CN109909502A - 基于多源异构数据的激光增材制造过程的在线监测方法 - Google Patents
基于多源异构数据的激光增材制造过程的在线监测方法 Download PDFInfo
- Publication number
- CN109909502A CN109909502A CN201910204707.7A CN201910204707A CN109909502A CN 109909502 A CN109909502 A CN 109909502A CN 201910204707 A CN201910204707 A CN 201910204707A CN 109909502 A CN109909502 A CN 109909502A
- Authority
- CN
- China
- Prior art keywords
- formula
- laser
- metal powder
- powder material
- heterogeneous 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
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
- Powder Metallurgy (AREA)
Abstract
本发明公开了一种基于多源异构数据的激光增材制造过程的在线监测方法,其步骤包括:1建立激光能量分布;2得到介质振动的速度;3得到粉末床的最大表面温度;4得到熔池的宽度;5构建激光熔化过程中多场耦合的热力学模型;6多源异构数据的稀疏编码;7得到在线监测模型。本发明能在激光增材制造过程进行实时监测与过程控制,从而在出现微小缺陷时就自动调整工艺参数以消除缺陷,进而提高零件成形质量,满足实际的精度和可靠性需求。
Description
技术领域
本发明属于传感器和监测技术领域,更具体地说是一种大数据驱动的激光增材制造在线监测方法。
背景技术
增材制造(3D打印/快速成形)技术正在逐渐改变人们传统的生活方式和生产方式,以其快速化、定制化、数字化和网络化等特点被认为将推动第三次工业革命。激光增材制造技术是目前应用范围最广、实用意义最大的金属增材制造工艺之一,该技术利用高能量激光束,按照预定的路径,熔化或烧结粉体,再经冷却凝固后成形,在复杂结构、自由曲面和薄壁等难加工零件制造上具有显著优势,如航空航天领域中高性能复杂构件、生物制造领域中多孔复杂结构制造以及功能梯度材料制造等。
然而由于激光增材制造过程伴随复杂的物理化学等过程,成形件具有较大的温度梯度和热应力,成形过程容易产生球化、孔隙、裂纹等缺陷,影响了成形件的精度和可靠性,成形零部件易变形开裂,缺乏成形质量的过程控制,严重阻碍了激光增材制造技术的应用。
然而,由于激光增材制造过程的动态特性复杂、传感器安装难度高和相关物理过程理解尚且不足等原因,激光增材制造过程的实时监测与过程控制不易进行,监测模型有限,多数利用红外线温度信息与加工质量进行建模。但温度在线测量误差较大,且粉体熔化或烧结过程缺陷的产生机理复杂,仅以温度信息进行质量测量可靠性不足,相关研究仍有待进一步推进。
虽然喷砂、热处理等后处理能获得较好的表面光洁度并减少断裂和分层现象,但后处理会带来零件尺寸的变化,对于内部结构复杂零件、关键功能部位以及精密零件等,后处理的方法将不再适用。因此,在激光增材制造过程中实现在线监测、改善成形质量更为关键。
发明内容
本发明针对现有技术的上述缺点/或改进需求,提供了一种基于多源异构数据的激光增材制造过程的在线监测方法,以期能在激光增材制造过程进行实时监测与过程控制,从而在出现微小缺陷时就自动调整工艺参数以消除缺陷,进而提高零件成形质量,满足实际的精度和可靠性需求。
为达到上述发明目的,本发明采用如下技术方案:
本发明一种基于多源异构数据的激光增材制造过程的在线监测方法的特点是按如下步骤进行:
步骤1、利用式(1)建立基于高斯分布的激光能量分布I(r):
式(1)中,r为激光光斑上的点到激光光斑中心的距离,ω为激光光斑的半径,Φ为激光光斑的中心能量密度;
步骤2、利用式(2)得到介质振动的速度u:
式(2)中,α为金属粉末材料对激光的吸收率;γ为气体的绝热指数,ρ0为金属粉末材料的密度;
步骤3、利用式(3)得到粉末床的最大表面温度Tm:
式(3)中,K为玻尔兹曼常数;k为金属粉末材料的导热系数;v为金属粉末材料的熔化速度;c为金属粉末材料的热熔比;
步骤4、利用式(4)得到熔池的宽度δw:
式(4)中,ΔHlv为金属粉末材料从固态到气态的潜热能;Tlv为金属粉末材料从固态到气态的平衡温度;Tsl为金属粉末材料从固态到液态的平衡温度;
步骤5、构建激光熔化过程中多场耦合的热力学模型:
