CN117332705A - 基于扫描轨迹控制的电子束镍铌熔炼方法及*** - Google Patents
基于扫描轨迹控制的电子束镍铌熔炼方法及*** Download PDFInfo
- Publication number
- CN117332705A CN117332705A CN202311634390.3A CN202311634390A CN117332705A CN 117332705 A CN117332705 A CN 117332705A CN 202311634390 A CN202311634390 A CN 202311634390A CN 117332705 A CN117332705 A CN 117332705A
- Authority
- CN
- China
- Prior art keywords
- smelting
- real
- track
- time
- electron beam
- 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
- 238000003723 Smelting Methods 0.000 title claims abstract description 345
- 238000010894 electron beam technology Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 98
- FEBJSGQWYJIENF-UHFFFAOYSA-N nickel niobium Chemical compound [Ni].[Nb] FEBJSGQWYJIENF-UHFFFAOYSA-N 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 119
- 238000010801 machine learning Methods 0.000 claims abstract description 78
- 238000002844 melting Methods 0.000 claims abstract description 77
- 230000008018 melting Effects 0.000 claims abstract description 77
- 238000012937 correction Methods 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 17
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 6
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 8
- 230000001276 controlling effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010309 melting process Methods 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 150000002739 metals Chemical class 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229910000851 Alloy steel Inorganic materials 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 229910001257 Nb alloy Inorganic materials 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 239000000956 alloy Substances 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000000289 melt material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 239000010955 niobium Substances 0.000 description 1
- GUCVJGMIXFAOAE-UHFFFAOYSA-N niobium atom Chemical compound [Nb] GUCVJGMIXFAOAE-UHFFFAOYSA-N 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 1
- 229910052721 tungsten Inorganic materials 0.000 description 1
- 239000010937 tungsten Substances 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Welding Or Cutting Using Electron Beams (AREA)
- Continuous Casting (AREA)
Abstract
本发明公开了基于扫描轨迹控制的电子束镍铌熔炼方法及***,具体涉及电子束熔炼技术领域,包括将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;本发明通过调节熔炼深度以及扫描轨迹,尽可能降低工件熔炼质量缺陷错误率,实现扫描轨迹自动纠偏控制;进一步地使用优化算法求解电子束熔炼设备的扫描轨迹的轨迹纠偏值,避免工件出现熔炼质量缺陷问题。
Description
技术领域
本发明涉及电子束熔炼技术领域,更具体地说,本发明涉及基于扫描轨迹控制的电子束镍铌熔炼方法及***。
背景技术
电子束熔炼是在真空环境下将高速电子束流的动能转换为热能对材料熔炼的一种熔炼方法,由于电子束加热具有能量密度大、加热温度高且具有可控制性等优点,广泛应用于各种材料的焊接、表面处理、提纯等领域,扫描轨迹控制是电子束熔炼中非常重要的一部分,通过控制电子束熔炼设备在材料的移动路径,以实现所需熔炼工件的形状和质量。
