一种激光选区熔化技术原位质量综合评价方法技术

本发明专利技术公开了一种激光选区熔化技术原位质量综合评价方法，包括以下步骤，S1：采集激光选区熔化过程中的激光辐射强度数据和熔池图像；S2：利用激光辐射强度数据分析系统对步骤S1中采集的激光辐射强度数据进行分析；S3：利用基于卷积神经网络的激光选区熔化熔池图像分析系统对步骤S1中采集的熔池图像进行分析；S4：结合步骤S2和步骤S3的分析结果，对激光选区熔化的原位质量进行综合评价。本发明专利技术的评价方法智能化程度高，同时对激光选区熔化过程中采集的海量数据进行实时处理，处理速度快，基于大量数据的评价结果精确度高，方便对激光选区熔化过程中的工艺参数进行实时调整，能很好地避免或减少缺陷的生成，从而大大提高激光选区熔化产品的质量。区熔化产品的质量。区熔化产品的质量。

【技术实现步骤摘要】
一种激光选区熔化技术原位质量综合评价方法


[0001]本专利技术涉及金属增材制造
，尤其涉及一种激光选区熔化技术原位质量综合评价方法。

技术介绍

[0002]不同于铸造和锻造部件中出现的缺陷，金属增材制造部件尤其是激光选区熔化制造的部件存在许多独有的缺陷，例如孔隙率大、熔合不良、形状畸变等，这些缺陷的形成与增材制造过程中粉末的冶金参数、打印工艺等密不可分。因此，研究者必须更好地理解金属增材制造中各种加工参数与产品性能之间的复杂关系，才能实现减少产品缺陷、提高制造质量的目的。
[0003]为了理解这些参数与最终制造质量之间的关系，目前学者提出了两种驱动方式：一种是物理驱动，即研究人员通过建立各种物理模型，以一种清晰、准确的方式对这种关系进行描述，但是由于缺乏对增材制造的深入理解，这些模拟研究只能集中于整个制造过程的一个或两个方面，通过这些物理驱动的方法不可能在短时间内快速准确地预测整个增材制造过程；除了上述物理驱动模型外，数据驱动的模型也已广泛应用于增材制造领域，这些模型统一称为机器学习算法(Machine Learning，ML)。数据驱动的优势在于其不需要构建一系列基于物理过程的方程，而是根据以前的数据自动学习输入特征和输出目标之间的关系。在机器学习方法中，神经网络(Neural Network，NN)算法最为广泛使用，并且由于当前大量可用的数据和计算资源，以及其先进的算法结构，该算法目前正在快速发展。
[0004]激光增材制造在线监测硬件可以从多个传感器获得大量过程参数信息与数据，将这些加工参数信息数据作为神经网络的输入，经过神经网络的数据清洗、特征提取、特征选择、数据挖掘等过程，就可实现加工参数与产品质量之间复杂的非线性关系的表征，最终可以进行缺陷判别和质量分析，进而就能实现对制造过程的全闭环控制。
[0005]目前，国内乃至国外都还没有一套完整的能够对增材制造过程中激光发射强度数据和熔池图像进行评价分析的方法，在进行增材制造原位质量评价分析时往往需要人为去处理一些参数才能够得到最终的分析结果，不仅耗时较长，还可能存在人为因素导致的分析结果不精确等问题。

