膨胀系数分别标记为、和；
提取粗糙评估系数，将粗糙评估系数、吸收系数、热导率、热膨胀系数以及第一抛光系数无量纲化处理后进行公式化计算，获得当前抛光评估系数，其计算公式如下：
式中：为当前抛光评估系数，为第一抛光系数，取对数函数；为粗糙评估系数的权重因子，为吸收系数的权重因子，为热导率的权重因子，为热膨胀系数的权重因子；、、和均大于零。
进一步地，所述将当前抛光评估系数与预设第一评估系数阈值进行对比，判断是否生成精细抛光指令，包括：
步骤b11：预设第一评估系数阈值，将当前抛光评估系数与预设第一评估系数阈值进行对比；
步骤b12：若当前抛光评估系数小于预设第一评估系数阈值，则不生成精细抛光指令，将对应的激光抛光设备继续以当前抛光控制数据对目标制造件进行粗抛光；
步骤b13：若当前抛光评估系数大于或等于预设第一评估系数阈值，则生成精细抛光指令，将对应的激光抛光设备的当前抛光控制数据调节为实时抛光控制数据，以对目标制造件进行精细抛光。
进一步地，所述实时抛光控制数据包括实时激光功率、实时扫描速度和实时焦距；所述预构建的质量预测模型，包括：
步骤c1：获取抛光质量历史数据，将所述抛光质量历史数据划分为抛光质量训练集和抛光质量测试集；其中，所述抛光质量历史数据包括当前抛光评估系数、实时抛光控制数据及对应的未来抛光评估系数；
步骤c2：构建第一机器学习模型，将抛光质量训练集中的当前抛光评估系数以及实时抛光控制数据作为第一机器学习模型的输入数据，将抛光质量训练集中的未来抛光评估系数作为第一机器学习模型的输出数据，对第一机器学习模型进行训练，得到初始第一机器学习模型；
步骤c3：利用抛光质量测试集对初始第一机器学习模型进行模型验证，输出小于等于预设测试误差的初始第一机器学习模型作为质量预测模型；所述第一机器学习模型为决策树回归、支持向量机回归、随机森林回归、长短时记忆网络或循环神经网络模型算法中的一种。
进一步地，根据在T+a+b时刻下的未来抛光评估系数判断目标制造件是否符合出厂质量标准，包括：
将预测的未来抛光评估系数与预设评估系数阈值区间进行比较；
若未来抛光评估系数属于预设评估系数阈值区间内，则判定在T+a+b时的目标制造件符合出厂质量标准；
若未来抛光评估系数不属于预设评估系数阈值区间内，则在T+a+b时的目标制造件不符合出厂质量标准；
进一步地，所述参数修正数据包括第一参数修正数据、第二参数修正数据和第三参数修正数据，所述第一参数修正数据为修正激光功率值，所述第二参数修正数据为修正扫描速度值，所述第三参数修正数据为修正焦距值；所述抛光参数修正模型包括用于反馈修正激光功率值的激光功率修正模型、用于反馈修正扫描速度值的扫描速度修正模型以及用于反馈修正焦距值的焦距修正模型；
所述用于反馈修正激光功率值的激光功率修正模型的训练过程，包括：
获取修正参数历史数据，将修正参数历史数据划分为修正训练集和修正测试集；所述修正参数历史数据包括当前抛光评估系数以及实时抛光控制数据及其对应的第一参数修正数据；
构建回归网络模型，将修正训练集中的当前抛光评估系数以及实时抛光控制数据作为回归网络模型的输入数据，将修正训练集中的第一参数修正数据作为回归网络模型输出数据，对回归网络模型进行训练，得到初始回归网络模型；
利用修正测试集对初始回归网络模型进行模型验证，输出小于或等于预设测试误差的初始回归网络模型作为用于反馈修正激光功率值的激光功率修正模型；所述回归网络模型具体为决策树回归、支持向量机回归、随机森林回归、长短时记忆网络或循环神经网络模型算法中的具体一种；
第二方面，本发明提供了一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的一种激光增材制造件表面激光抛光的自适应控制方法。
第三方面，本发明提供了一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行上述的一种激光增材制造件表面激光抛光的自适应控制方法。
本发明的技术效果和优点：
1.本发明通过根据实时抛光评估系数和预测的未来抛光评估系数来动态调整抛光参数，可以有效提高抛光效率，及时调整参数使得激光抛光设备在制造过程中始终保持在最佳状态，从而减少了不必要的抛光次数和时间浪费。
2.本发明基于当前抛光控制数据、实时抛光控制数据和参数修正数据，并根据抛光评估系数在不同抛光时刻的抛光需求，设置了目标制造件的粗抛光到精细抛光之间的转换，自适应控制能力强，减少了操作误差的可能性，提高了生产效率和一致性。
附图说明
图1为实施例1的方法流程图；
图2为实施例2的一种电子设备示意图；
图3为实施例3的一种计算机可读存储介质示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似的第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
实施例1
请参阅图1所示，本实施例公开提供了一种激光增材制造件表面激光抛光的自适应控制方法：