传统的电子束熔炼设备的扫描轨迹主要依赖人工对材料进行实时观察,根据熔炼过程中的材料熔炼质量不断调整电子束熔炼设备的扫描轨迹,使得人工成本大大增加,并且工作人员需要长时间观察材料的扫描轨迹,疲劳程度增加,且材料的熔炼质量也大大下降,增加了出错的可能性;目前,很多企业引用扫描轨迹控制***实现自动化扫描轨迹控制,解决工作人员疲劳,提高了熔炼效率,如申请公开号CN114779616A的申请文件,公开了一种电子束偏转扫描方法,然而,此类电子束熔炼的扫描轨迹控制方法虽然可以根据不同的材料组分分布设计不同的扫描轨迹,提高材料的熔炼质量,但是该方法在实际使用过程中未考虑到扫描轨迹发生偏移时,该如何进行实时调节,影响着工件熔炼质量,例如:由于机械设备的振动、熔炼温度的不均衡或真空度的变化等多种影响因素,导致工件熔炼过程中,出现了扫描轨迹发生偏移,不能及时进行纠正,为此,需要一种新的基于扫描轨迹控制的电子束镍铌熔炼方法及***。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供基于扫描轨迹控制的电子束镍铌熔炼方法及***,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:基于扫描轨迹控制的电子束镍铌熔炼方法,包括:
步骤1、将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;
步骤2、基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;
步骤3、在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,当监测到电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼数据、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;
步骤4、电子束熔炼设备根据熔炼深度纠偏值与轨迹纠偏值对实时扫描轨迹进行修正;重复执行步骤3-步骤4,直至监测到扫描轨迹未发生轨迹偏移。
进一步地,所述设计初步扫描轨迹的方法包括:
沿着待熔炼工件的垂直方向或水平方向分成n个均匀厚度的子工件切片;厚度根据电子束照射到待熔炼工件上单位时间的熔炼深度确定,
通过激光扫描仪采集每个子工件切片的外形特征数据并存储至数据库,所述外形特征数据包括几何特征、尺寸和轮廓;
基于每个子工件切片的外形特征数据,通过轨迹生成算法将外形特征数据转化为电子束熔炼设备的初步扫描轨迹;
所述初步扫描轨迹为工件熔炼的起始位置至熔炼完成的终点位置的扫描轨迹;所述轨迹生成算法为光划路径法、矢量扫描法和自由形路径法的其中一种。
进一步地,在所述仿真实验时,收集不同熔炼时长的测试电子束熔炼设备,并控制每台电子束熔炼设备以预设熔炼速度曲线的速度,将工件的外形特征数据转化为电子束熔炼设备的初步扫描轨迹进行工件熔炼;所述熔炼速度曲线为在熔炼过程中,随着时间变化的实时熔炼速度形成的曲线;通过测试人员在电子束熔炼设备控制熔炼速度以及扫描轨迹,并使用数据采集设备,收集熔炼速度训练数据以及偏移轨迹训练数据。
进一步地,所述数据采集设备包括透射电子显微镜、温度传感器、激光传感器、雷达流速仪以及图像采集设备;
收集所述熔炼速度训练数据的方法为:
在每个测试电子束熔炼设备上安装透射电子显微镜、温度传感器、激光传感器、雷达流速仪以及图像采集设备;
对于仿真实验环境中的每次工件熔炼过程,在熔炼的每一单位时刻,通过透射电子显微镜获得实时电子束能量密度,通过温度传感器获得实时熔炼温度,通过激光传感器测量工件熔炼的反射光来获得实时熔炼深度,通过图像采集设备获得工件熔炼的实时熔炼图像,通过雷达流速仪获取工件熔炼的实时熔炼速度;将每一单位时刻的时长设置为图像采集设备拍摄实时熔炼图像的帧数;
所述熔炼速度训练数据包括每一单位时刻的熔炼速度特征数据以及熔炼速度特征数据对应的熔炼速度标签;
所述熔炼速度特征数据包括实时电子束能量密度、实时熔炼温度以及实时熔炼深度;
所述熔炼速度标签为每一单位时刻对应的工件熔炼的实时熔炼速度。
进一步地,采集偏移轨迹训练数据的方法为:
在图像采集设备中安装有扫描轨迹记录程序,所述扫描轨迹记录程序使用目标识别算法识别每帧实时熔炼图像中的工件,并使用视觉反馈控制原理检测工件的扫描轨迹;所述扫描轨迹记录程序预存有每帧标准熔炼图像,所述每帧标准熔炼图像对应有图像采集设备的相对位置、相对拍摄角度以及对应的初步扫描轨迹中的标准坐标点;
计算每帧实时熔炼图像中实时扫描轨迹的实时坐标点与初步扫描轨迹中对应的标准坐标点的坐标差值,将每帧的坐标差值作为对应的每帧实时熔炼图像的偏移轨迹值;若任一帧实时熔炼图像的偏移轨迹值大于等于预设的偏移轨迹阈值,则向测试人员发送纠偏指令;
测试人员接收到纠偏指令后,电子束熔炼设备以随机的熔炼深度进行调节,或将坐标差值添加随机值;
所述偏移轨迹训练数据包括发送偏指令后,记录的每一单位时刻的偏移轨迹特征数据以及偏移轨迹训练数据对应的偏移轨迹标签;
偏移轨迹特征数据包括实时电子束能量密度、实时熔炼温度以及坐标差值;
所述偏移轨迹标签为每一单位时刻的实时扫描轨迹的偏移坐标。
进一步地,所述计算每帧实时熔炼图像中实时扫描轨迹的实时坐标点与初步扫描轨迹中对应的标准坐标点的坐标差值的方法包括:
每帧实时熔炼图像均对应有图像采集设备的指定放置位置,获取所述图像采集设备的当前位置、当前拍摄角度以及实时扫描轨迹,并将当前位置与相对位置进行比较,将当前拍摄角度与相对拍摄角度进行比较;
当图像采集设备的当前位置和相对位置相同时,且当前角度和相对拍摄角度相同时,通过图像采集设备采集对应的实时熔炼图像;
图像采集设备以本机的位置作为坐标原点,预先建立平面坐标系;
获取图像采集设备的当前位置和当前拍摄角度,包括:
基于平面坐标系,获取所述图像采集设备的X轴坐标和Y轴坐标,并根据X轴坐标和Y轴坐标获取图像采集设备的当前位置;
所述X轴坐标和Y轴坐标建立定位射线,并根据定位射线在平面坐标系中获取图像采集设备的当前拍摄角度;
基于当前位置和当前拍摄角度,获取实时扫描轨迹的实时坐标点;
将每帧标准熔炼图像中初步扫描轨迹的标准坐标点与每帧实时熔炼图像中实时熔炼轨迹的实时坐标点进行比较,获得坐标差值。
进一步地,所述训练出预测工件熔炼速度的第一机器学习模型的方法为:
将每组熔炼速度特征数据转换为第一特征向量,将每组第一特征向量作为第一机器学习模型的输入,所述第一机器学习模型以每组第一特征向量预测的熔炼速度标签为预测目标,以最小化对所有熔炼速度标签的预测误差之和作为训练目标;对第一机器学习模型进行训练,直至预测误差之和达到收敛时停止模型训练,训练出根据熔炼速度特征数据输出预测的熔炼速度标签的第一机器学习模型;所述第一机器学习模型是多项式回归模型;该预测的熔炼速度标签即为电子束熔炼设备熔炼工件的熔炼速度;
所述训练出预测偏移轨迹的第二机器学习模型的方法为:
