一种激光增材制造的缺陷在线监测方法
阅读：345发布：2020-05-12
专利汇可以提供一种激光增材制造的缺陷在线监测方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种激光 增材制造 的 缺陷 在线监测方法，包括以下步骤：利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的 预测模型 ；实时采集熔池形貌，并对熔池形貌进行 三维重建 ；判断实时采集的熔池形貌和三维重建是否存在缺陷，当存在缺陷时，根据激光增材制造影响因子对应的熔池形貌三维构建数据关系调整激光增材制造影响因子，使得所述熔池形貌和三维重建克服缺陷。其实现激光增材制造的在线监测与控制，简单可靠。，下面是一种激光增材制造的缺陷在线监测方法专利的具体信息内容。
1.一种激光增材制造的缺陷在线监测方法，其特征在于，包括以下步骤：
利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型；
实时采集熔池形貌，并对熔池形貌进行三维重建；
判断实时采集的熔池形貌和三维重建是否存在缺陷，当存在缺陷时，根据激光增材制造影响因子对应的熔池形貌三维构建数据关系调整激光增材制造影响因子，使得所述熔池形貌和三维重建克服缺陷。
2.如权利要求1所述的激光增材制造的缺陷在线监测方法，其特征在于，所述激光增材制造影响因子为激光功率、激光扫描速度、送粉速度或铺粉厚度。
3.如权利要求2所述的激光增材制造的缺陷在线监测方法，其特征在于，所述“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：
改变单个激光增材制造影响因子的大小，并采集对应熔池形貌的三维数据；
构建激光增材制造影响因子与熔池形貌的三维数据的关系的一组神经网络预测模型。
4.如权利要求1所述的激光增材制造的缺陷在线监测方法，其特征在于，所述激光增材制造影响因子为激光功率、激光扫描速度、送粉速度或铺粉厚度中的两个或多个。
5.如权利要求4所述的激光增材制造的缺陷在线监测方法，其特征在于，所述“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：
依次改变多个激光增材制造影响因子的大小，并采集对应熔池形貌的三维数据；
构建激光增材制造影响因子与熔池形貌的三维数据的关系的多组神经网络预测模型。
6.如权利要求5所述的激光增材制造的缺陷在线监测方法，其特征在于，所述“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：
固定激光扫描速度和激光送粉速率或铺粉厚度，变化不同的激光功率进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同激光功率下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T1；
固定激光功率和激光送粉速率或铺粉厚度，改变激光扫描速度进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同激光扫描速度下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T2；
固定激光功率和激光扫描速度，改变送粉速率或铺粉厚度进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同送粉速率或铺粉厚度下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T3；
根据所述有效关系式T1、所述有效关系式T2和所述有效关系式T3，确定不同激光功率、激光扫描速度、不同送粉速率或铺粉厚度下激光扫描功率与熔池形貌及CT三维数据的有效关系式T4并存储。
7.如权利要求1所述的激光增材制造的缺陷在线监测方法，其特征在于，所述“判断实时采集的熔池形貌和三维重建是否存在缺陷”，具体包括：
判断实时采集的熔池形貌和三维重建是否存在气孔缺陷和气孔缺陷的类型。
8.如权利要求7所述的激光增材制造的缺陷在线监测方法，其特征在于，所述“判断实时采集的熔池形貌和三维重建是否存在气孔缺陷和气孔缺陷的类型”，具体包括：
以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷；密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和三维空间的位置。
9.如权利要求1所述的激光增材制造的缺陷在线监测方法，其特征在于，所述“采集熔池形貌”，具体包括：