步骤1：获取目标制造件的材料特性数据，并在目标制造件的抛光过程中，获取在T时刻下激光抛光设备的当前抛光控制数据和制造件的粗糙评估系数；T为大于零的整数；所述抛光控制数据包括激光功率、扫描速度和焦距；
应当了解的是：所述材料特性数据包括制造件的吸收系数、热导率和热膨胀系数，所述制造件包括但不限于金属、塑料或其他材料，不同类型的制造件的材料特性数据通过实验测量获得。
具体的，所述吸收系数是指目标制造件对激光能量的吸收程度，通过大量实验对目标制造件进行测量获得，例如利用光谱测量技术，通过测量激光在不同波长下经过制造件后的光强度变化，来确定目标制造件在特定波长下的吸收系数；需要说明的是：吸收系数的数值越高，抛光难度越大。
所述热导率是指目标制造件传导热量的能力，通过热导率测量仪器进行热传导实验，测量目标制造件在不同扫描速度下的热传导速率来确定目标制造件的热导率；需要说明的是：热导率的数值越小，抛光难度越大。
所述热膨胀系数是指目标制造件在扫描速度变化时长度或体积的变化率；通过热膨胀仪器进行膨胀系数测量实验，测量目标制造件在不同扫描速度下的线膨胀或体膨胀来确定热膨胀系数；需要说明的是：热膨胀系数的数值越大，抛光难度越大。
需要说明的是：所述当前抛光控制数据和粗糙评估系数通过安装于激光抛光设备上的各种传感器和摄像头采集分析得到；所述传感器包括但不限于扫描速度传感器、激光功率传感器和焦距传感器等等。
在实施中，获取所述制造件的粗糙评估系数，包括：
步骤a1：获取目标制造件的第i幅目标图像，对目标制造件的第i幅目标图像进行像素点区分，将像素点聚类形成的区域分割为识别区域，得到K个识别区域；i∈I；
需要说明的是：对目标制造件的第i幅目标图像进行像素点区分，通过K-means聚类算法、边缘检测算法、基于像素颜色或强度的检测算法等中的一种方式实现，所述边缘检测算法包括但不限于Sobel或Canny检测算法等中的一种。
步骤a2：将K个识别区域以图像的形式分别输入到预构建的第一缺陷识别模型中进行识别，得到缺陷识别结果，根据缺陷识别结果判断所述K个识别区域是否存在制造件缺陷区域，若不存在，则令i=i+1，并返回至步骤a1；若存在，则记录第i幅目标图像的缺陷面积和缺陷深度，并令i=i+1，并返回至步骤a1；
其中，所述预构建的第一缺陷识别模型的生成逻辑如下：
获取图像形式的第一历史数据，所述第一历史数据包括W幅不同制造件缺陷类型的目标图像，W为大于零的整数；所述制造件缺陷类型包括裂纹缺陷和气孔缺陷；
对W幅目标图像进行制造件缺陷类型标注，将制造件缺陷类型标注后的W幅目标图像作为缺陷识别训练数据，将缺陷识别训练数据划分为缺陷训练集和缺陷测试集；
构建分类网络，将缺陷训练集中的第w幅目标图像作为分类网络的输入，将缺陷训练集中的制造件缺陷类型标注作为分类网络的输出，对分类网络进行训练，得到初始缺陷识别网络；
利用缺陷测试集对初始缺陷识别网络进行模型验证，输出满足预设测试准确度的初始缺陷识别网络作为预构建的第一缺陷识别模型。
需要说明的是：所述分类网络为决策树分类模型、支持向量分类模型、随机森林分类模型或神经网络分类模型中的一种。
步骤a3：重复上述步骤a1～a2，直至i=I时，结束循环，得到目标制造件的制造件缺陷数据，所述制造件缺陷数据包括m个缺陷面积和m个缺陷深度，所述I为目标图像的总数，m、I为大于1的整数；
需要说明的是：I幅所述目标图像通过摄像机对目标制造件进行全方位拍摄获得；目标图像的个数由本领域技术人员根据制造件的大小或形状等需求设定，在此不做具体限定。
步骤a4：基于目标制造件的制造件缺陷数据计算目标制造件的粗糙评估系数，所述粗糙评估系数的计算公式为：
；
式中：表示粗糙评估系数，表示第幅目标图像中第个裂纹缺陷类型的制造件缺陷区域的缺陷面积，表示第幅目标图像中第个裂纹缺陷类型的制造件缺陷区域的缺陷深度；表示第幅目标图像中第个气孔缺陷类型的制造件缺陷区域的缺陷面积，表示第幅目标图像中第个气孔缺陷类型的制造件缺陷区域的缺陷深度，表示第幅目标图像中裂纹缺陷类型的权重因子，表示第幅目标图像中气孔缺陷类型的权重因子，E表示裂纹缺陷类型的制造件缺陷区域的数量，表示气孔缺陷类型的制造件缺陷区域的数量，其中，。
步骤2：获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数；将当前抛光评估系数与预设第一评估系数阈值进行对比，判断是否生成精细抛光指令；
在实施中，所述获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，包括：
步骤b01：在抛光过程中，获取目标制造件的当前抛光图像，以及获取标准粗抛光图像；
需要说明的是：所述标准粗抛光图像存在若干张，并预存于系统数据库中，其根据目标制造件的具体数量确定，且根据目标制造件的类型进行提取；标准粗抛光图像为制造件完成粗抛光后得到的满足粗抛光要求的抛光拍摄图像。
步骤b02：根据预设相同划分规则将当前抛光图像和标准粗抛光图像均划分成Z个区域；
应当了解的是：当根据预设相同划分规则将当前抛光图像和标准粗抛光图像均划分成Z个区域时，所述当前抛光图像和标准粗抛光图像中区域的划分方式和区域的大小完全一致；