步骤5.1、建立以粉末床的一个顶角为原点O,以与所述原点O相连接的两条边分别为X轴和Y轴,建立直角坐标系O-XY;
步骤5.2、利用式(5)建立激光熔化过程中的温度场有限元模型:
式(5)中,a为金属粉末材料的热扩散率,T(t)为t时刻金属粉末材料的瞬时温度,▽2为拉普拉斯算子;对于不随时间变化的稳定温度场,存在▽2T(x,y,z)=0;T(x,y,z)为在点(x,y,z)处金属粉末材料的温度;
步骤5.3、利用式(6)得到在激光照射区域沿法线方向n的温度梯度
步骤6、多源异构数据的稀疏编码:
步骤6.1、通过传感器组分别获得温度、声音和图像信号所构成的多源异构数据,记为f;
步骤6.2、对所述多源异构数据f进行快速傅里叶变换得到变换后的多源异构数据fT;
步骤6.3、利用冗余字典Φ对所述变换后的多源异构数据fT进行重构,得到式(8)所示的变换后的多源异构数据fT的稀疏表示,并通过式(7)所示的最优l0范数来约束稀疏因子f′T的个数:
s.t.fT=Φf′T,fT∈Rk (8)
式(8)中,Rk表示k维的实数域;Φf′T表示稀疏编码后得到的信号原子集合,并有: 表示稀疏编码后得到的第L个信号原子;L表示信号原子个数;
步骤7、对稀疏编码后得到的信号原子集合进行特征融合得到观测序列V={v1,v2,...,vi,...,vn},vi为第i个可视层的观测数据;i=1,2,…,n;n表示可视层的层数;
步骤8、利用式(8)得到在线监测模型E(V,H|θ),并以所述在线监测模型E(V,H|θ)实现对激光增材制造过程的在线监测:
式(8)中,θ={wij,ai,bj}是关于RBM神经网络模型的参数,其中,wij表示第i个可见层与第j个隐层的连接权值,ai表示第i个可见层的偏置,bj表示第j个隐藏层的偏置,hj表示第j个隐藏层;H表示隐藏层的集合,m表示隐藏层的层数。
与已有技术相比,本发明的有益效果体现在:
1、本发明运用信号处理、图像分析等方法探究激光增材制造过程中声、温度与图像信号在不同加工状态下的特征,分析其与加工过程中缺陷产生的关系,揭示了激光增材制造过程的物理机理;建立新的金属粉末对激光光源的吸收模型,并对激光熔化过程进行热力学仿真,分析加工参数对加工温度的影响规律,为实现该过程的反馈控制提供研究基础;通过多源信号特征融合处理,提高了加工过程在线质量监测的准确性。本发明中对激光增材制造成形过程的在线监测也是研发复杂结构金属零件高精度高质量制造设备的核心技术之一,因而尤其适用于金属增材制造技术在航天、医疗以及材料制造等领域的应用场合。
2、本发明基于对金属增材制造成形物理过程的分析,结合监测信息本身的多模态特性,研究监测中多源传感数据的融合与多维异构信息的一致性表示,利用稀疏分解的数学理论,对温度、声音、图像等异类传感信息进行稀疏编码,同时实现了对信息的压缩、去噪和一致性的特征表示,挖掘了多源异构数据内在的关联性,解决了对多源异构信息深度学习和融合的基本前提。
具体实施方式
本实施例中,一种基于多源异构数据的激光增材制造过程的在线监测方法是按如下步骤进行:
在选择性激光熔化过程中,激光与金属粉末相互作用产生熔化、气化和重建的过程。在这一激光融化过程中存在着多种信号源,包括声信号、等离子信号、超声波、红外辐射和电信号等。这些信号的形成与变化与熔池的形成与变化有着紧密关联,研究激光熔化过程中的声音、温度、图像形成与变化机理对于揭示激光熔化过程的热力学规律有着重要意义。
研究激光熔化过程中的声音、温度、图像形成与变化机理,建立激光采用高斯分布时的激光能量分布,以建立揭示激光熔化过程的热力学规律的基础。
步骤1、利用式(1)建立基于高斯分布的激光能量分布I(r):
式(1)中,r为激光光斑上的点到激光光斑中心的距离,ω为激光光斑的半径,Φ为激光光斑的中心能量密度;
步骤2、利用式(2)得到介质振动的速度u:
式(2)中,α为金属粉末材料对激光的吸收率;γ为气体的绝热指数,ρ0为金属粉末材料的密度;
由于吸收高功率的激光束能迅速地发生热效应,表面温度会迅速上升到熔化温度。最大表面温度Tm会随着导热系数k,熔化速度v,以及材料的热熔比c,发生变化,所以有:
步骤3、利用式(3)得到粉末床的最大表面温度Tm:
式(3)中,K为玻尔兹曼常数;k为金属粉末材料的导热系数;v为金属粉末材料的熔化速度;c为金属粉末材料的热熔比;
步骤4、利用式(4)得到熔池的宽度δw:
式(4)中,ΔHlv为金属粉末材料从固态到气态的潜热能;Tlv为金属粉末材料从固态到气态的平衡温度;Tsl为金属粉末材料从固态到液态的平衡温度;
声音、温度、图像的变化与熔池的宽度和最大表面温度,以及等离子体等物质的飞溅直接相关,而熔池、温度和等离子体的变化又与选择性激光熔化零件的球化程度、孔洞率、残余应力关联。通过对选择性激光熔化的声音、温度、图像信号产生与变化机理研究,找出影响选择性激光熔化零件质量的关键因素并采集与质量相关的关键信号,为使用多传感器在线监测零件质量提供可靠的理论依据。