采用高速摄像热成像仪记录熔池形貌和利用工业CT进行逐点扫描。
一种激光增材制造的缺陷在线监测方法
技术领域
[0001] 本发明涉及激光增材制造技术领域，具体涉及一种激光增材制造的缺陷在线监测方法。
背景技术
[0002] 激光增材制造的过程不同于传统材料的减材制造，传统减材制造在经过铸造、锻造、加工后，采用X射线、超声等检测方法来确定材料是否合格，对于不合格的产品做报废处理或者采用焊接等方法进行补救。但激光增材制造由于是采用层层叠加而生产出来的，如同盖楼房一样层层累加，在盖楼房时(等同增材制造加工过程中)，如果不能发现缺陷，将带来巨大的损失，因此在线监测非常重要，在监测与监控的质量监控方面要显著区别于传统的制造方法。
[0003] 对增材制造来说，通常情况下，每一道激光扫描能熔化并重新凝固数层粉末，粉末层的厚度通常为20μm至几个mm。在每一次激光照射后将额外的粉末从工作区刮掉(铺粉)或者直接送上新的粉末(送粉)进行熔化，然后重复上述过程，直到构建出一个坚固的三维(3D)零件。每一个“构建”过程包含数以千计的分层，因此每次运行需要花费几小时、几十到几百个小时。每一次“构建”可以生成数十个相同或不同的零件。
[0004] 综合上述问题一起考虑，特别是那些对结构起到关键作用的零件，广泛应用增材制造技术所要面临的重大挑战是成品的合格性以及如何检定其合格性。最近，关于增材制造的一些报道都在呼吁借助在线、闭环的过程控制和传感器来确保增材制造的质量、一致性和再现性。
[0005] 随着轮船、航空航天、轨道交通等行业的高速发展，在激光设备价格下降、自动化程度提高的影响下，对增材制造质量的要求越来越高，现有的质量检测方法已无法满足现有制造业对激光增材制造的质量要求和自动化的现实需求。
发明内容
[0006] 本发明要解决的技术问题是提供一种激光增材制造的缺陷在线监测方法，其实现激光增材制造的在线监测与控制，简单可靠。
[0007] 为了解决上述技术问题，本发明提供了一种激光增材制造的缺陷在线监测方法，包括以下步骤：
[0008] 利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型；
[0009] 实时采集熔池形貌，并对熔池形貌进行三维重建；
[0010] 判断实时采集的熔池形貌和三维重建是否存在缺陷，当存在缺陷时，根据激光增材制造影响因子对应的熔池形貌三维构建数据关系调整激光增材制造影响因子，使得所述熔池形貌和三维重建克服缺陷。
[0011] 作为优选的，所述激光增材制造影响因子为激光功率、激光扫描速度、送粉速度或铺粉厚度。
[0012] 作为优选的，所述“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：
[0013] 改变单个激光增材制造影响因子的大小，并采集对应熔池形貌的三维数据；
[0014] 构建激光增材制造影响因子与熔池形貌的三维数据的关系的一组神经网络预测模型。
[0015] 作为优选的，所述激光增材制造影响因子为激光功率、激光扫描速度、送粉速度或铺粉厚度中的两个或多个。
[0016] 作为优选的，所述“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：
[0017] 依次改变多个激光增材制造影响因子的大小，并采集对应熔池形貌的三维数据；
[0018] 构建激光增材制造影响因子与熔池形貌的三维数据的关系的多组神经网络预测模型。
[0019] 作为优选的，所述“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：
[0020] 固定激光扫描速度和激光送粉速率或铺粉厚度，变化不同的激光功率进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同激光功率下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T1；
[0021] 固定激光功率和激光送粉速率或铺粉厚度，改变激光扫描速度进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同激光扫描速度下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T2；
[0022] 固定激光功率和激光扫描速度，改变送粉速率或铺粉厚度进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同送粉速率或铺粉厚度下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T3；
