[发明专利]一种基于卷积神经网络的增材制造自反馈监测系统及方法

说明书

本发明专利公开了一种基于卷积神经网络的增材制造自反馈监测系统及方法，该系统主要由：增材制造机器、能够运行卷积神经网络的计算机、高精度麦克风阵列以及线材、支架组成。在增材制造机器打印过程中使用放置在机器内部的高精度压电麦克风阵列进行实时采集声信号，将信号进行滤波过滤机器产生的噪音，降噪后的声信号经提取特征信息提供给包括卷积神经网络在内的基于Python程序搭建的软件进行实时识别缺陷，并将识别后的缺陷信息经处理后自反馈给增材制造机器一系列指令，使机器接受指令随时调整打印参数或进行激光重熔来消除缺陷。

技术领域

本发明涉及智能控制技术领域，特别涉及一种基于卷积神经网络的增材制造自反馈监测系统及方法。

背景技术

激光选区熔化技术（以下简称SLM）被认为是最有应用前景的增材制造技术之一，该技术是一种金属基粉床增材制造技术，其制造构件的过程包括设计过程、打印过程、后处理过程和评估过程。设计过程包含从原材料选择到工艺规划，原材料被污染或者粉末颗粒有气孔等都会直接影响到构件的最终质量，工艺规划包括设定最优的工艺参数（如层厚、填充模式、扫描速度等）；打印过程包括材料的熔化、气化和凝固等；后处理包括表面抛光、热处理改性和热等静压消除冶金缺陷等。然而，在SLM打印过程中会产生难以控制的复杂缺陷，包括材料的熔化、气化和凝固等，涉及复杂的物理化学变化，会产生各类缺陷，如飞溅、球化、气孔、表面质量差、裂纹、几何变形等。这些会直接导致打印构件孔隙率低、致密度低、表面粗糙度高、氧化夹杂等工艺缺陷，降低构件的致密度、缩短构件的使用寿命、降低构件的尺寸精度等负面影响。而且选区激光熔化技术制造出的构件经常会出现承受高速冲击载荷（例如航天中的防御攻击、航空中的机翼抗气流干扰等），这就要求构件的缺陷足够少，从而提升构件的强度，硬度等力学性能。

如何确保打印构件质量的可靠性和制造的可重复性是SLM 面临的最大挑战，对SLM 进行过程监测和实时反馈控制是解决这一挑战的重要研究方向。工业CT等离线无损检测方法是目前通用的检测增材零件缺陷的方法，该方法是在增材结构制造完成后增加离线检测工序，会造成零件制造周期和成本的增加，且受制于结构形状的限制，不能对所有结构进行100%无损检测。

有鉴于此，有必要对现有技术予以改进，以解决上述问题。

发明内容

本发明的目的在于提供一种基于卷积神经网络的增材制造自反馈监测系统及方法，用于对所有结构进行100%无损检测，并消除增材制造过程中带来的各种构件缺陷。

为实现上述目的，本发明提供了以下技术方案：

一种基于卷积神经网络的增材制造自反馈监测系统及方法，包括以下步骤：

步骤A1：对增材制造构件的三维模型进行分层处理，获取二维轮廓，生成加工路径；

步骤A2：在增材制造成型腔内的固定点位放置麦克风传感器，当激光沿着上述加工路径开始熔化粉末时，获取熔化过程中的声信号数据，根据声信号数据使用深度学习自反馈控制模块进行降噪并连续小波变换；

步骤A3：过滤后的时频图经VGG16卷积神经网络，输出预测结果信息；

步骤A4：将预测结果信息反馈至增材制造机器内，并实时调整参数对接下来的打印构件截面规避缺陷的产生或采取激光重熔的方法消除缺陷。

作为本发明的进一步改进，所述步骤A2包括如下具体步骤：

步骤A21：采集增材制造机器成型腔内的激光熔化粉末过程中的声音传感器信号；

步骤A22：将采集到的原始熔化信号进行预滤波，即将打印过程中的无关噪音去除；

步骤A23：将滤波后的降噪声信号通过连续小波变换转换为时频域信号。

作为本发明的进一步改进，所述步骤A3包括如下具体步骤：

步骤A31：将步骤A2得到的经降噪与连续小波变换的同源时频域信号输入到具有6个块结构的VGG16卷积神经网络中，并设计VGG16卷积神经网络的卷积核随着时频域信号的时间轴滑动；