步骤5、构建激光熔化过程中多场耦合的热力学模型:
建立基于激光凝固多场耦合的热力学与动力学解析模型,揭示粉末演化过程中的各种现象,如孔洞形成、熔池流动等,并提出一种新的思路,将基于物理过程的数值模型与基于多源数据的监测***进行相互印证,实现更准确更可靠的在线监测。激光沿着分形路径在粉床上进行扫描,热传递过程包括辐射,粉层和环境之间的对流和粉层和基台之间的热传导、熔化的潜伏热非常大。粉末状态的变化和与之对应的热属性的变化都会使得热传递过程变得复杂。
步骤5.1、建立以粉末床的一个顶角为原点O,以与原点O相连接的两条边分别为X轴和Y轴,建立直角坐标系O-XY;
步骤5.2、利用式(5)建立激光熔化过程中的温度场有限元模型:
式(5)中,a为金属粉末材料的热扩散率,T(t)为t时刻金属粉末材料的瞬时温度,为拉普拉斯算子;对于不随时间变化的稳定温度场,存在T(x,y,z)为在点(x,y,z)处金属粉末材料的温度;
步骤5.3、利用式(6)得到在激光照射区域沿法线方向n的温度梯度
根据实际条件对焓值和边界条件进行变化,研究熔池温度场的变化对激光熔化零件均匀性和热应力的影响。这样,通过对激光熔化过程的热力学建模与监测的声音、温度、图像信号进行互相印证,可以增强激光熔化过程监测的可靠性,并且为今后实现选择性激光熔化过程的反馈控制与熔化补偿提供理论依据。
步骤6、多源异构数据的稀疏编码:
稀疏编码的研究获取多源异构监测信息的一致性表示,同时实现数据压缩,提高深度网络的学习速度和识别精度。依照传统采样定理,对于监测中常见的高频特征信息,如声发射信号、超声波信号等高谐波分量需要以几兆赫的采样频率来获取,为监测***的实时性带来困难。另外,温度图像等高维数据处理的计算量大、速度慢,不利于深度DBN模型的训练。
根据Candes和Donoho于2006年提出的压缩传感理论,将信号压缩与采样合并进行,通过冗余字典的学习,获取信号的稀疏表示(测量值),这样信号的测量数据量将远小于传统采样方法所需要的数据量,提高实时处理速度。由于监测信号在时域内几乎都是不稀疏的,因而该述理论不能直接应用于监测信号的压缩采样。但是我们可以通过快速傅里叶变换进行稀疏表示,然后通过一个超适定方程(冗余字典),求解一个最优范数问题来重构稀疏信号。
步骤6.1、通过传感器组分别获得温度、声音和图像信号所构成的多源异构数据,记为f;
步骤6.2、对多源异构数据f进行快速傅里叶变换得到变换后的多源异构数据fT;
步骤6.3、利用冗余字典Φ对变换后的多源异构数据fT进行重构,得到式(8)所示的变换后的多源异构数据fT的稀疏表示,并通过式(7)所示的最优l0范数来约束稀疏因子f′T的个数:
s.t.fT=Φf′T,fT∈Rk (8)
式(8)中,Rk表示k维的实数域;Φf′T表示稀疏编码后得到的信号原子集合,并有: 表示稀疏编码后得到的第L个信号原子;L表示信号原子个数;信号的稀疏程度越高,利用上式恢复出原始信号所需的测量数据也将越少。多源异构的传感信息在通过冗余字典的后,获得一致性的稀疏的表示。另外,对于信噪比低的监测信号,基于稀疏表示的可以利用字典学习方法,考虑分别学习纯噪音与含噪音的信号的原子,并利用原子的相关性把噪音分离出来。
多传感器采集的选择性激光熔化过程的信息是复杂多样的。零件的选择性激光熔化质量与熔化过程的状态有直接的关系,球化、孔隙和裂纹等相对应的状态变化会蕴含在温度、声音和图像信息中。利用人工智能最新发展成果,建立具有联想记忆、自适应处理能力的深度置信神经网络(DBN),以便能够获得全面、完整的信息,对选择性激光熔化的零件质量进行快速准确的在线状态监测。
步骤7、对稀疏编码后得到的信号原子集合进行特征融合得到观测序列V={v1,v2,...,vi,...,vn},vi为第i个可视层的观测数据;i=1,2,…,n;n表示可视层的层数;
步骤8、利用式(8)得到在线监测模型E(V,H|θ),并以在线监测模型E(V,H|θ)实现对激光增材制造过程的在线监测:
式(8)中,θ={wij,ai,bj}是关于RBM神经网络模型的参数,其中,wij表示第i个可见层与第j个隐层的连接权值,ai表示第i个可见层的偏置,bj表示第j个隐藏层的偏置,hj表示第j个隐藏层;H表示隐藏层的集合,m表示隐藏层的层数。
Claims (1)
1.一种基于多源异构数据的激光增材制造过程的在线监测方法,其特征是按如下步骤进行:
步骤1、利用式(1)建立基于高斯分布的激光能量分布I(r):
式(1)中,r为激光光斑上的点到激光光斑中心的距离,ω为激光光斑的半径,Φ为激光光斑的中心能量密度;
步骤2、利用式(2)得到介质振动的速度u:
式(2)中,α为金属粉末材料对激光的吸收率;γ为气体的绝热指数,ρ0为金属粉末材料的密度;