[0023] 根据所述有效关系式T1、所述有效关系式T2和所述有效关系式T3，确定不同激光功率、激光扫描速度、不同送粉速率或铺粉厚度下激光扫描功率与熔池形貌及CT三维数据的有效关系式T4并存储。
[0024] 作为优选的，所述“判断实时采集的熔池形貌和三维重建是否存在缺陷”，具体包括：
[0025] 判断实时采集的熔池形貌和三维重建是否存在气孔缺陷和气孔缺陷的类型。
[0026] 作为优选的，所述“判断实时采集的熔池形貌和三维重建是否存在气孔缺陷和气孔缺陷的类型”，具体包括：
[0028] 作为优选的，所述“采集熔池形貌”，具体包括：
[0029] 采用高速摄像热成像仪记录熔池形貌和和利用工业CT进行逐点扫描。
[0030] 本发明的有益效果：
[0031] 1、本发明能够实现激光增材制造的在线监测与控制的目的，变事后检测为事中干预，对发展绿色制造、智能制造、增材制造具有更为深远的现实意义，同时可以避免事后破坏性检测不易操作、损失巨大的弊端。
[0032] 2、本发明采用判断实时采集的熔池形貌和三维重建是否存在缺陷，当存在缺陷时，根据激光增材制造影响因子对应的熔池形貌三维构建数据关系调整激光增材制造影响因子，使得所述熔池形貌和三维重建克服缺陷。
[0034] 图1为本发明的流程示意图；
[0035] 图2为使用本发明提供的激光增材在线监测方法的在线监测装置的结构示意图(以送粉为例子)。
[0036] 附图中标记如下：
具体实施方式
[0038] 下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0039] 参照图1所示，本发明公开了一种激光增材制造的缺陷在线监测方法。
[0040] 实施例一
[0041] 步骤一、利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型；
[0042] 步骤二、实时采集熔池形貌，并对熔池形貌进行三维重建；
[0043] 步骤三、判断实时采集的熔池形貌和三维重建是否存在缺陷，当存在缺陷时，根据激光增材制造影响因子对应的熔池形貌三维构建数据关系调整激光增材制造影响因子，使得所述熔池形貌和三维重建克服缺陷。
[0044] 在本发明中，所述“判断实时采集的熔池形貌和三维重建是否存在缺陷”，具体包括：判断实时采集的熔池形貌和三维重建是否存在气孔缺陷和气孔缺陷的类型。
[0045] 所述激光增材制造影响因子为激光功率、激光扫描速度、送粉速度或铺粉厚度的一个。利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型，具体包括：改变单个激光增材制造影响因子的大小，并采集对应熔池形貌的三维数据；构建激光增材制造影响因子与熔池形貌的三维数据的关系的一组神经网络预测模型。
[0046] 例如，当激光增材制造影响因子为激光功率。当采集的熔池形貌特征不符合预先存储的激光功率P与熔池形貌、以及利用神经网络构建的三维数据显示可能出现气孔缺陷时，则根据激光功率P与熔池形貌的关系调整激光功率P以使采集的熔池形貌与神经网络构建的三维数据均符合预先存储的激光功率P与熔池形貌的关系。
[0047] 也就是预先获取激光功率P与熔池形貌、将熔池数据利用神经网络构建三维数据进行预测气孔存在与否以及气孔类型的关系及CT三维数据并存储。在激光增材制造过程中，采用关系式进行实际工件的加工，当实时采集的熔池形貌特征和利用神经网络构建的三维数据不符合该关系时，证明将有缺陷产生，马上相应调整激光功率P以使得采集的当前熔池形貌特征与当前激光功率P的对应关系符合上述预先获取的对应关系。通过上述过程实现在线监测与控制的目的，变事后检测为事中干预，对发展绿色制造、智能制造业具有更为深远的现实意义。同时可以避免事后破坏性检测不易操作、损失巨大的弊端。
[0048] 实施例二
[0049] 步骤一、利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型；
[0050] 步骤二、实时采集熔池形貌，并对熔池形貌进行三维重建；
[0051] 步骤三、判断实时采集的熔池形貌和三维重建是否存在缺陷，当存在缺陷时，根据激光增材制造影响因子对应的熔池形貌三维构建数据关系调整激光增材制造影响因子，使得所述熔池形貌和三维重建克服缺陷。
[0052] 在本发明中，所述“判断实时采集的熔池形貌和三维重建是否存在缺陷”，具体包括：判断实时采集的熔池形貌和三维重建是否存在气孔缺陷和气孔缺陷的类型。所述“判断实时采集的熔池形貌和三维重建是否存在气孔缺陷和气孔缺陷的类型”，具体包括：以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷；密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和三维空间的位置。