将每组偏移轨迹特征数据转换为第二特征向量,每组第二特征向量作为第二机器学习模型的输入,所述第二机器学习模型以每组第二特征向量预测的偏移轨迹标签为预测目标,以最小化对所有偏移轨迹标签的预测误差之和作为训练目标;对第二机器学习模型进行训练,直至预测误差之和达到收敛时停止模型训练,训练出根据偏移轨迹特征数据输出预测的偏移轨迹标签的第二机器学习模型;所述第二机器学习模型是多项式回归模型;该预测的偏移轨迹标签即为电子束熔炼设备的扫描轨迹偏移坐标。
进一步地,所述实时熔炼数据包括电子束熔炼设备在熔炼工件过程中的实时电子束能量密度、实时熔炼温度、实时熔炼深度以及每一单位时刻的实时熔炼图像中实时熔炼轨迹的实时坐标点;
检测电子束熔炼设备发生扫描轨迹偏移的方法:
在任意时刻,实时熔炼图像的偏移轨迹值大于等于预设的偏移轨迹阈值,判断为实时扫描轨迹发生扫描轨迹偏移,若实时熔炼图像的偏移轨迹值小于预设的偏移轨迹阈值时,则判断实时扫描轨迹为未发生轨迹偏移。
进一步地,所述获得熔炼深度纠偏值和轨迹纠偏值的方法为:
从训练完成的第一机器学习模型的熔炼速度训练数据中,获得对应的第一函数表达式,其中,/>为实时电子束能量密度、/>为实时熔炼温度,/>为实时熔炼深度;
从训练完成的第二机器学习模型的偏移轨迹训练数据中,获得对应的第二函数表达式,其中,/>为坐标差值;
设置优化目标E,设置熔炼深度纠偏值变量和轨迹纠偏值变量/>;
在实际生产环境中,将电子束熔炼设备的实时电子束能量密度标记为,实时熔炼温度标记为/>,将实时熔炼深度标记为/>;
所述优化目标E=;即优化的目标为最小熔炼速度,通过调整熔炼速度,尽可能避免工件熔炼质量存在问题;
设置约束目标F,其中约束目标F为:;其中,/>为电子束熔炼设备的最小扫描轨迹偏移量。
进一步地,以最小化优化目标函数E为第一函数表达式的优化目标,以约束目标F作为第二函数表达式的约束,使用优化问题求解工具、遗传算法或蚁群算法对函数表达式进行求解,获得熔炼深度纠偏值变量和扫描轨迹纠偏值的解,则熔炼深度纠偏值变量的解作为熔炼深度纠偏值,而扫描轨迹纠偏值变量的解作为扫描轨迹纠偏值。
第二方面,本发明提供基于扫描轨迹控制的电子束镍铌熔炼***,用于实施上述的基于扫描轨迹控制的电子束镍铌熔炼方法,包括:
仿真数据采集模块,将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;
模型训练模块,基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;
偏移轨迹纠偏模块,在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,并检测电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼速度、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;电子束熔炼设备控制熔炼过程中的工件的熔炼深度纠偏值,并控制扫描轨迹降低轨迹纠偏值。
第三方面,本发明提供一种电子设备,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,执行上述的基于扫描轨迹控制的电子束镍铌熔炼方法。
第四方面,本发明提供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基于扫描轨迹控制的电子束镍铌熔炼方法。
本发明的技术效果和优点:
本发明将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,并检测电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼速度、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;电子束熔炼设备控制熔炼过程中的工件的熔炼深度纠偏值,并控制扫描轨迹降低轨迹纠偏值;本发明通过调节熔炼深度以及扫描轨迹,尽可能降低工件熔炼质量缺陷错误率,实现扫描轨迹自动纠偏控制;进一步地使用优化算法求解电子束熔炼设备的扫描轨迹的轨迹纠偏值,避免工件出现熔炼质量缺陷问题;从而达到及时发现工件熔炼时扫描轨迹偏移并快速调整扫描轨迹,保证了工件熔炼质量。
附图说明
图1为本发明实施例1的方法流程图;
图2为本发明实施例1的子工件切片扫描轨迹示意图;
图3为本发明实施例1的初步扫描轨迹示意图;
图4为本发明实施例2的***示意图;
图5为本发明实施例3的一种电子设备示意图;
图6为本发明实施例4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。
电子束熔炼的金属包括但不限定于金属铌、钨、钼等金属及其合金高级合金钢等高熔点金属,下述实施例中的工件以合金镍铌为例,在电子束熔炼时,电子束熔炼设备如何扫描轨迹的偏移如何纠偏进行阐述。
实施例1
请参阅图1所示,本实施例公开提供了基于扫描轨迹控制的电子束镍铌熔炼方法,包括:
步骤1、将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;
步骤2、基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;
步骤3、在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,当监测到电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼数据、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;
步骤4、电子束熔炼设备根据熔炼深度纠偏值与轨迹纠偏值对实时扫描轨迹进行修正;重复执行步骤3-步骤4,直至监测到扫描轨迹未发生轨迹偏移。
需要说明的是,所述设计出初步扫描轨迹的方法包括:
101.沿着待熔炼工件的垂直方向或水平方向分成n个均匀厚度的子工件切片;厚度根据电子束照射到待熔炼工件上单位时间的熔炼深度确定,即厚度等于熔炼深度,或将厚度与熔炼深度的差值控制在预设误差范围内即可,预设误差范围由工作人员根据时间情况进行设定。
102.通过激光扫描仪采集每个子工件切片的外形特征数据并存储至数据库,所述外形特征数据包括几何特征、尺寸和轮廓;
103.基于每个子工件切片的外形特征数据,通过轨迹生成算法将外形特征数据转化为电子束熔炼设备的初步扫描轨迹;