步骤3、利用式(3)得到粉末床的最大表面温度Tm:
式(3)中,K为玻尔兹曼常数;k为金属粉末材料的导热系数;v为金属粉末材料的熔化速度;c为金属粉末材料的热熔比;
步骤4、利用式(4)得到熔池的宽度δw:
式(4)中,ΔHlv为金属粉末材料从固态到气态的潜热能;Tlv为金属粉末材料从固态到气态的平衡温度;Tsl为金属粉末材料从固态到液态的平衡温度;
步骤5、构建激光熔化过程中多场耦合的热力学模型:
步骤5.1、建立以粉末床的一个顶角为原点O,以与所述原点O相连接的两条边分别为X轴和Y轴,建立直角坐标系O-XY;
步骤5.2、利用式(5)建立激光熔化过程中的温度场有限元模型:
式(5)中,a为金属粉末材料的热扩散率,T(t)为t时刻金属粉末材料的瞬时温度,为拉普拉斯算子;对于不随时间变化的稳定温度场,存在T(x,y,z)为在点(x,y,z)处金属粉末材料的温度;
步骤5.3、利用式(6)得到在激光照射区域沿法线方向n的温度梯度
步骤6、多源异构数据的稀疏编码:
步骤6.1、通过传感器组分别获得温度、声音和图像信号所构成的多源异构数据,记为f;
步骤6.2、对所述多源异构数据f进行快速傅里叶变换得到变换后的多源异构数据fT;
步骤6.3、利用冗余字典Φ对所述变换后的多源异构数据fT进行重构,得到式(8)所示的变换后的多源异构数据fT的稀疏表示,并通过式(7)所示的最优l0范数来约束稀疏因子f′T的个数:
s.t.fT=Φf′T,fT∈Rk (8)
式(8)中,Rk表示k维的实数域;Φf′T表示稀疏编码后得到的信号原子集合,并有: 表示稀疏编码后得到的第L个信号原子;L表示信号原子个数;
步骤7、对稀疏编码后得到的信号原子集合进行特征融合得到观测序列V={v1,v2,...,vi,...,vn},vi为第i个可视层的观测数据;i=1,2,…,n;n表示可视层的层数;
步骤8、利用式(8)得到在线监测模型E(V,H|θ),并以所述在线监测模型E(V,H|θ)实现对激光增材制造过程的在线监测:
式(8)中,θ={wij,ai,bj}是关于RBM神经网络模型的参数,其中,wij表示第i个可见层与第j个隐层的连接权值,ai表示第i个可见层的偏置,bj表示第j个隐藏层的偏置,hj表示第j个隐藏层;H表示隐藏层的集合,m表示隐藏层的层数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910204707.7A CN109909502B (zh) | 2019-03-18 | 2019-03-18 | 基于多源异构数据的激光增材制造过程的在线监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910204707.7A CN109909502B (zh) | 2019-03-18 | 2019-03-18 | 基于多源异构数据的激光增材制造过程的在线监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109909502A true CN109909502A (zh) | 2019-06-21 |
CN109909502B CN109909502B (zh) | 2021-04-27 |
Family
ID=66965365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910204707.7A Active CN109909502B (zh) | 2019-03-18 | 2019-03-18 | 基于多源异构数据的激光增材制造过程的在线监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109909502B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490866A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度特征融合的金属增材成形尺寸实时预测方法 |
CN110605393A (zh) * | 2019-09-25 | 2019-12-24 | 中国兵器装备集团自动化研究所 | 一种激光立体成形过程检测方法及***和应用 |
CN110942150A (zh) * | 2019-11-09 | 2020-03-31 | 上海航天设备制造总厂有限公司 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
CN111283192A (zh) * | 2020-01-22 | 2020-06-16 | 南京理工大学 | 一种激光粉末床熔融增材制造熔池监测与孔隙控制方法 |