技术实现思路

[0006]针对上述存在的问题，本专利技术旨在提供一种激光选区熔化原位质量综合评价方法，不仅可以对激光选区熔化过程中的熔池辐射激光强度数据进行全方位、高精度的分析，还能够基于深度学习的卷积神经网络对熔池图像进行分析，从而实现从加工参数与过程监测数据到产品质量之间关系的评价分析，对增材制造过程中的缺陷进行识别，最终实现对增材制造过程的全闭环控制。
[0007]为了实现上述目的，本专利技术所采用的技术方案如下：
[0008]一种激光选区熔化技术原位质量综合评价方法，其特征在于，包括以下步骤，
[0009]S1：采集激光选区熔化过程中的激光辐射强度数据和熔池图像；
[0010]S2：利用激光辐射强度数据分析系统对步骤S1中采集的激光辐射强度数据进行分析；
[0011]S3：利用基于卷积神经网络的激光选区熔化熔池图像分析系统对步骤S1中采集的熔池图像进行分析；
[0012]S4：结合步骤S2和步骤S3的分析结果，对激光选区熔化的原位质量进行综合评价。
[0013]进一步的，步骤S2中所述的激光辐射强度数据分析系统包括数据预处理模块、用户输入模块和数据分析模块；
[0014]所述数据预处理模块使用MATLAB中的convertTDMS函数读取激光辐射强度数据的.tdms文件，提取出其中的开关数据和强度数据，对应输入激光信号和辐射强度信号，并将开关数据和强度数据保存为MATLAB可读取的一维数据；对输入激光信号的脉冲边沿进行识别，利用脉冲边沿位置对对应熔池辐射强度信号进行精准切分，输出脉冲总个数；
[0015]所述用户输入模块用于提供用户对相关参数进行选择输入；
[0016]所述数据分析模块根据所述数据预处理模块输出的数据以及用户输入模块输入的相关参数进行分析计算。
[0017]进一步的，所述数据预处理模块对输入激光信号的脉冲边沿进行识别，利用脉冲边沿位置对对应辐射激光信号进行精准切分的具体方法包括以下步骤，
[0018]S101：设置切分阈值为x；
[0019]S102：使用阈值x与输入激光信号序列值进行逐个比较；
[0020]S103：若输入激光信号序列x(1,2,
…
,n)中前一个数据点x(i)的值小于x，且与之相邻后一个数据点x(i+1)的值大于x，则数据点x(i)所在位置i就判定为脉冲上升边沿；
[0021]S104：记录输入激光信号序列中所有脉冲上升边沿位置，此位置即对应辐射强度信号上升沿位置，进而对应激光选区熔化中的一个熔化道的起始点；
[0022]S105：将辐射强度激光信号序列在每个上升沿位置分割成段，每段序列即表示一个激光脉冲，一个激光脉冲对应激光选区熔化中的一个熔化道。
[0023]进一步的，所述用户输入模块中提供用户输入的相关参数包括：文件类型选择、滤波器种类、脉冲信号类型选择、滤波系数、脉冲信号区间数据和分析操作类型；
[0024]所述文件类型选择项包括强度文件和对应的开关文件(输入激光数据)；所述文件的数据类型为MATLAB可读取的一维信号序列的.mat文件；
[0025]所述滤波器种类包括均值滤波器、中值滤波器、高斯滤波器、heursure阈值滤波、rigrsure阈值滤波器、sqtwolog阈值滤波器、minimaxi阈值滤波器；
[0026]所述脉冲信号选择项包括原始信号和去噪信号；
[0027]所述滤波系数的定义由不同滤波器决定，数值由用户输入决定，若用户不输入则默认为10；
[0028]所述脉冲信号区间数据包括要截取的起始脉冲数、间隔脉冲数和取样个数；
[0029]所述分析操作类型包括概率分析、绘制箱图、时频分析和小波分析。
[0030]进一步的，所述数据分析模块包括激光强度的时间域分析、频率域分析、统计学分析、小波分析和箱图绘制；
[0031]所述时间域分析的具体操作步骤包括，
[0032]S201：根据用户输入，从数据预处理模块输出的激光脉冲数据中读入相应区间和相应数量的激光脉冲；
[0033]S202：将步骤S201中读取的激光脉冲可视化，并根据用户输入选择相应的滤波器和滤波系数对波形进行滤波，以时域波形的形式显示原始信号和滤波信号；
[0034]S203：提取数据特征，以一个激光脉冲为单位，计算每个脉冲的幅度均值和方差值等的特征，并在数字显示区显示幅度均值和方差值，量化分析各个激光脉冲的信息、对比各个激光脉冲之间的信息；
[0035]所述频率域分析的具体操作步骤包括，
[0036]S301：根据用户输入，从数据预处理模块输出的激光脉冲数据中读入相应区间和相应数量的激光脉冲；