需要说明的是,所述初步扫描轨迹为根据工件熔炼的起始位置至熔炼完成的终点位置的扫描轨迹;所述轨迹生成算法包括但不限定于光划路径法、矢量扫描法或自由形路径法等等;起始位置为首片子工件切片熔炼开始位置,终点位置为最后一片子工件切片熔炼结束位置;在外形特征数据转化为电子束的初步扫描轨迹之前还需对外形特征数据进行预处理,所述预处理的方式包括但不限定于数据去噪、填补以及平滑化处理等等,以确保初步扫描轨迹的准确性和流畅性;
在步骤103中,在仿真实验中,将电子束焦点(如图2中圆点所示)铺满每个子工件切片横截面,以S型连接每个子工件切片横截面上的电子束焦点,形成S型形状的子工件切片扫描轨迹,再以S型连接所有子工件切片扫描轨迹1,形成初步扫描轨迹2,如图3所示;
其中,在所述仿真实验时,收集不同熔炼时长的测试电子束熔炼设备,并控制每台电子束熔炼设备以熔炼速度曲线的速度,将工件的外形特征数据转化为电子束熔炼设备的预设初步扫描轨迹进行工件熔炼;需要说明的是,熔炼速度曲线为在熔炼过程中,随着时间变化的实时熔炼速度形成的曲线;
本步骤中,通过在仿真实验中设计并模拟初步扫描轨迹,有利于在实际熔炼之前,可以使用扫描轨迹记录程序来预览路径的行为和效果,以确保初步扫描轨迹设计的准确性和可行性。
进一步地,通过测试人员在电子束熔炼设备控制熔炼速度以及扫描轨迹,并使用不同的数据采集设备,收集熔炼速度训练数据以及偏移轨迹训练数据;
具体的,收集所述熔炼速度训练数据的方法为:
在每个测试电子束熔炼设备上安装透射电子显微镜、温度传感器、激光传感器、雷达流速仪以及图像采集设备,具体的,透射电子显微镜、温度传感器、激光传感器、雷达流速仪以及图像采集设备的安装位置根据测试电子束熔炼设备的具体结构而具体而定。所述图像采集设备包括但不限定于光谱仪、高清摄像机或红外热成像仪,优选为光谱仪;
对于仿真实验环境中的每次工件熔炼过程,在熔炼的每一单位时刻,通过透射电子显微镜获得实时电子束能量密度,通过温度传感器获得实时熔炼温度,通过激光传感器测量工件熔炼的反射光来获得实时熔炼深度,通过图像采集设备获得工件熔炼的实时熔炼图像,通过雷达流速仪获取工件熔炼的实时熔炼速度,需要说明的是,为了便于计算,本实施例中,将每一单位时刻的时长设置为图像采集设备拍摄实时熔炼图像的帧数;
所述熔炼速度训练数据包括每一单位时刻的熔炼速度特征数据以及熔炼速度特征数据对应的熔炼速度标签;
所述熔炼速度特征数据包括实时电子束能量密度、实时熔炼温度以及实时熔炼深度;
所述熔炼速度标签为每一单位时刻对应的工件熔炼的实时熔炼速度;
采集所述偏移轨迹训练数据的方法为:
在图像采集设备中安装有扫描轨迹记录程序,所述扫描轨迹记录程序使用目标识别算法识别每帧实时熔炼图像中的工件,并使用视觉反馈控制原理检测工件的扫描轨迹;所述扫描轨迹记录程序预存有每帧标准熔炼图像,所述每帧标准熔炼图像对应有图像采集设备的相对位置、相对拍摄角度以及对应的初步扫描轨迹中的标准坐标点。
每帧实时熔炼图像均对应有图像采集设备的指定放置位置,获取所述图像采集设备的当前位置、当前拍摄角度以及实时扫描轨迹,并将当前位置与相对位置进行比较,将当前拍摄角度与相对拍摄角度进行比较;
当图像采集设备的当前位置和相对位置相同时,且当前角度和相对拍摄角度相同时,通过图像采集设备采集对应的实时熔炼图像;
图像采集设备以本机的位置作为坐标原点,预先建立平面坐标系;
进一步地,获取图像采集设备的当前位置和当前拍摄角度,包括:
基于平面坐标系,获取所述图像采集设备的X轴坐标和Y轴坐标,并根据X轴坐标和Y轴坐标获取图像采集设备的当前位置。
所述X轴坐标和Y轴坐标建立定位射线,并根据定位射线在平面坐标系中获取图像采集设备的当前拍摄角度。
基于当前位置和当前拍摄角度,获取实时扫描轨迹的实时坐标点;
将每帧标准熔炼图像中初步扫描轨迹的标准坐标点与每帧实时熔炼图像中实时熔炼轨迹的实时坐标点进行比较;
计算每帧实时熔炼图像中实时扫描轨迹的实时坐标点与初步扫描轨迹中对应的标准坐标点的坐标差值,将每帧的坐标差值作为该帧实时熔炼图像的偏移轨迹值;若任一帧实时熔炼图像的偏移轨迹值大于等于预设的偏移轨迹阈值,则向测试人员发送纠偏指令;
测试人员接收到纠偏指令后,电子束熔炼设备以随机的熔炼深度进行调节,或将坐标差值添加随机值;
所述偏移轨迹训练数据包括在发送纠偏指令后,记录的每一单位时刻的偏移轨迹特征数据以及偏移轨迹训练数据对应的偏移轨迹标签;
其中,偏移轨迹特征数据包括实时电子束能量密度、实时熔炼温度以及坐标差值;
其中所述偏移轨迹标签为每一单位时刻的实时扫描轨迹的偏移坐标;
需要说明的是,所述训练出预测工件熔炼速度的第一机器学习模型的方法为:
熔炼速度训练数据中,将每组熔炼速度特征数据转换为第一特征向量,将每组第一特征向量作为第一机器学习模型的输入,所述第一机器学习模型以每组第一特征向量预测的熔炼速度标签为预测目标,以最小化对所有熔炼速度标签的预测误差之和作为训练目标;对第一机器学习模型进行训练,直至预测误差之和达到收敛时停止模型训练,训练出根据熔炼速度特征数据输出预测的熔炼速度标签的第一机器学习模型;优选的,所述第一机器学习模型是多项式回归模型;可以理解的是,该预测的熔炼速度标签即为电子束熔炼设备熔炼工件的熔炼速度;
所述训练出预测偏移轨迹的第二机器学习模型的方法为:
偏移轨迹训练数据中,将每组偏移轨迹特征数据转换为第二特征向量,每组第二特征向量作为第二机器学习模型的输入,所述第二机器学习模型以每组第二特征向量预测的偏移轨迹标签为预测目标,以最小化对所有偏移轨迹标签的预测误差之和作为训练目标;对第二机器学习模型进行训练,直至预测误差之和达到收敛时停止模型训练,训练出根据偏移轨迹特征数据输出预测的偏移轨迹标签的第二机器学习模型;优选的,所述第二机器学习模型是多项式回归模型;可以理解的是,该预测的偏移轨迹标签即为电子束熔炼设备的扫描轨迹偏移坐标;
需要说明的是,所述预测误差的计算公式为,式中,/>为特征数据的编号,/>为预测误差,/>为第/>组特征数据对应的预测的状态值,/>为第/>组特征数据对应的实际的状态值;例如,第一机器学习模型中,特征数据对应的是熔炼速度特征数据,状态值对应的是熔炼速度标签;第二机器学习模型中,特征数据对应的是偏移轨迹特征数据,状态值对应的是偏移轨迹标签;
需要说明的是,所述仿真实验为测试人员不参与熔炼控制,用于使用电子束熔炼设备的扫描轨迹所需的实际的熔炼环境。
所述实时熔炼数据包括电子束熔炼设备在熔炼工件过程中的实时电子束能量密度、实时熔炼温度、实时熔炼深度以及每一单位时刻的实时熔炼图像中实时熔炼轨迹的实时坐标点;
检测电子束熔炼设备发生扫描轨迹偏移的方法:
在任意时刻,实时熔炼图像的偏移轨迹值大于等于预设的偏移轨迹阈值,判断为实时扫描轨迹发生扫描轨迹偏移,若实时熔炼图像的偏移轨迹值小于预设的偏移轨迹阈值时,则判断实时扫描轨迹为未发生轨迹偏移;
所述获得熔炼深度纠偏值和轨迹纠偏值的方法为:
从训练完成的第一机器学习模型的熔炼速度训练数据中,获得对应的第一函数表达式,其中,/>为实时电子束能量密度、/>为实时熔炼温度,/>为实时熔炼深度;
从训练完成的第二机器学习模型的偏移轨迹训练数据中,获得对应的第二函数表达式,其中,/>为坐标差值;
设置优化目标E,设置熔炼深度纠偏值变量和轨迹纠偏值变量/>;
在实际生产环境中,将电子束熔炼设备的实时电子束能量密度标记为,实时熔炼温度标记为/>,将实时熔炼深度标记为/>;
所述优化目标E=;即优化的目标为最小熔炼速度,通过调整熔炼速度,尽可能避免工件熔炼质量存在问题;
设置约束目标F,其中约束目标F为:;其中,/>为电子束熔炼设备的最小扫描轨迹偏移量,最小扫描轨迹偏移量可以通过预先进行扫描轨迹偏移实现获得,即不断改变熔炼工件的扫描轨迹偏移量,直至工件出现质量问题时,将此刻的扫描轨迹偏移量作为最小扫描轨迹偏移量,约束目标/>用来约束在对工件熔炼使用熔炼速度和扫描偏移轨迹时,避免工件出现质量问题;
以最小化优化目标函数E为第一函数表达式的优化目标,以约束目标F作为第二函数表达式的约束,使用优化问题求解工具、蚁群算法或遗传算法对函数表达式进行求解,获得熔炼深度纠偏值变量和扫描轨迹纠偏值的解,则熔炼深度纠偏值变量的解作为熔炼深度纠偏值,而扫描轨迹纠偏值变量的解作为扫描轨迹纠偏值。
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。
本实施例将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,并检测电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼速度、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;电子束熔炼设备控制熔炼过程中的工件的熔炼深度纠偏值,并控制扫描轨迹降低轨迹纠偏值;本实施例通过调节熔炼深度以及扫描轨迹,尽可能降低工件熔炼质量缺陷错误率,实现扫描轨迹自动纠偏控制;进一步地使用优化算法求解电子束熔炼设备的扫描轨迹的轨迹纠偏值,避免工件出现熔炼质量缺陷问题;从而达到及时发现工件熔炼时扫描轨迹偏移并快速调整扫描轨迹,保证了工件熔炼质量。
实施例2
请参阅图4所示,本实施例提供了基于扫描轨迹控制的电子束镍铌熔炼***,包括:
仿真数据采集模块,将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;
模型训练模块,基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;
偏移轨迹纠偏模块,在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,并检测电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼速度、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;电子束熔炼设备控制熔炼过程中的工件的熔炼深度纠偏值,并控制扫描轨迹降低轨迹纠偏值。
实施例3
请参阅图5所示,本实施例公开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,执行上述的基于扫描轨迹控制的电子束镍铌熔炼方法。
实施例4
请参阅图6所示,本实施例公开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基于扫描轨迹控制的电子束镍铌熔炼方法。
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。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术作出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (13)
1.基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,包括:
步骤1、将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;
步骤2、基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;
步骤3、在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,当监测到电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼数据、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;
步骤4、电子束熔炼设备根据熔炼深度纠偏值与轨迹纠偏值对实时扫描轨迹进行修正,重复执行步骤3-步骤4,直至监测到扫描轨迹未发生轨迹偏移。
2.根据权利要求1所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,所述设计出初步扫描轨迹的方法包括:
沿着待熔炼工件的垂直方向或水平方向分成n个均匀厚度的子工件切片,厚度根据电子束照射到待熔炼工件上单位时间的熔炼深度确定;
通过激光扫描仪采集每个子工件切片的外形特征数据并存储至数据库,所述外形特征数据包括几何特征、尺寸和轮廓;
基于每个子工件切片的外形特征数据,通过轨迹生成算法将外形特征数据转化为电子束熔炼设备的初步扫描轨迹;
所述初步扫描轨迹为工件熔炼的起始位置至熔炼完成的终点位置的扫描轨迹;所述轨迹生成算法为光划路径法、矢量扫描法和自由形路径法的其中一种,起始位置为首片子工件切片熔炼开始位置,终点位置为最后一片子工件切片熔炼结束位置。
3.根据权利要求2所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,在所述仿真实验时,收集不同熔炼时长的测试电子束熔炼设备,并控制每台电子束熔炼设备以预设熔炼速度曲线的速度,将工件的外形特征数据转化为电子束熔炼设备的初步扫描轨迹进行工件熔炼;所述熔炼速度曲线为在熔炼过程中,随着时间变化的实时熔炼速度形成的曲线;通过测试人员在电子束熔炼设备控制熔炼速度以及扫描轨迹,并使用数据采集设备,收集熔炼速度训练数据以及偏移轨迹训练数据。
4.根据权利要求3所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,所述数据采集设备包括透射电子显微镜、温度传感器、激光传感器、雷达流速仪以及图像采集设备;
收集所述熔炼速度训练数据的方法为:
在每个测试电子束熔炼设备上安装透射电子显微镜、温度传感器、激光传感器、雷达流速仪以及图像采集设备;
对于仿真实验中的每次工件熔炼过程,在熔炼的每一单位时刻,通过透射电子显微镜获得实时电子束能量密度,通过温度传感器获得实时熔炼温度,通过激光传感器测量工件熔炼的反射光来获得实时熔炼深度,通过图像采集设备获得工件熔炼的实时熔炼图像,通过雷达流速仪获取工件熔炼的实时熔炼速度;将每一单位时刻的时长设置为图像采集设备拍摄实时熔炼图像的帧数;
所述熔炼速度训练数据包括每一单位时刻的熔炼速度特征数据以及熔炼速度特征数据对应的熔炼速度标签;
所述熔炼速度特征数据包括实时电子束能量密度、实时熔炼温度以及实时熔炼深度;
所述熔炼速度标签为每一单位时刻对应的工件熔炼的实时熔炼速度。
5.根据权利要求4所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,采集所述偏移轨迹训练数据的方法为:
在图像采集设备中安装有扫描轨迹记录程序,所述扫描轨迹记录程序使用目标识别算法识别每帧实时熔炼图像中的工件,并使用视觉反馈控制原理检测工件的扫描轨迹;所述扫描轨迹记录程序预存有每帧标准熔炼图像,所述每帧标准熔炼图像对应有图像采集设备的相对位置、相对拍摄角度以及对应的初步扫描轨迹中的标准坐标点;
计算每帧实时熔炼图像中实时扫描轨迹的实时坐标点与初步扫描轨迹中对应的标准坐标点的坐标差值,将每帧的坐标差值作为对应的每帧实时熔炼图像的偏移轨迹值;若任一帧实时熔炼图像的偏移轨迹值大于等于预设的偏移轨迹阈值,则向测试人员发送纠偏指令;
测试人员接收到纠偏指令后,电子束熔炼设备以随机的熔炼深度进行调节,或将坐标差值添加随机值;
所述偏移轨迹训练数据包括在发送纠偏指令后,记录的每一单位时刻的偏移轨迹特征数据以及偏移轨迹训练数据对应的偏移轨迹标签;
偏移轨迹特征数据包括实时电子束能量密度、实时熔炼温度以及坐标差值;
所述偏移轨迹标签为每一单位时刻的实时扫描轨迹的偏移坐标。
6.根据权利要求5所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,所述计算每帧实时熔炼图像中实时扫描轨迹的实时坐标点与初步扫描轨迹中对应的标准坐标点的坐标差值的方法包括:
每帧实时熔炼图像均对应有图像采集设备的指定放置位置,获取所述图像采集设备的当前位置、当前拍摄角度以及实时扫描轨迹,并将当前位置与相对位置进行比较,将当前拍摄角度与相对拍摄角度进行比较;
当图像采集设备的当前位置和相对位置相同时,且当前角度和相对拍摄角度相同时,通过图像采集设备采集对应的实时熔炼图像;
图像采集设备以本机的位置作为坐标原点,预先建立平面坐标系;
获取图像采集设备的当前位置和当前拍摄角度,包括:
基于平面坐标系,获取所述图像采集设备的X轴坐标和Y轴坐标,并根据X轴坐标和Y轴坐标获取图像采集设备的当前位置;
所述X轴坐标和Y轴坐标建立定位射线,并根据定位射线在平面坐标系中获取图像采集设备的当前拍摄角度;
基于当前位置和当前拍摄角度,获取实时扫描轨迹的实时坐标点;
将每帧标准熔炼图像中初步扫描轨迹的标准坐标点与每帧实时熔炼图像中实时熔炼轨迹的实时坐标点进行比较,获得坐标差值。
7.根据权利要求6所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,所述训练出预测工件熔炼速度的第一机器学习模型的方法为:
将每组熔炼速度特征数据转换为第一特征向量,将每组第一特征向量作为第一机器学习模型的输入,所述第一机器学习模型以每组第一特征向量预测的熔炼速度标签为预测目标,以最小化对所有熔炼速度标签的预测误差之和作为训练目标;对第一机器学习模型进行训练,直至预测误差之和达到收敛时停止模型训练,训练出根据熔炼速度特征数据输出预测的熔炼速度标签的第一机器学习模型;所述第一机器学习模型是多项式回归模型;
所述训练出预测偏移轨迹的第二机器学习模型的方法为:
将每组偏移轨迹特征数据转换为第二特征向量,每组第二特征向量作为第二机器学习模型的输入,所述第二机器学习模型以每组第二特征向量预测的偏移轨迹标签为预测目标,以最小化对所有偏移轨迹标签的预测误差之和作为训练目标;对第二机器学习模型进行训练,直至预测误差之和达到收敛时停止模型训练,训练出根据偏移轨迹特征数据输出预测的偏移轨迹标签的第二机器学习模型;所述第二机器学习模型是多项式回归模型。
8.根据权利要求7所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,所述实时熔炼数据包括电子束熔炼设备在熔炼工件过程中的实时电子束能量密度、实时熔炼温度、实时熔炼深度以及每一单位时刻的实时熔炼图像中实时熔炼轨迹的实时坐标点;
监测电子束熔炼设备发生扫描轨迹偏移的方法:
在任意时刻,实时熔炼图像的偏移轨迹值大于等于预设的偏移轨迹阈值,判断为实时扫描轨迹发生扫描轨迹偏移,若实时熔炼图像的偏移轨迹值小于预设的偏移轨迹阈值时,则判断实时扫描轨迹为未发生轨迹偏移。
9.根据权利要求8所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,所述获得熔炼深度纠偏值和轨迹纠偏值的方法为:
从训练完成的第一机器学习模型的熔炼速度训练数据中,获得对应的第一函数表达式,其中,/>为实时电子束能量密度、/>为实时熔炼温度,/>为实时熔炼深度;
从训练完成的第二机器学习模型的偏移轨迹训练数据中,获得对应的第二函数表达式,其中,/>为坐标差值;
设置优化目标E,设置熔炼深度纠偏值变量和轨迹纠偏值变量/>;
在实际生产环境中,将电子束熔炼设备的实时电子束能量密度标记为,实时熔炼温度标记为/>,将实时熔炼深度标记为/>;
所述优化目标E=;即优化的目标为最小熔炼速度;
设置约束目标F,其中约束目标F为:;其中,/>为电子束熔炼设备的最小扫描轨迹偏移量。
10.根据权利要求9所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,以最小化优化目标函数E为第一函数表达式的优化目标,以约束目标F作为第二函数表达式的约束,使用优化问题求解工具、遗传算法或蚁群算法对函数表达式进行求解,获得熔炼深度纠偏值变量和扫描轨迹纠偏值的解,则熔炼深度纠偏值变量的解作为熔炼深度纠偏值,而扫描轨迹纠偏值变量的解作为扫描轨迹纠偏值。
11.基于扫描轨迹控制的电子束镍铌熔炼***,用于实施权利要求1-10中任一项所述的基于扫描轨迹控制的电子束镍铌熔炼方法,其特征在于,包括:
仿真数据采集模块,将待熔炼工件划分为n个子工件切片,收集每个子工件切片的外形特征数据,并设计出初步扫描轨迹;在仿真实验中,基于初步扫描轨迹,收集熔炼速度训练数据以及偏移轨迹训练数据;