CN111504980A (zh) * | 2020-04-26 | 2020-08-07 | 长春工业大学 | 一种金属增材制造过程的libs在线监测装置及方法 |
CN112122741A (zh) * | 2020-08-14 | 2020-12-25 | 江苏理工学院 | 一种电弧增材制造过程中的焊道成形控制***及其参数优化方法 |
CN113172242A (zh) * | 2021-04-27 | 2021-07-27 | 武汉科技大学 | 一种选择性激光成型实时监测装置及成型方法 |
CN115115578A (zh) * | 2022-05-23 | 2022-09-27 | 厦门宇电自动化科技有限公司 | 一种增材制造过程中的缺陷检测方法及*** |
CN115138867A (zh) * | 2022-07-22 | 2022-10-04 | 南京航空航天大学 | 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法 |
WO2023224528A1 (en) * | 2022-05-19 | 2023-11-23 | Cellink Bioprinting Ab | Multi-sensor evaluation of a printing process |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519387A (zh) * | 2011-10-27 | 2012-06-27 | 哈尔滨工业大学 | 一种电子束焊接熔池形状参数的视觉检测方法 |
CN202576563U (zh) * | 2012-05-30 | 2012-12-05 | 上海海事大学 | 基于紫蜂无线传感技术的激光熔覆实时监测*** |
CN103506756A (zh) * | 2013-09-11 | 2014-01-15 | 上海交通大学 | 基于熔池图像视觉传感的激光搭接焊间隙检测***及方法 |
CN105855743A (zh) * | 2016-05-04 | 2016-08-17 | 华中科技大学 | 一种焊接熔池动态过程在线监测***及方法 |
CN107328391A (zh) * | 2017-06-28 | 2017-11-07 | 武汉理工大学 | 一种针对宽带激光熔覆的多传感器协同监测装置及方法 |
CN107992904A (zh) * | 2017-12-22 | 2018-05-04 | 重庆邮电大学 | 基于多源信息融合的林业生态环境人机交互方法 |
CN108038266A (zh) * | 2017-11-17 | 2018-05-15 | 西安铂力特增材技术股份有限公司 | 一种选择性激光修复过程的数值模拟方法 |
CN108062432A (zh) * | 2017-11-17 | 2018-05-22 | 西安铂力特增材技术股份有限公司 | 一种激光选区熔化过程的数值模拟方法 |
US20180264551A1 (en) * | 2017-03-15 | 2018-09-20 | David Masayuki ISHIKAWA | Additive Manufacturing Having Energy Beam and Lamp Array |
WO2018183003A1 (en) * | 2017-03-31 | 2018-10-04 | Konica Minolta Laboratory U.S.A., Inc. | 3d imaging by multiple sensors during 3d printing |
JP2018184623A (ja) * | 2017-04-24 | 2018-11-22 | 株式会社東芝 | 積層造形物の固有ひずみ算出装置、その固有ひずみ算出方法、その固有ひずみ算出プログラム、その解析装置、その解析方法、及び積層造形装置 |
CN109034391A (zh) * | 2018-08-17 | 2018-12-18 | 王玲 | 自动驾驶的多源异构信息rbm网络融合架构及融合方法 |
US20190004497A1 (en) * | 2017-06-30 | 2019-01-03 | Norsk Titanium As | Technologies of controlling additive manufacturing systems |
CN109447939A (zh) * | 2018-07-10 | 2019-03-08 | 南京理工大学 | 基于混合光谱视觉的熔池成形前焊缝宽度预测方法 |
-
2019