步骤b03：将当前抛光图像和标准粗抛光图像相同位置区域的像素点进行逐一比较，并记录当前抛光图像和标准粗抛光图像存在差异的差异区域。
需要说明的是：将当前抛光图像和标准粗抛光图像中相同位置的区域进行一一比较，两个相同位置的区域采用的比较方式为每个像素点进行逐一比较，若两个相同位置的区域存在差异的像素点超过一定的百分比，则判断两个相同位置的区域存在差异。
步骤b04：统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为目标制造件的第一抛光系数。
在实施中，所述基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数，包括：
将目标制造件的材料特性数据中的吸收系数、热导率和热膨胀系数分别标记为、和；
提取粗糙评估系数，将粗糙评估系数、吸收系数、热导率、热膨胀系数以及第一抛光系数无量纲化处理后进行公式化计算，获得当前抛光评估系数，其计算公式如下：
式中：为当前抛光评估系数，为第一抛光系数，取对数函数；为粗糙评估系数的权重因子，为吸收系数的权重因子，为热导率的权重因子，为热膨胀系数的权重因子；、、和均大于零。
需要说明的是：目标制造件的粗抛光完成率越高，粗糙评估系数越小，吸收系数越小，热导率越大，热膨胀系数越小；那么当前抛光评估系数数值越大，说明目标制造件越符合粗抛光质量要求。
在实施中，所述将当前抛光评估系数与预设第一评估系数阈值进行对比，判断是否生成精细抛光指令，包括：
步骤b11：预设第一评估系数阈值，将当前抛光评估系数与预设第一评估系数阈值进行对比；
步骤b12：若当前抛光评估系数小于预设第一评估系数阈值，则不生成精细抛光指令，说明目标制造件还未达到粗抛光质量要求，将对应的激光抛光设备继续以当前抛光控制数据对目标制造件进行粗抛光；
步骤b13：若当前抛光评估系数大于或等于预设第一评估系数阈值，则生成精细抛光指令，说明目标制造件达到粗抛光质量要求，将对应的激光抛光设备的当前抛光控制数据调节为实时抛光控制数据，以对目标制造件进行精细抛光。
步骤3：若生成精细抛光指令，获取在T+a时刻下激光抛光设备的实时抛光控制数据；将当前抛光评估系数以及实时抛光控制数据输入至预构建的质量预测模型中，预测出目标制造件在T+a+b时刻下的未来抛光评估系数，a和b均为大于零的整数；
所述实时抛光控制数据包括实时激光功率、实时扫描速度和实时焦距。
具体的，所述预构建的质量预测模型，包括：
步骤c1：获取抛光质量历史数据，将所述抛光质量历史数据划分为抛光质量训练集和抛光质量测试集；其中，所述抛光质量历史数据包括当前抛光评估系数、实时抛光控制数据及对应的未来抛光评估系数；
步骤c2：构建第一机器学习模型，将抛光质量训练集中的当前抛光评估系数以及实时抛光控制数据作为第一机器学习模型的输入数据，将抛光质量训练集中的未来抛光评估系数作为第一机器学习模型的输出数据，对第一机器学习模型进行训练，得到初始第一机器学习模型；
步骤c3：利用抛光质量测试集对初始第一机器学习模型进行模型验证，输出小于等于预设测试误差的初始第一机器学习模型作为质量预测模型；
需要说明的是：所述第一机器学习模型为决策树回归、支持向量机回归、随机森林回归、长短时记忆网络或循环神经网络等模型算法中的一种。
步骤4：根据在T+a+b时刻下的未来抛光评估系数判断目标制造件是否符合出厂质量标准，若符合，则继续根据实时抛光控制数据控制激光抛光设备；若不符合，则将当前抛光评估系数以及实时抛光控制数据输入预构建的抛光参数修正模型中，获取参数修正数据；
具体的，所述参数修正数据包括第一参数修正数据、第二参数修正数据和第三参数修正数据，所述第一参数修正数据为修正激光功率值，所述第二参数修正数据为修正扫描速度值，所述第三参数修正数据为修正焦距值；
在实施中，根据在T+a+b时刻下的未来抛光评估系数判断目标制造件是否符合出厂质量标准，包括：
将预测的未来抛光评估系数与预设评估系数阈值区间进行比较；
若未来抛光评估系数属于预设评估系数阈值区间内，则判定在T+a+b时的目标制造件符合出厂质量标准；
若未来抛光评估系数不属于预设评估系数阈值区间内，则在T+a+b时的目标制造件不符合出厂质量标准。
需要说明的是：目标制造件在T+a+b时完成精细抛光后，其未来抛光评估系数应当在预设的阈值范围内，才能被认定为符合质量标准。
具体的，所述抛光参数修正模型包括用于反馈修正激光功率值的激光功率修正模型、用于反馈修正扫描速度值的扫描速度修正模型以及用于反馈修正焦距值的焦距修正模型。
在一个具体实施方式中，所述用于反馈修正激光功率值的激光功率修正模型的训练过程，包括：
获取修正参数历史数据，将修正参数历史数据划分为修正训练集和修正测试集；所述修正参数历史数据包括当前抛光评估系数以及实时抛光控制数据及其对应的第一参数修正数据；
构建回归网络模型，将修正训练集中的当前抛光评估系数以及实时抛光控制数据作为回归网络模型的输入数据，将修正训练集中的第一参数修正数据作为回归网络模型输出数据，对回归网络模型进行训练，得到初始回归网络模型；
