[发明专利]用于激光选区熔化设备零部件成型失效的智能诊断方法

说明书

本发明属于金属增材制造领域，公开了一种用于激光选区熔化设备零部件成型失效的智能诊断方法，其主要步骤包括分析整理SLM零件成型质量故障树，确定变量集和变量域；对比故障树结构确定贝叶斯网络结构；通过先验数据和知识或者观察测试或者专家经验来确定节点条件概率表。本发明能够确定零件成型缺陷发生原因的概率大小，帮助工艺人员准确调整工艺参数，提升增材制造的稳定性和一次合格率。

技术领域

本发明属于金属增材制造领域，更具体地，涉及一种用于激光选区熔化设备零部件成型失效的智能诊断方法。

背景技术

目前，在航空、航天以及兵器等重点领域，对关键构件进行快速、可靠、高质量定制化生产的需求非常迫切，而增材制造技术以其小批量、个性化以及能够成型具有复杂表面及内部结构的金属零件等特点，正在军工领域成为研究热点。但是，现阶段增材制造零件存在加工质量不稳定、一次成型合格率低、产品设计制造过程中过于依赖工艺人员的经验等问题，这些问题严重制约了增材制造技术的发展和推广应用。

激光选区熔化技术(SLM)是金属增材制造领域的主要发展方向。在SLM成型过程中，机械、电气、光学等各种因素相互耦合，都会对最终零件的成型质量产生影响。现阶段SLM制造过程中，主要依靠工艺人员对成型零件的缺陷进行判断，然后对扫描速度、扫描间距、扫描策略、激光功率以及分层厚度等工艺参数进行调整，最后再次通过打印测试来验证工艺参数的有效性。上述制造过程严重依赖工艺人员的经验，无法保证零件成型质量的稳定性和最优性。

发明内容

为了解决上述制约SLM技术发展和推广应用的问题，研究者正在将基于多信息融合的加工失效诊断及修正机制应用于SLM领域，具体过程是通过检测SLM加工过程的特征量来判断加工缺陷种类，进而利用多信息融合技术来准确调节工艺参数，确保加工过程稳定，提升零件成型质量。基于上述背景，提出一种用于激光选区熔化(SLM)设备零部件成型失效的智能诊断方法。

本发明公开了一种用于激光选区熔化设备零部件成型失效的智能诊断方法，旨在根据零件成型缺陷对工艺参数进行准确调整，提升SLM成型过程质量。

为实现上述目的，本发明提供了一种用于SLM设备零部件成型失效的智能诊断方法，其特征在于，包括以下步骤：

包括以下步骤：

步骤一：分析整理SLM零件成型质量故障树，确定变量集和变量域；

步骤二：对比故障树结构确定贝叶斯网络结构；

步骤三：确定节点条件概率表。

进一步，步骤一：在SLM专家的指导下，通过分析整理出SLM零部件成型质量故障树，根据节点的重要性等因素将故障树中的节点选择出来作为变量集。变量域的确定主要有两种手段，若历史数据足够丰富，可以通过对之进行总结来确定变量域的范围。否则，需通过与知识和领域专家交流，来确定这些变量的可能取值。

进一步，步骤二：在变量节点选定后，贝叶斯网络结构及节点间的因果关系通常有两种构造方式：由专家知识指定网络的结构或通过大量的样本数据学习确定。在SLM成型质量故障分析领域，由于故障树分析已经体现了各节点间的因果关系，因此只需要先进行条件独立性分析，如果满足条件独立性则可以对比故障树结构来确定贝叶斯网络的结构。

进一步，步骤三：通常，各节点条件概率表可以由三种方法确定。一种是用先验数据的统计频率和用户的知识来确定；另一种是用户通过测试和观察来确定；再一种是根据专家经验来确定。

总体而言，本发明构思的以上技术方案与现有方法相比具有以下优点：