[0053] 所述激光增材制造影响因子为激光功率、激光扫描速度、送粉速度或铺粉厚度中的两个或多个。如此，所述“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：依次改变多个激光增材制造影响因子的大小，并采集对应熔池形貌的三维数据；构建激光增材制造影响因子与熔池形貌的三维数据的关系的多组神经网络预测模型。
[0054] 例如，“利用神经网络建立激光增材制造影响因子对应的熔池形貌三维构建数据关系的预测模型”，具体包括：
[0055] 固定激光扫描速度和激光送粉速率或铺粉厚度，变化不同的激光功率进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同激光功率下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T1；
[0056] 固定激光功率和激光送粉速率或铺粉厚度，改变激光扫描速度进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同激光扫描速度下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T2；
[0057] 固定激光功率和激光扫描速度，改变送粉速率或铺粉厚度进行实验，记录熔池形貌，同时利用CT进行扫描并进行三维数据构建，将熔池形貌数据利用神经网络进行三维重建并预测气孔的存在及其类型，得到不同送粉速率或铺粉厚度下的熔池形貌数据和利用神经网络预测的数据，确定有效关系式T3；
[0058] 根据所述有效关系式T1、所述有效关系式T2和所述有效关系式T3，确定不同激光功率、激光扫描速度、不同送粉速率或铺粉厚度下激光扫描功率与熔池形貌及CT三维数据的有效关系式T4并存储，进而后续采用该关系数据进行实际工件的加工。
[0059] 本发明中，通过试验，获取测试样品增材制造时对应表面的熔池形貌及CT扫面得到的三维数据特征，并以金相分析或扫面电镜来分析确定气孔缺陷存在的情况。利用神经网络对熔池形貌进行三维构建和预测，依据实际测量的结果来修改调整模拟的结果，使得模拟的结果同实际测量的结果相一致，从而使得机器具有学习的能力。确定并形成相应的关系数据，采用该关系数据进行实际工件的增材制造。
[0060] 需要说明的是，固定激光扫描速度V和激光送粉速率Mp或铺粉厚度，指固定激光扫描速度V和激光送粉速率Mp，或者固定激光扫描速度V和铺粉厚度，其他工艺参数包括激光光斑D和激光离焦量在整个加工过程中保持设备的既有参数不变，如下同。具体可采用高速摄像热成像仪器记录熔池形貌数据，得到上述固定的激光扫描速度V和激光送粉速率Mp下，不同激光功率P下的熔池形貌数据，或者得到上述固定的激光扫描速度V和铺粉厚度下，不同激光功率P下的熔池形貌数据、将熔池形貌利用神经网络进行三维数据构建和预测、CT三维扫描数据。具体的，高速摄像热成像仪器直接拍摄熔池的形状并自动记录，工业CT逐点扫描并实时生成三维数据。利用神经网络对熔池进行三维数据构建和预测设备自身可以完成，只需要用户输入特定参数即可。
[0061] 在本发明中，所述“采集熔池形貌”，具体包括：采用高速摄像热成像仪记录熔池形貌和和利用工业CT进行逐点扫描。
[0062] 实施例三
[0064] S1：将各个设备进行安装设置；具体为高速摄像热成像仪、工业CT扫描设备、激光加工头、激光功率检测器(具备反馈和检测功能，用于功率的测量和反馈、功率的自动调节)、保护气管路按照要求进行安装设置；
[0066] S3：固定激光扫描速度(V＝500mm.s-1)和激光铺粉厚度(tp＝30μm,激光光斑D＝200μm和激光离焦量F＝0，在整个加工过程中保持设备的既有参数不变，如下同)，变化不同的激光功率(P＝300～1200W)进行实验，采用温度记录仪记录熔池形貌、将熔池形貌数据同步连接到计算机中的神经网络软件中进行三维数据构建和预测，利用CT扫描设备进行同步扫描，同步构建CT三维数据，得到不同激光功率下的熔池形貌数据和熔池形状数据；
[0067] S4：对S3中的实验样品先以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷。密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和位置(即三维空间位置)，并与CT扫描构建得到的三维立体图进行对比，要求实际测得的结果与CT三维构建得到的结果误差不超过10％作为实际应用的判据的分界点、将熔池形貌数据利用神经网络进行三维构建和气孔是否存在以及存在类型的预测。依据实际测量得到的结果对神经网络模拟的结果进行调整，使得模拟的数据同实际测量得到的结果相一致。得到此扫描速度和铺粉厚度下熔池形貌及神经网络模拟的结果(气孔的类型及空间分布)与激光功率的关系，从而得到不同参数下气孔缺陷的形成情况。