利用修正测试集对初始回归网络模型进行模型验证，输出小于或等于预设测试误差的初始回归网络模型作为用于反馈修正激光功率值的激光功率修正模型。
需要说明的是：所述回归网络模型具体为决策树回归、支持向量机回归、随机森林回归、长短时记忆网络或循环神经网络等模型算法中的具体一种。
还需要说明的是：用于反馈修正扫描速度值的扫描速度修正模型以及用于反馈修正焦距值的焦距修正模型的生成逻辑，同上述用于反馈修正激光功率值的激光功率修正模型的生成过程，详情参照上文，对其不作过多赘述。
进一步说明就是，用于反馈修正激光功率值的激光功率修正模型的输出数据为第一参数修正数据，用于反馈修正扫描速度值的扫描速度修正模型的输出数据为第二参数修正数据，而用于反馈修正焦距值的焦距修正模型的输出数据为第三参数修正数据。
步骤5：重复步骤3-4，根据实时抛光控制数据或参数修正数据控制激光抛光设备对目标制造件进行自适应抛光，直至T+a+b时刻结束循环，完成对目标制造件的激光抛光，获得制造件成品；
需要说明的是：上述步骤是将激光抛光设备的控制参数从当前抛光控制数据调整到实时抛光控制数据或参数修正数据的自适应控制过程。
进一步地示例性说明的是，假设在T时刻当前抛光控制数据分别为1000瓦的激光功率、150毫米/秒的扫描速度以及100毫米的焦距，再根据上述的分析，接收到精细抛光指令时，通过T+a时刻的实时抛光控制数据控制激光抛光设备，再基于上述过程进行分析，预测T+a+b时刻的未来抛光评估系数是否符合预设评估系数阈值区间内，若符合，则持续以实时抛光控制数据控制激光抛光设备，若不符合，则需要获取参数修正数据，若参数修正数据分别为2000瓦的激光功率、60毫米/秒的扫描速度以及60毫米的焦距，则通过参数修正数据控制激光抛光设备，使T+a+b时刻的未来抛光评估系数符合预设评估系数阈值区间内，得到目标制造件符合出厂质量标准。
应当明白的是：通过抛光时间不断流逝，系统在此过程中会不间断进行自适应参数调整和控制，以保证在T+a+b时刻制得目标制造件符合出厂质量标准，进而在既定时间内避免目标制造件抛光过度，或避免目标制造件的抛光质量不达标。
上述中涉及的公式均是去除量纲取其数值计算，是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得；权重因子的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权重因子的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数；只要不影响参数与量化后数值的比例关系即可。
本实施例步骤1：通过获取目标制造件的材料特性数据，并在目标制造件的抛光过程中，获取在T时刻下激光抛光设备的当前抛光控制数据和制造件的粗糙评估系数；T为大于零的整数；所述抛光控制数据包括激光功率、扫描速度和焦距；步骤2：获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数；将当前抛光评估系数与预设第一评估系数阈值进行对比，判断是否生成精细抛光指令；步骤3：若生成精细抛光指令，获取在T+a时刻下激光抛光设备的实时抛光控制数据；将当前抛光评估系数以及实时抛光控制数据输入至预构建的质量预测模型中，预测出目标制造件在T+a+b时刻下的未来抛光评估系数，a和b均为大于零的整数；步骤4：根据在T+a+b时刻下的未来抛光评估系数判断目标制造件是否符合出厂质量标准，若符合，则继续根据实时抛光控制数据控制激光抛光设备；若不符合，则将当前抛光评估系数以及实时抛光控制数据输入预构建的抛光参数修正模型中，获取参数修正数据，M为大于零的整数；步骤5：重复步骤3-4，根据实时抛光控制数据或参数修正数据控制激光抛光设备对目标制造件进行自适应抛光，直至T+a+b时刻结束循环，完成对目标制造件的激光抛光，获得制造件成品。本实施例通过根据实时抛光评估系数和预测的未来抛光评估系数来动态调整抛光参数，可以有效提高抛光效率，及时调整参数使得激光抛光设备在制造过程中始终保持在最佳状态，从而减少了不必要的抛光次数和时间浪费；
本实施例基于当前抛光控制数据、实时抛光控制数据和参数修正数据，并根据抛光评估系数在不同抛光时刻的抛光需求，设置了目标制造件的粗抛光到精细抛光之间的转换，自适应控制能力强，减少了操作误差的可能性，提高了生产效率和一致性。
实施例2
请参阅图2所示，本实施例提供了一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行实施例1的一种激光增材制造件表面激光抛光的自适应控制方法。
实施例3
请参阅图3所示，本实施例提供了一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行实施例1的一种激光增材制造件表面激光抛光的自适应控制方法。