[0037]S302：将步骤S301读入的激光脉冲信号用快速傅里叶变换计算每本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种激光选区熔化技术原位质量综合评价方法，其特征在于，包括以下步骤，S1：采集激光选区熔化过程中的激光辐射强度数据和熔池图像；S2：利用激光辐射强度数据分析系统对步骤S1中采集的激光辐射强度数据进行分析；S3：利用基于卷积神经网络的激光选区熔化熔池图像分析系统对步骤S1中采集的熔池图像进行分析；S4：结合步骤S2和步骤S3的分析结果，对激光选区熔化的原位质量进行综合评价。2.根据权利要求1所述的一种激光选区熔化技术原位质量综合评价方法，其特征在于，步骤S2中所述的激光辐射强度数据分析系统包括数据预处理模块、用户输入模块和数据分析模块；所述数据预处理模块使用MATLAB中的convertTDMS函数读取激光辐射强度数据的.tdms文件，提取出其中的开关数据和强度数据，对应输入激光信号和辐射强度信号，并将开关数据和强度数据保存为MATLAB可读取的一维数据；对输入激光信号的脉冲边沿进行识别，利用脉冲边沿位置对对应熔池辐射强度信号进行精准切分，输出脉冲总个数；所述用户输入模块用于提供用户对相关参数进行选择输入；所述数据分析模块根据所述数据预处理模块输出的数据以及用户输入模块输入的相关参数进行分析计算。3.根据权利要求2所述的一种激光选区熔化技术原位质量综合评价方法，其特征在于，所述数据预处理模块对输入激光信号的脉冲边沿进行识别，利用脉冲边沿位置对对应辐射激光信号进行精准切分的具体方法包括以下步骤，S101：设置切分阈值为x；S102：使用阈值x与输入激光信号序列值进行逐个比较；S103：若输入激光信号序列x(1,2,
…
,n)中前一个数据点x(i)的值小于x，且与之相邻后一个数据点x(i+1)的值大于x，则数据点x(i)所在位置i就判定为脉冲上升边沿；S104：记录输入激光信号序列中所有脉冲上升边沿位置，此位置即对应辐射强度信号上升沿位置，进而对应激光选区熔化中的一个熔化道的起始点；S105：将辐射强度激光信号序列在每个上升沿位置分割成段，每段序列即表示一个激光脉冲，一个激光脉冲对应激光选区熔化中的一个熔化道。4.根据权利要求2所述的一种激光选区熔化技术原位质量综合评价方法，其特征在于，所述用户输入模块中提供用户输入的相关参数包括：文件类型选择、滤波器种类、脉冲信号类型选择、滤波系数、脉冲信号区间数据和分析操作类型；所述文件类型选择项包括强度文件和对应的开关文件(输入激光数据)；所述文件的数据类型为MATLAB可读取的一维信号序列的.mat文件；所述滤波器种类包括均值滤波器、中值滤波器、高斯滤波器、heursure阈值滤波、rigrsure阈值滤波器、sqtwolog阈值滤波器、minimaxi阈值滤波器；所述脉冲信号选择项包括原始信号和去噪信号；所述滤波系数的定义由不同滤波器决定，数值由用户输入决定，若用户不输入则默认为10；所述脉冲信号区间数据包括要截取的起始脉冲数、间隔脉冲数和取样个数；所述分析操作类型包括概率分析、绘制箱图、时频分析和小波分析。
5.根据权利要求2所述的一种激光选区熔化技术原位质量综合评价方法，其特征在于，所述数据分析模块包括激光强度的时间域分析、频率域分析、统计学分析、小波分析和箱图绘制；所述时间域分析的具体操作步骤包括，S201：根据用户输入，从数据预处理模块输出的激光脉冲数据中读入相应区间和相应数量的激光脉冲；S202：将步骤S201中读取的激光脉冲可视化，并根据用户输入选择相应的滤波器和滤波系数对波形进行滤波，以时域波形的形式显示原始信号和滤波信号；S203：提取数据特征，以一个激光脉冲为单位，计算每个脉冲的幅度均值和方差值等的特征，并在数字显示区显示幅度均值和方差值，量化分析各个激光脉冲的信息、对比各个激光脉冲之间的信息；所述频率域分析的具体操作步骤包括，S301：根据用户输入，从数据预处理模块输出的激光脉冲数据中读入相应区间和相应数量的激光脉冲；S302：将步骤S301读入的激光脉冲信号用快速傅里叶变换计算每个脉冲的频谱，并画出每个脉冲的频谱图，进行比较分析；S303：使用小波变换，用不同的小波函数对所截取的数据进行小波分析，深入分析数据在时间轴上的频率变化；所述统计学分析的具体操作步骤包括，S401：根据用户输入，从数据预处理模块输出的激光脉冲数据中读入相应区间和相应数量的激光脉冲；S402：使用步骤S401中读入的激光脉冲数据，用统计学的方法计算每个脉冲的强度均值和方差，在数据可视化模块显示，进行量化分析和比较；S403：使用概率分析方法，画出每个脉冲的数据点的概率分布图，比较分析其数据点的概率分布情况；S404：绘制每个脉冲数据的箱图，更加直观、清晰、准确地比较分析每个脉冲数据点的中位数、四个分位点、最大最小值、异常点分布，进而更加全面地比较分析其数据点的整体分布情况。6.根据权利要求5所述的一种激光选区熔化技术原位质量综合评价方法，其特征在于，步骤S203中提取的数据特征包括激光脉冲的峰值X
p
、均值均方根值X
rms

【专利技术属性】
技术研发人员：周鑫，段玉聪，张佩宇，成星，郭西洋，张婷，王学德，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：