[0068] S5：固定激光功率(P＝400W)和铺粉厚度(tp＝30μm)，改变激光扫描速度(V＝500～1900mm.s-1)，进行一系列实验，由此得到不同扫描速度的条件下熔池形貌的数据；
[0069] S6：对S5中得到的实验样品先以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷。密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和位置(即三维空间位置)，将熔池形貌等数据利用神经网络进行三维数据构建并进行预测，并与CT扫描构建得到的三维立体图进行对比，要求实际测得的结果与CT三维构建得到的结果误差不超过10％作为实际应用的判据的分界点。依据实际测量得到的结果对神经网络得到的结果进行修正，直到神经网络模拟的结果同实际测量的结果相一致，由此确定功率和铺粉厚度不变时的扫描速度和神经网络进行三维构建和模拟结果及与熔池形貌的关系，依据判据确定有效关系式T2，每一个具体参数下的熔池形状、熔池形貌和参数数据都是一一对应。
[0070] S7：固定激光功率(P＝400W)和激光扫描速度(700mm.s-1)，改变铺粉厚度(此处选择铺粉的方式，粉末速率tp＝20～40μmin-1)，得到一系列送粉速率与熔池形貌形状、将熔池形貌特征数据利用神经网络进行三维数据构建和预测，利用CT获取三维数据；
[0071] S8：同理对S7中的试样先以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷。密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和位置(即三维空间位置)，并与CT扫描构建得到的三维立体图进行对比，要求实际测得的结果与CT三维构建得到的结果误差不超过10％作为实际应用的判据的分界点、将熔池相关数据利用神经网络进行三维数据构建和预测。依据实际测量得到的结果对神经网络构建的数据和预测结果进行修正，直到模拟的结果同实际测量得到的结果相一致，从而得到熔池形貌、神经网络模拟预测结果和气孔是否存在以及存在类型之间的关系判据，确定有效关系式T3。
[0072] S9：将有效关系式T1、T2和T3排列在一起，确定激光功率P变化与熔池形貌神经网络模拟预测结果和气孔是否存在以及存在类型的关系式T4。
[0073] S10：采用关系式T4，对实际工件进行激光增材制造的在线监测；
[0074] S11：如果在监测的过程中发现气孔发生(或者熔池数据特征发生变化)，由于本次在线监控过程中，选择激光功率为变化控制量，采用系统中存储的激光功率、扫描速度和铺粉厚度进行激光增材制造时，测得的熔池形貌发生波动(或者神经网络预测模拟的三维数据发生变化)，则激光功率相应的调整到系统中与之对应的激光功率中进行加工，以确保激光功率与熔池形状是对应的。当神经网络模拟的三维数据特征发生波动，系统提示可能有气孔缺陷时，则激光功率相应的调整到系统中与之对应的激光功率中进行加工，以确保激光功率与神经网络模拟的数据以及(或温度)是对应的。系统自动依据关系式T4进行激光功率的调整。由此完成整个激光在线监测的过程。具体的，当熔池形貌与神经网络预测的结果同判断可能出现气孔时，数据会发生波动不符合关系式T4时，则系统报警进行自动调整。
[0075] 实施例四
[0077] T1参数的获取阶段，固定激光扫描速度(V＝10mm.s-1)和激光送粉速率(Mp＝5g/min，激光光斑D＝4mm和激光离焦量F＝0，在整个加工过程中保持设备的既有参数不变，如下同)，变化不同的激光功率(P＝2500～4500W)进行实验，采用高温摄像成像设备记录熔池形貌、将熔池形貌利用神经网络进行三维数据构建和气孔是否存在进行模拟、利用CT进行扫描并同步构建三维数据，得到不同激光功率下的熔池形貌数据和CT三维数据。先以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷。密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和位置(即三维空间位置)，并与CT扫描构建得到的三维立体图进行对比，要求实际测得的结果与CT三维构建得到的结果误差不超过10％作为实际应用的判据的分界点。将熔池数据利用神经网络进行三维数据构建和气孔是否存在与否以及存在类型进行预测，依据实际测量的结果对模拟的数据进行调整，直到模拟的数据结果同实际测量的结果相一致。从而得到熔池形貌与功率及神经网络模拟之间的对应关系，依据以上结果得到判据，即有效关系式T1；