上述中涉及的公式均是去除量纲取其数值计算，是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的权重因子以及分析过程中各个预设的阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得；权重因子的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权重因子的大小，取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的处理系数；只要不影响参数与量化后数值的比例关系即可。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，包括：步骤1：获取目标制造件的材料特性数据，并在目标制造件的抛光过程中，获取在T时刻下激光抛光设备的当前抛光控制数据和制造件的粗糙评估系数；T为大于零的整数；所述抛光控制数据包括激光功率、扫描速度和焦距；
步骤2：获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数；将当前抛光评估系数与预设第一评估系数阈值进行对比，判断是否生成精细抛光指令；
步骤3：若生成精细抛光指令，获取在T+a时刻下激光抛光设备的实时抛光控制数据；将当前抛光评估系数以及实时抛光控制数据输入至预构建的质量预测模型中，预测出目标制造件在T+a+b时刻下的未来抛光评估系数，a和b均为大于零的整数；
步骤4：根据在T+a+b时刻下的未来抛光评估系数判断目标制造件是否符合出厂质量标准，若符合，则继续根据实时抛光控制数据控制激光抛光设备；若不符合，则将当前抛光评估系数以及实时抛光控制数据输入预构建的抛光参数修正模型中，获取参数修正数据；
步骤5：重复步骤3-4，根据实时抛光控制数据或参数修正数据控制激光抛光设备对目标制造件进行自适应抛光，直至T+a+b时刻结束循环，完成对目标制造件的激光抛光，获得制造件成品。
2.根据权利要求1所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，所述材料特性数据包括制造件的吸收系数、热导率和热膨胀系数；所述吸收系数是指目标制造件对激光能量的吸收程度；所述热导率是指目标制造件传导热量的能力；所述热膨胀系数是指目标制造件在扫描速度变化时长度或体积的变化率。
3.根据权利要求2所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，获取所述制造件的粗糙评估系数，包括：
步骤a1：获取目标制造件的第i幅目标图像，对目标制造件的第i幅目标图像进行像素点区分，将像素点聚类形成的区域分割为识别区域，得到K个识别区域；i∈I；
步骤a2：将K个识别区域以图像的形式分别输入到预构建的第一缺陷识别模型中进行识别，得到缺陷识别结果，根据缺陷识别结果判断所述K个识别区域是否存在制造件缺陷区域，若不存在，则令i=i+1，并返回至步骤a1；若存在，则记录第i幅目标图像的缺陷面积和缺陷深度，并令i=i+1，并返回至步骤a1；
步骤a3：重复上述步骤a1～a2，直至i=I时，结束循环，得到目标制造件的制造件缺陷数据，所述制造件缺陷数据包括m个缺陷面积和m个缺陷深度，所述I为目标图像的总数，m、I为大于1的整数；
步骤a4：基于目标制造件的制造件缺陷数据计算目标制造件的粗糙评估系数，所述粗糙评估系数的计算公式为：
；
式中：表示粗糙评估系数，表示第幅目标图像中第个裂纹缺陷类型的制造件缺陷区域的缺陷面积，表示第幅目标图像中第个裂纹缺陷类型的制造件缺陷区域的缺陷深度；表示第幅目标图像中第个气孔缺陷类型的制造件缺陷区域的缺陷面积，表示第幅目标图像中第个气孔缺陷类型的制造件缺陷区域的缺陷深度，表示第幅目标图像中裂纹缺陷类型的权重因子，表示第幅目标图像中气孔缺陷类型的权重因子，E表示裂纹缺陷类型的制造件缺陷区域的数量，表示气孔缺陷类型的制造件缺陷区域的数量，其中，。
4.根据权利要求3所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，所述预构建的第一缺陷识别模型的生成逻辑如下：
获取图像形式的第一历史数据，所述第一历史数据包括W幅不同制造件缺陷类型的目标图像，W为大于零的整数；所述制造件缺陷类型包括裂纹缺陷和气孔缺陷；
对W幅目标图像进行制造件缺陷类型标注，将制造件缺陷类型标注后的W幅目标图像作为缺陷识别训练数据，将缺陷识别训练数据划分为缺陷训练集和缺陷测试集；
构建分类网络，将缺陷训练集中的第w幅目标图像作为分类网络的输入，将缺陷训练集中的制造件缺陷类型标注作为分类网络的输出，对分类网络进行训练，得到初始缺陷识别网络；
利用缺陷测试集对初始缺陷识别网络进行模型验证，输出满足预设测试准确度的初始缺陷识别网络作为预构建的第一缺陷识别模型；所述分类网络为决策树分类模型、支持向量分类模型、随机森林分类模型或神经网络分类模型中的一种。
5.根据权利要求4所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，所述获取目标制造件的当前抛光图像，基于当前抛光图像获取第一抛光系数，包括：