- 2019-03-18 CN CN201910204707.7A patent/CN109909502B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102519387A (zh) * | 2011-10-27 | 2012-06-27 | 哈尔滨工业大学 | 一种电子束焊接熔池形状参数的视觉检测方法 |
CN202576563U (zh) * | 2012-05-30 | 2012-12-05 | 上海海事大学 | 基于紫蜂无线传感技术的激光熔覆实时监测*** |
CN103506756A (zh) * | 2013-09-11 | 2014-01-15 | 上海交通大学 | 基于熔池图像视觉传感的激光搭接焊间隙检测***及方法 |
CN105855743A (zh) * | 2016-05-04 | 2016-08-17 | 华中科技大学 | 一种焊接熔池动态过程在线监测***及方法 |
US20180264551A1 (en) * | 2017-03-15 | 2018-09-20 | David Masayuki ISHIKAWA | Additive Manufacturing Having Energy Beam and Lamp Array |
WO2018183003A1 (en) * | 2017-03-31 | 2018-10-04 | Konica Minolta Laboratory U.S.A., Inc. | 3d imaging by multiple sensors during 3d printing |
JP2018184623A (ja) * | 2017-04-24 | 2018-11-22 | 株式会社東芝 | 積層造形物の固有ひずみ算出装置、その固有ひずみ算出方法、その固有ひずみ算出プログラム、その解析装置、その解析方法、及び積層造形装置 |
CN107328391A (zh) * | 2017-06-28 | 2017-11-07 | 武汉理工大学 | 一种针对宽带激光熔覆的多传感器协同监测装置及方法 |
US20190004497A1 (en) * | 2017-06-30 | 2019-01-03 | Norsk Titanium As | Technologies of controlling additive manufacturing systems |
CN108038266A (zh) * | 2017-11-17 | 2018-05-15 | 西安铂力特增材技术股份有限公司 | 一种选择性激光修复过程的数值模拟方法 |
CN108062432A (zh) * | 2017-11-17 | 2018-05-22 | 西安铂力特增材技术股份有限公司 | 一种激光选区熔化过程的数值模拟方法 |
CN107992904A (zh) * | 2017-12-22 | 2018-05-04 | 重庆邮电大学 | 基于多源信息融合的林业生态环境人机交互方法 |
CN109447939A (zh) * | 2018-07-10 | 2019-03-08 | 南京理工大学 | 基于混合光谱视觉的熔池成形前焊缝宽度预测方法 |
CN109034391A (zh) * | 2018-08-17 | 2018-12-18 | 王玲 | 自动驾驶的多源异构信息rbm网络融合架构及融合方法 |
Non-Patent Citations (5)
Title |
---|
CULLEN, J. D.等: "Multisensor fusion for on line monitoring of the quality of spot welding in automotive industry", 《MEASUREMENT》 * |
VANDONE, AMBRA; BARALDO, STEFANO; VALENTE, ANNA: "Multisensor Data Fusion for Additive Manufacturing Process Control", 《IEEE ROBOTICS AND AUTOMATION LETTERS》 * |
孙燕: "盘形激光焊接状态多传感信息融合在线检测", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
成雅徽: "GH4169合金粉末选区激光熔化成形数值模拟及试验研究", 《中国优秀硕士学位论文全文数据库工程科技I辑》 * |
黄铭: "激光熔覆过程温度场数值模拟及其应用", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490866A (zh) * | 2019-08-22 | 2019-11-22 | 四川大学 | 基于深度特征融合的金属增材成形尺寸实时预测方法 |
