[发明专利]一种基于温度场的DED过程硬度预测方法及装置

说明书

本发明提供一种基于温度场的DED过程硬度预测方法及装置，能够预测整个待测零件的硬度分布情况。所述方法包括：针对DED工艺打印过程暴露周期内热量周期变化的特点，确定温度场关键温度特征；在DED成型过程中，根据确定的温度场关键温度特征，获取待测零件的部分采样点的温度场数据；根据待测零件的形状，建立三维坐标系；根据温度场数据的关键温度特征在待测零件三个维度方向上的温度变化规律，从三个维度进行零件硬度预测，得到整个待测零件的硬度分布情况。本发明涉及无损监测领域。

技术领域

本发明涉及无损监测领域，特别是指一种基于温度场的DED过程硬度预测方法及装置。

背景技术

直接能量沉积(DED)是利用激光技术、计算机辅助设计和制造(CAD/CAM)、机器人、传感器和控制以及粉末冶金的跨学科技术。DED技术是一种金属添加剂制造(AM)方法，通过沉积头将熔化的原料(金属丝或粉末)沉积到所需的空间位置，从而使材料快速凝固。与粉末床选区激光熔化金属(SLM)技术不同的是，DED技术不依赖于压力室，压力室可以保护金属打印过程免受周围环境的影响。对于SLM打印过程，工作区域必须首先充满惰性气体，这是一个耗时的过程。而对于DED技术分类中的激光金属粉末沉积技术来说，因为惰性气体直接从激光头流出并包围粉末流和熔池，打印加工过程可以立即开始。DED近年来受到了极大关注，因为它可用于各种材料加工活动，如金属涂层，高价值元件修复，原型制造，甚至小批量生产。但是使用DED技术制造的零件可能过于不一致和不可靠，无法满足许多工业应用的硬度要求。在DED成型过程中，硬度是验证打印零件结构完整性和组件质量的重要指标，以确定其是否具备指定用途要求的特性，因而对加工过程中零件硬度进行实时预测具有重要意义。

目前，中国专利文献(申请号：201811202776.6，申请日：2018.10.16，申请公布号：CN 109409271 A)公开了一种基于反向传播神经网络(Back Propagation NeuralNetwork，BP神经网络)改进算法的铁磁材料硬度预测算法。该算法首先采集铁磁材料的巴克豪森信号，对信号集进行划分，获取巴克豪森噪声训练集和巴克豪森噪声测试集；然后对采集的信号进行自回归谱(Autoregression spectrum，AR谱)分析，选择5个阶次展开，分别是4、8、16、32、64阶，对展开的信号求二阶导，并以二阶导信号的谷宽，谷深和谷值点所在的位置作为特征，对这些谷使用K均值(k-means)算法进行距离，对信号进行编码，从而完成了特征维度的统一；然后对BP神经网络模型进行优化与训练。仿真表明本发明预测的结果很好，均方误差只有80，也就是每个硬度预测的误差可以保证在9个维氏硬度，而时域算法的均方误差为229，也就是大于15个维氏硬度，所以证明了算法有效性。但是，该算法并没有针对DED工艺打印过程暴露周期内热量周期变化的特点，对零件硬度进行分布无损预测。

发明内容

本发明要解决的技术问题是提供一种基于温度场的DED过程硬度预测方法及装置，以解决现有技术所存在的没有针对DED工艺打印过程暴露周期内热量周期变化的特点，对零件硬度进行分布无损预测的问题。

为解决上述技术问题，本发明实施例提供一种基于温度场的DED过程硬度预测方法，包括：

针对DED工艺打印过程暴露周期内热量周期变化的特点，确定温度场关键温度特征；

在DED成型过程中，根据确定的温度场关键温度特征，获取待测零件的部分采样点的温度场数据；

根据待测零件的形状，建立三维坐标系；

根据温度场数据的关键温度特征在待测零件三个维度方向上的温度变化规律，从三个维度进行零件硬度预测，得到整个待测零件的硬度分布情况。

进一步地，所述部分采样点为待测零件每层等间隔固定位置的点且能代表硬度总体分布情况。

进一步地，所述温度场关键温度特征包括：x方向关键温度特征、y方向关键温度特征及z方向关键温度特征；其中，