[发明专利]一种基于深度学习的增材制造制件成形质量监控与预测方法

权利要求书

1.一种基于深度学习的增材制造制件成形质量监控与预测方法，其特征在于，包括以下步骤：

S1：使用图像获取模块获取增材制造过程中熔池的几何特征图像和温度特征图像，将所述几何特征图像进行分割为熔池、羽流和飞溅物三个特征分布区域，提取所述熔池、羽流和飞溅物的几何特征参数，将所述温度特征图像分割成与所述几何特征图像相对应的熔池、羽流和飞溅物三个温度特征分布区域，并取得温度特征参数；

S2：将所述几何特征参数与温度特征参数作为双流卷积神经网络的输入，结合所述几何特征参数、温度特征参数学习所述几何特征参数、温度特征参数几和制件成形质量之间隐藏的对应关系，将不同状态下的熔池、羽流、飞溅物的特征与相应的制件成形质量对应起来，进行成形质量类型的分类与监控；所述双流卷积神经网络训练方法包括：将提取的不同实验条件下的几何与温度特征图像采用opencv图像处理算法先进行几何特征与温度特征图像的感兴趣区域提取，对感兴趣区域图像进行图像滤波和降噪操作去除干扰因素，然后再进行归一化处理；采用独热编码方式对质量等级进行标定，将与不同几何和温度特征相相对应的成形质量等级图片添加质量合格、质量存在问题、质量无法修复三种类型标签，将前三次实验采集到的数据进行上述处理之后用来作为训练集；

S3：将上述的质量类型分类结果相对应的熔池、羽流和飞溅物几何与温度特征参数输入到训练好的成形质量预测模型中，结合不同的质量分类结果，模型预测出第n秒的成形质量等级。

2.根据权利要求1所述的基于深度学习的增材制造制件成形质量监控与预测方法，其特征在于，所述S3还包括装备参数修正单元对预测成形质量等级和标准成形质量等级进行比较，若差值在报警值以内，则判断成形质量合格；若差值在报警值和停机值之间，则判断成形质量存在问题，需修改工艺参数；若差值超过停机值，则判断修改工艺参数无法修复成形质量，需发出警报，并停止加工。

3.根据权利要求2所述的基于深度学习的增材制造制件成形质量监控与预测方法，其特征在于，所述S3还包括当判断成形质量存在问题，需修改工艺参数时，装备参数修正模块按照预测成形质量等级和预设成形质量等级的差值大小，调整工艺参数。

4.根据权利要求1所述的基于深度学习的增材制造制件成形质量监控与预测方法，其特征在于，所述熔池、羽流和飞溅物三个温度特征分布区域的步骤是使用卡尔曼滤波的目标跟踪方法定位熔池中心位置，并基于熔池中心将所述几何特征图像进行分割。

5.根据权利要求1所述的基于深度学习的增材制造制件成形质量监控与预测方法，其特征在于，所述双流卷积神经网络的建立方法包括：

所述双流卷积神经网络由两个并行的卷积神经网络组成，其中，第一流卷积神经网络包括卷积层、池化层、全连接层，所述卷积层采用5×5卷积核，所述卷积层用于提取隐藏在熔池图像中的几何特征，第二流卷积神经网络用于提取温度特征参数，将所述第一流卷积神经网络与第二流卷积神经网络在全连接层进行合并连接，全连接层将结合几何特征参数与温度特征参数来对成形质量进行分类，所用的分类函数为softmax函数。

6.根据权利要求5所述的基于深度学习的增材制造制件成形质量监控与预测方法，其特征在于，还包括在制件成形质量预测模型阶段，搭建y层长短期记忆神经网络作为主干网络，每层长短期记忆神经网络包括输入门、遗忘门、状态更新门和输出门；为防止过拟合，在长短期记忆神经网络后添加随机失活操作；最终输出加入Dense层将维度聚合为1，即输出成形质量等级。