CN110605393A (zh) * | 2019-09-25 | 2019-12-24 | 中国兵器装备集团自动化研究所 | 一种激光立体成形过程检测方法及***和应用 |
CN110942150A (zh) * | 2019-11-09 | 2020-03-31 | 上海航天设备制造总厂有限公司 | 用于激光选区熔化设备零部件成型失效的智能诊断方法 |
CN111283192A (zh) * | 2020-01-22 | 2020-06-16 | 南京理工大学 | 一种激光粉末床熔融增材制造熔池监测与孔隙控制方法 |
CN111283192B (zh) * | 2020-01-22 | 2021-08-31 | 南京理工大学 | 一种激光粉末床熔融增材制造熔池监测与孔隙控制方法 |
CN111504980B (zh) * | 2020-04-26 | 2021-04-16 | 长春工业大学 | 一种金属增材制造过程的libs在线监测装置及方法 |
CN111504980A (zh) * | 2020-04-26 | 2020-08-07 | 长春工业大学 | 一种金属增材制造过程的libs在线监测装置及方法 |
CN112122741A (zh) * | 2020-08-14 | 2020-12-25 | 江苏理工学院 | 一种电弧增材制造过程中的焊道成形控制***及其参数优化方法 |
CN113172242A (zh) * | 2021-04-27 | 2021-07-27 | 武汉科技大学 | 一种选择性激光成型实时监测装置及成型方法 |
CN113172242B (zh) * | 2021-04-27 | 2021-12-28 | 武汉科技大学 | 一种选择性激光熔化成形实时监测装置及实现方法 |
WO2023224528A1 (en) * | 2022-05-19 | 2023-11-23 | Cellink Bioprinting Ab | Multi-sensor evaluation of a printing process |
CN115115578A (zh) * | 2022-05-23 | 2022-09-27 | 厦门宇电自动化科技有限公司 | 一种增材制造过程中的缺陷检测方法及*** |
CN115138867A (zh) * | 2022-07-22 | 2022-10-04 | 南京航空航天大学 | 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法 |
CN115138867B (zh) * | 2022-07-22 | 2024-04-26 | 南京航空航天大学 | 一种激光增材制造梯度材料成型质量实时监测反馈与优化的装置与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109909502B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109909502A (zh) | 基于多源异构数据的激光增材制造过程的在线监测方法 | |
Carpenter et al. | On residual stress development, prevention, and compensation in metal additive manufacturing | |
Cai et al. | A review of in-situ monitoring and process control system in metal-based laser additive manufacturing | |
CN110465661A (zh) | 一种slm金属增材制造缺陷实时检测方法及检测装置 | |
AbuShanab et al. | Detection of friction stir welding defects of AA1060 aluminum alloy using specific damping capacity | |
Zhao et al. | Finite element analysis for residual stress of TC4/Inconel718 functionally gradient materials produced by laser additive manufacturing | |
CN108763801A (zh) | 一种激光增材再制造熔覆层几何特征与稀释率建模方法 | |