[0078] T2阶段参数的获取，固定激光功率(P＝3000W)和送粉速率(Mp＝5g/min)，改变激光扫描速度(V＝4～25mm.s-1)，进行一系列实验，由此得到不同扫描速度的条件下熔池形貌的数据、将熔池数据利用神经网络进行三维数据构建以及是否存在气孔和气孔的类型进行预测，利用CT三维扫描获取数据。先以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷。密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和位置(即三维空间位置)，并与CT扫描构建得到的三维立体图进行对比，要求实际测得的结果与CT三维构建得到的结果误差不超过10％作为实际应用的判据的分界点。依据实际测量得到的数据对神经网络模拟得到的数据进行修正，使得神经网络模拟的数据同实际测量得到的结果相一致，由此确定激光功率和送粉速率不变时的扫描速度与熔池形状和神经网络模拟数据之间的关系，依据以上结果得到判据，即确定有效关系式T2；
[0079] T3阶段参数的获取：固定激光功率(P＝3000W)和激光扫描速度(10mm.s-1)，改变送粉速率(送粉速率Mp＝1.60～8g.min-1)，得到一系列送粉速率与熔池形貌的数据、将熔池数据利用神经网络进行三维数据构建并预测是否存在气孔和气孔存在的类型。先以传统的阿基米德原理对得到的试样进行密度测试，密度数据大于99.8％的视为基本无气孔缺陷。密度小于99.8％的进行金相分析或扫描电镜分析，确定气孔的大小和位置(即三维空间位置)，并与CT扫描构建得到的三维立体图进行对比，要求实际测得的结果与CT三维构建得到的结果误差不超过10％作为实际应用的判据的分界点。依据实际测量得到的结果来修正神经网络预测的结果，直到预测的结果同实际测量的结果相一致。得到气孔缺陷的形成同神经网络模拟结果和送粉速率之间的对应关系，依据判据，确定有效关系式T3。
[0080] 将关系式T1、T2和T3排列在一起，确定激光功率变化与熔池形貌和三维扫描数据的关系式T4，每一个激光功率和扫描速度的组合，则有一个确定的送粉速率与之对应，同理，每一个激光功率和送粉速率的组合，则有一个确定的扫描速度与之对应。进行实际样品的加工，当系统报警时，则表明有气孔缺陷生成，激光功率监测调节器开始进行自动调整。
[0081] 图2为使用本发明提供的激光增材在线监测方法的在线监测装置的结构示意图。用激光束4对基材1加工，激光光束由光纤7传导，在基材上产生熔覆层3，通过激光功率测量计6实时检测激光功率，工业CT8可实时检测熔池形貌。
[0082] 综上所述，本发明提供的一种激光增材制造气孔缺陷的在线监测方法，通过优化工艺参数，同测试样品测得的数据曲线进行分析计算，得出最合适的激光加工参数，采用该参数进行作为实际测得的数据，进行计算分析，对比有效熔池形貌、神经网络模拟预测的结果是否符合事先存储的标准从而实现在线监测和控制的目的。具有可控性好、加工效率高的优点，能够更好的应用于轮船、轨道交通、机械制造等领域需要熔覆并需要较长工作时间的制造场合，更好的适应柔性制造环境，具有更为深远的现实意义。
[0083] 以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种双目内窥镜软组织图像的在线三维重建方法 | 2020-05-08 | 374 |
| 一种管内步进单向光束扫描断层图像的三维重建方法 | 2020-05-11 | 957 |
| 体积测算方法、装置及用户终端 | 2020-05-11 | 662 |
| 一种同时定位与稠密三维重建方法 | 2020-05-11 | 872 |
| 一种多视角小白鼠动态三维重建方法 | 2020-05-08 | 925 |
| 一种基于SIFT算法的单幅图像算法 | 2020-05-12 | 481 |
| 一种基于正交角度X光的骨骼三维重建方法 | 2020-05-08 | 449 |
| 一种可用于多车型的智能喷涂的机器人控制方法 | 2020-05-12 | 652 |
| 一种小曲率薄壁零件用二维和三维视觉结合的划线特征提取方法 | 2020-05-13 | 203 |
| 一种温湿度记录仪 | 2020-05-08 | 722 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