步骤b01：在抛光过程中，获取目标制造件的当前抛光图像，以及获取标准粗抛光图像；
步骤b02：根据预设相同划分规则将当前抛光图像和标准粗抛光图像均划分成Z个区域；
步骤b03：将当前抛光图像和标准粗抛光图像相同位置区域的像素点进行逐一比较，并记录当前抛光图像和标准粗抛光图像存在差异的差异区域；
步骤b04：统计存在差异的差异区域的数量，得到差异区域总数，将差异区域总数作为目标制造件的第一抛光系数。
6.根据权利要求5所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，所述基于粗糙评估系数、材料特性数据以及第一抛光系数，计算出对应的当前抛光评估系数，包括：
将目标制造件的材料特性数据中的吸收系数、热导率和热膨胀系数分别标记为、和；
提取粗糙评估系数，将粗糙评估系数、吸收系数、热导率、热膨胀系数以及第一抛光系数无量纲化处理后进行公式化计算，获得当前抛光评估系数，其计算公式如下：
；
式中：为当前抛光评估系数，为第一抛光系数，取对数函数；为粗糙评估系数的权重因子，为吸收系数的权重因子，为热导率的权重因子，为热膨胀系数的权重因子；、、和均大于零。
7.根据权利要求6所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，所述将当前抛光评估系数与预设第一评估系数阈值进行对比，判断是否生成精细抛光指令，包括：
步骤b11：预设第一评估系数阈值，将当前抛光评估系数与预设第一评估系数阈值进行对比；
步骤b12：若当前抛光评估系数小于预设第一评估系数阈值，则不生成精细抛光指令，将对应的激光抛光设备继续以当前抛光控制数据对目标制造件进行粗抛光；
步骤b13：若当前抛光评估系数大于或等于预设第一评估系数阈值，则生成精细抛光指令，将对应的激光抛光设备的当前抛光控制数据调节为实时抛光控制数据，以对目标制造件进行精细抛光。
8.根据权利要求7所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，所述实时抛光控制数据包括实时激光功率、实时扫描速度和实时焦距；所述预构建的质量预测模型，包括：
步骤c1：获取抛光质量历史数据，将所述抛光质量历史数据划分为抛光质量训练集和抛光质量测试集；其中，所述抛光质量历史数据包括当前抛光评估系数、实时抛光控制数据及对应的未来抛光评估系数；
步骤c2：构建第一机器学习模型，将抛光质量训练集中的当前抛光评估系数以及实时抛光控制数据作为第一机器学习模型的输入数据，将抛光质量训练集中的未来抛光评估系数作为第一机器学习模型的输出数据，对第一机器学习模型进行训练，得到初始第一机器学习模型；
步骤c3：利用抛光质量测试集对初始第一机器学习模型进行模型验证，输出小于等于预设测试误差的初始第一机器学习模型作为质量预测模型；所述第一机器学习模型为决策树回归、支持向量机回归、随机森林回归、长短时记忆网络或循环神经网络模型算法中的一种。
9.根据权利要求8所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，根据在T+a+b时刻下的未来抛光评估系数判断目标制造件是否符合出厂质量标准，包括：
将预测的未来抛光评估系数与预设评估系数阈值区间进行比较；
若未来抛光评估系数属于预设评估系数阈值区间内，则判定在T+a+b时的目标制造件符合出厂质量标准；
若未来抛光评估系数不属于预设评估系数阈值区间内，则在T+a+b时的目标制造件不符合出厂质量标准。
10.根据权利要求9所述的一种激光增材制造件表面激光抛光的自适应控制方法，其特征在于，所述参数修正数据包括第一参数修正数据、第二参数修正数据和第三参数修正数据，所述第一参数修正数据为修正激光功率值，所述第二参数修正数据为修正扫描速度值，所述第三参数修正数据为修正焦距值；所述抛光参数修正模型包括用于反馈修正激光功率值的激光功率修正模型、用于反馈修正扫描速度值的扫描速度修正模型以及用于反馈修正焦距值的焦距修正模型；
所述用于反馈修正激光功率值的激光功率修正模型的训练过程，包括：
获取修正参数历史数据，将修正参数历史数据划分为修正训练集和修正测试集；所述修正参数历史数据包括当前抛光评估系数以及实时抛光控制数据及其对应的第一参数修正数据；
构建回归网络模型，将修正训练集中的当前抛光评估系数以及实时抛光控制数据作为回归网络模型的输入数据，将修正训练集中的第一参数修正数据作为回归网络模型输出数据，对回归网络模型进行训练，得到初始回归网络模型；
利用修正测试集对初始回归网络模型进行模型验证，输出小于或等于预设测试误差的初始回归网络模型作为用于反馈修正激光功率值的激光功率修正模型；所述回归网络模型具体为决策树回归、支持向量机回归、随机森林回归、长短时记忆网络或循环神经网络模型算法中的具体一种。
11.一种电子设备，其特征在于，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-10中任一项所述的一种激光增材制造件表面激光抛光的自适应控制方法。