Staiano et al. | Experimental study on hydrodynamic performances of naval propellers to adopt new additive manufacturing processes | |
Cao et al. | Temperature field in the heat transfer process of PEEK thermoplastic composite fiber placement | |
Darabi et al. | Thermal study of a cladding layer of Inconel 625 in Directed Energy Deposition (DED) process using a phase-field model | |
Zhu et al. | Optimization of dilution rate of laser cladding repair based on deep learning | |
Wu et al. | Deformation prediction and experimental study of 316l stainless steel thin-walled parts processed by additive-subtractive hybrid manufacturing | |
Yu et al. | Investigation on fabrication and microstructure of Ti–6Al–4V alloy hollow spheres by powder metallurgy | |
Liu et al. | Development of a fast numerical simulator for infrared thermography testing signals of delamination defect in a multilayered plate | |
Uralde et al. | Symmetry and Its Application in Metal Additive Manufacturing (MAM) | |
Geľatko et al. | Eddy Current Testing of Artificial Defects in 316L Stainless Steel Samples Made by Additive Manufacturing Technology | |
Heider et al. | Application of a neural network to improve an automated thermoplastic tow-placement process | |
Liu et al. | Characterization method of surface crack based on laser thermography | |
CN103279630A (zh) | 激光深熔点焊匙孔动态成形数值模拟方法 | |
Duan et al. | The thermo-mechanical coupling effect in selective laser melting of aluminum alloy powder | |
Li et al. | Research and prospect of on-line monitoring technology for laser additive manufacturing | |
Kong et al. | A nested circle-fitting method for micro-hole centering and its application in electrochemical deburring | |
Zu et al. | Advances in Online Detection Technology for Laser Additive Manufacturing: A Review | |
CN107506510B (zh) | 用于制造具有改善的表面特性的物体的方法和装置 | |
Grigoriev et al. | Investigation of the Information Possibilities of the Parameters of Vibroacoustic Signals Accompanying the Processing of Materials by Concentrated Energy Flows |
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 |