模型训练模块,基于熔炼速度训练数据,训练出预测工件熔炼速度的第一机器学习模型,基于偏移轨迹训练数据,训练出预测偏移轨迹的第二机器学习模型;
偏移轨迹纠偏模块,在实际生产环境中,收集工件在熔炼过程中的实时熔炼数据,当监测到电子束熔炼设备发生扫描轨迹偏移时,基于实时扫描轨迹、实时熔炼数据、第一机器学习模型和第二机器学习模型,获得熔炼深度纠偏值和轨迹纠偏值;电子束熔炼设备根据熔炼深度纠偏值与轨迹纠偏值对实时扫描轨迹进行修正。
12.一种电子设备,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中任一项所述的基于扫描轨迹控制的电子束镍铌熔炼方法。
13.一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中任一项所述的基于扫描轨迹控制的电子束镍铌熔炼方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634390.3A CN117332705B (zh) | 2023-12-01 | 2023-12-01 | 基于扫描轨迹控制的电子束镍铌熔炼方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311634390.3A CN117332705B (zh) | 2023-12-01 | 2023-12-01 | 基于扫描轨迹控制的电子束镍铌熔炼方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117332705A true CN117332705A (zh) | 2024-01-02 |
CN117332705B CN117332705B (zh) | 2024-02-13 |
Family
ID=89279706
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311634390.3A Active CN117332705B (zh) | 2023-12-01 | 2023-12-01 | 基于扫描轨迹控制的电子束镍铌熔炼方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332705B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02117762A (ja) * | 1988-10-27 | 1990-05-02 | Ube Ind Ltd | ビレツトの溶解方法 |
SU1750891A1 (ru) * | 1987-04-13 | 1992-07-30 | Институт Электросварки Им.Е.О.Патона | Способ электронно-лучевой сварки |
WO2010106621A1 (ja) * | 2009-03-16 | 2010-09-23 | 株式会社アドバンテスト | マルチコラム電子線描画装置及びその電子線軌道調整方法 |
CN105414733A (zh) * | 2015-11-25 | 2016-03-23 | 北京航星机器制造有限公司 | 电子束焊接异种体系铝合金的方法 |
CN106853549A (zh) * | 2015-12-08 | 2017-06-16 | 上海新力动力设备研究所 | 一种薄壁异种马氏体时效钢的电子束焊接方法 |
CN106918834A (zh) * | 2017-03-28 | 2017-07-04 | 核工业理化工程研究院 | 电子束扫描轨迹的精确测量方法 |
CN108034835A (zh) * | 2017-12-31 | 2018-05-15 | 株洲稀美泰材料有限责任公司 | 电子束扫描控制***及与其配套使用的电子束加速电源和电子束熔炼炉 |
CN112427793A (zh) * | 2020-10-26 | 2021-03-02 | 宁波江丰电子材料股份有限公司 | 一种针对电子束焊接气孔的填补方法 |
CN112903548A (zh) * | 2019-12-04 | 2021-06-04 | 西门子股份公司 | 对烟雾事件的识别和电子束熔炼设备 |
CN114779616A (zh) * | 2021-12-27 | 2022-07-22 | 有研工程技术研究院有限公司 | 一种电子束偏转扫描方法 |
CN116551215A (zh) * | 2023-07-06 | 2023-08-08 | 北京新科以仁科技发展有限公司 | 激光器的激光扫描控制方法、装置、设备及存储介质 |
CN116872218A (zh) * | 2023-09-05 | 2023-10-13 | 泓浒(苏州)半导体科技有限公司 | 一种半导体晶圆传送过程偏心纠正方法及纠正*** |
-
2023
- 2023-12-01 CN CN202311634390.3A patent/CN117332705B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SU1750891A1 (ru) * | 1987-04-13 | 1992-07-30 | Институт Электросварки Им.Е.О.Патона | Способ электронно-лучевой сварки |
JPH02117762A (ja) * | 1988-10-27 | 1990-05-02 | Ube Ind Ltd | ビレツトの溶解方法 |
WO2010106621A1 (ja) * | 2009-03-16 | 2010-09-23 | 株式会社アドバンテスト | マルチコラム電子線描画装置及びその電子線軌道調整方法 |
CN105414733A (zh) * | 2015-11-25 | 2016-03-23 | 北京航星机器制造有限公司 | 电子束焊接异种体系铝合金的方法 |
CN106853549A (zh) * | 2015-12-08 | 2017-06-16 | 上海新力动力设备研究所 | 一种薄壁异种马氏体时效钢的电子束焊接方法 |
CN106918834A (zh) * | 2017-03-28 | 2017-07-04 | 核工业理化工程研究院 | 电子束扫描轨迹的精确测量方法 |
CN108034835A (zh) * | 2017-12-31 | 2018-05-15 | 株洲稀美泰材料有限责任公司 | 电子束扫描控制***及与其配套使用的电子束加速电源和电子束熔炼炉 |