12.一种计算机可读存储介质，其特征在于，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-10中任一项所述的一种激光增材制造件表面激光抛光的自适应控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410955157.3A CN118492636B (zh) | 2024-07-17 | 2024-07-17 | 一种激光增材制造件表面激光抛光的自适应控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410955157.3A CN118492636B (zh) | 2024-07-17 | 2024-07-17 | 一种激光增材制造件表面激光抛光的自适应控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118492636A true CN118492636A (zh) | 2024-08-16 |
| CN118492636B CN118492636B (zh) | 2024-09-27 |
Family
ID=92233094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410955157.3A Active CN118492636B (zh) | 2024-07-17 | 2024-07-17 | 一种激光增材制造件表面激光抛光的自适应控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118492636B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112102268A (zh) * | 2020-09-01 | 2020-12-18 | 北京航空航天大学 | 一种基于机器学习打磨超薄掩膜版的智能化激光抛光模块 |
| US20230103837A1 (en) * | 2020-01-31 | 2023-04-06 | Fanuc Corporation | Machine learning device, machined state prediction device, and control device |
| CN116631547A (zh) * | 2023-05-26 | 2023-08-22 | 郑州磨料磨具磨削研究所有限公司 | 激光抛光金刚石表面微观地貌和粗糙度模拟预测分析方法 |
| CN116985021A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市永霖科技有限公司 | 一种智能抛光装置和方法 |
| CN117161892A (zh) * | 2023-10-25 | 2023-12-05 | 苏州博宏源机械制造有限公司 | 一种基于抛光材料属性检测的抛光组件智能控制系统 |
-
2024
- 2024-07-17 CN CN202410955157.3A patent/CN118492636B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230103837A1 (en) * | 2020-01-31 | 2023-04-06 | Fanuc Corporation | Machine learning device, machined state prediction device, and control device |
| CN112102268A (zh) * | 2020-09-01 | 2020-12-18 | 北京航空航天大学 | 一种基于机器学习打磨超薄掩膜版的智能化激光抛光模块 |
| CN116631547A (zh) * | 2023-05-26 | 2023-08-22 | 郑州磨料磨具磨削研究所有限公司 | 激光抛光金刚石表面微观地貌和粗糙度模拟预测分析方法 |
| CN116985021A (zh) * | 2023-09-27 | 2023-11-03 | 深圳市永霖科技有限公司 | 一种智能抛光装置和方法 |
| CN117161892A (zh) * | 2023-10-25 | 2023-12-05 | 苏州博宏源机械制造有限公司 | 一种基于抛光材料属性检测的抛光组件智能控制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118492636B (zh) | 2024-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6701615B2 (en) | Inspection and sorting system and method for part repair | |