CN112903548A (zh) * | 2019-12-04 | 2021-06-04 | 西门子股份公司 | 对烟雾事件的识别和电子束熔炼设备 |
CN112427793A (zh) * | 2020-10-26 | 2021-03-02 | 宁波江丰电子材料股份有限公司 | 一种针对电子束焊接气孔的填补方法 |
CN114779616A (zh) * | 2021-12-27 | 2022-07-22 | 有研工程技术研究院有限公司 | 一种电子束偏转扫描方法 |
CN116551215A (zh) * | 2023-07-06 | 2023-08-08 | 北京新科以仁科技发展有限公司 | 激光器的激光扫描控制方法、装置、设备及存储介质 |
CN116872218A (zh) * | 2023-09-05 | 2023-10-13 | 泓浒(苏州)半导体科技有限公司 | 一种半导体晶圆传送过程偏心纠正方法及纠正*** |
Non-Patent Citations (4)
Title |
---|
LIDAN NING ET AL.: "Numerical Simulation on Electron Beam Smelting Temperature Field of Novel Ni–Co-Based Superalloy", 《METALLURGICAL AND MATERIALS TRANSACTIONS B》, vol. 54, pages 2967 - 2980 * |
YUHANG LI ET AL.: "Ultrafine microstructure development in laser polishing of selective laser melted Ti alloy", 《JOURNAL OF MATERIALS SCIENCE & TECHNOLOGY》, vol. 83, pages 1 - 5 * |
李少青等: "基于可编程控制的扫描电子束加工技术", 《焊接学报》, vol. 26, no. 7, pages 61 - 66 * |
杨尚磊等: "基于扫描轨迹控制的Ti-Mo耐高温梯度材料电子束熔炼制备技术研究", 《材料工程》, no. 1, pages 244 - 246 * |
Also Published As
Publication number | Publication date |
---|---|
CN117332705B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mani et al. | A review on measurement science needs for real-time control of additive manufacturing metal powder bed fusion processes | |
US20210146447A1 (en) | Additive manufacturing method and apparatus | |
Xu et al. | Realisation of a multi-sensor framework for process monitoring of the wire arc additive manufacturing in producing Ti-6Al-4V parts | |
US10725447B2 (en) | Method for automated straightening of welded assemblies | |
CN108489986A (zh) | 一种增材制造在线检测及修复方法 | |
CN108838397B (zh) | 一种激光增材制造在线监测方法 | |
CN109483888A (zh) | 一种激光熔覆增材成形在线监测装置及前瞻-反馈控制方法 | |
CN111024736A (zh) | 一种激光增材制造的缺陷在线监测方法 | |
CN111046609A (zh) | 一种基于bp神经网络焊接工艺参数优化方法 | |
TWI610749B (zh) | 雷射切割功率調整系統及其功率調整方法 | |
Lei et al. | Experiment study and regression analysis of molten pool in laser welding | |
CN112404883B (zh) | 一种实时精准液态微型锻造增材再制造方法及装置 | |
US20230141266A1 (en) | Systems and Methods | |
CN117020399B (zh) | 一种激光机调整光束聚焦的处理方法及*** | |
CN115775249A (zh) | 一种增材制造造件成形质量监测方法、***及存储介质 | |
CN117332705B (zh) | 基于扫描轨迹控制的电子束镍铌熔炼方法及*** | |
CN114997038B (zh) | 一种选区激光熔化区域温度预测及变参数扫描方法 | |
CN110893515B (zh) | 加工条件调整装置以及机器学习装置 | |
JP5906992B2 (ja) | 鋳片の凝固状態推定方法及び連続鋳造方法 | |
CN114131200B (zh) | 一种激光-电弧复合焊接的过程控制方法、***及装置 | |
JP2018091720A (ja) | 金属材料のクリープ損傷を評価する評価方法及び評価装置 | |
Mireles | Process study and control of electron beam melting technology using infrared thermography | |
CN107931829B (zh) | 雷射切割功率调整***及其方法 | |
Baraldo et al. | Vision-based control for track geometry optimization of complex AM motion profiles by on-line laser power modulation | |
Ma et al. | Layer-wise surface quality improvement in laser powder bed fusion through surface anomaly detection and control |
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 |