| Samie Tootooni et al. | Classifying the dimensional variation in additive manufactured parts from laser-scanned three-dimensional point cloud data using machine learning approaches | |
| CN107945161A (zh) | 基于纹理特征提取的道路表面缺陷检测方法 | |
| CN112884768B (zh) | 基于神经网络的3d打印在线质量监测方法、系统、装置 | |
| CN109085178B (zh) | 一种用于增材制造的缺陷指纹精确在线监测和反馈方法 | |
| Simunovic et al. | Surface roughness assessing based on digital image features | |
| CN108008006B (zh) | 一种焊缝缺陷检测方法、装置、设备及系统 | |
| Yi et al. | Machine vision based statistical process control in fused deposition modeling | |
| CN117974665B (zh) | 基于计算机视觉的金属模具在线检测方法及设备 | |
| Tang et al. | An online surface defects detection system for AWAM based on deep learning | |
| CN115115578B (zh) | 一种增材制造过程中的缺陷检测方法及系统 | |
| CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统 | |
| Chaudhari | Steel surface defect detection using glcm, gabor wavelet, hog, and random forest classifier | |
| CN118052818B (zh) | 一种砂型3d打印机的表面质量视觉检测方法 | |
| CN118492636B (zh) | 一种激光增材制造件表面激光抛光的自适应控制方法 | |
| CN117132600B (zh) | 基于图像的注塑制品质量检测系统及其方法 | |
| Xu et al. | The steel surface multiple defect detection and size measurement system based on improved yolov5 | |
| Sun et al. | Post-slicing inspection of silicon wafers using the HJ-PSO algorithm under machine vision | |
| Liu et al. | Detection and quantitative evaluation of surface defects in wire and arc additive manufacturing based on 3D point cloud | |
| Imani et al. | Image-guided multi-response modeling and characterization of design defects in metal additive manufacturing | |
| Xue et al. | Detection of Various Types of Metal Surface Defects Based on Image Processing. | |
| Alegre et al. | Computer vision and classification techniques on the surface finish control in machining processes | |
| Yunhui et al. | The strip steel surface defects classification method based on weak classifier adaptive enhancement | |
| Sambandam et al. | Intelligent surface defect detection for submersible pump impeller using MobileNet V2 architecture | |
| Zabulis et al. | Application of computer vision methods for automated wooden planks length measurement |
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 |