[發明專利]一種基于深度學習的在線實時預測構件狀態的方法

在審

• 申請號: 202310046440.X
• 申請日: 2023-01-31
• 公開（公告）號: CN116070484A
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 盧軼;李文博;董健;朱柯霖;汪晨;吳斌;孫桂芳;蔡明霞
• 申請（專利權）人: 南京林業大學
• 主分類號: G06F30/23
• 分類號: G06F30/23;G06F30/27;G06Q10/04;G06Q50/04;G06N3/08;G06T17/00;G06N3/0464;G06F119/14
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 許小莉

1.一種基于深度學習的在線實時預測構件狀態的方法，其特征在于，包括以下步驟：

S1：監測系統的數據采集：采集不同工藝參數下激光增材制造的熔池的動態視頻，連續采集所述動態視頻中的熔池的圖像，獲得熔池幾何形貌生成熔池的三維模型，同時采集沉積層的收縮圖像獲得沉積層的三維模型，再通過圖像處理技術將同一像素坐標下熔池高度和冷卻后沉積層高度做差，獲得熔池冷卻凝固過程中產生的位移差，獲得沉積層收縮數據；

S2：有限元仿真的數據采集：在有限元仿真中進行模擬實驗建模，用步驟S1中所獲取的熔池、沉積層的三維模型，輸入實驗所選材料的相關參數，模擬激光熱源并隨制造過程移動，將熔池冷卻凝固過程產生的位移差作為表面唯一載荷加載到建立的模型上，仿真計算出熔池因冷卻收縮內部而產生的應力的大小；

S3：建立預測實時應力的卷積神經網絡模型1：所述的卷積神經網絡需將上述步驟S1、S2所獲得的熔池、沉積層的幾何形貌、沉積層的收縮數據、對應各點的應力值以及工藝參數進行數據融合作為卷積神經網絡的輸入，劃分訓練數據集和測試數據集，輸出構件在制造過程中某一點的實時應力值,并對訓練的模型進行評估；

S4：建立預測構件狀態的卷積神經網絡模型2：通過上述步驟S3建立的卷積神經網絡模型1，實時預測大量樣本制造過程中的應力值，通過計算機處理成應力曲線圖，制造的樣本分別為正常、預裂、裂紋、變形這四種類型，分別將這四種狀態的沉積層形貌與它們的應力曲線圖建立一一對應關系，將其作為預測構件狀態的卷積神經網絡的輸入，劃分訓練數據集和測試數據集，輸出構件在制造過程中是何種狀態。

2.根據權利要求1所述的基于深度學習的在線實時預測構件狀態的方法，其特征在于，所述步驟S1的具體過程如下：在激光頭上布置同軸監測CCD獲取熔池的俯視圖，布置側方位監測CCD獲取熔池的右視圖和主視圖，從而合成熔池的三維模型；沉積層的三維模型通過采用雙線激光監測系統獲取，雙線激光監測系統主要由兩個線激光激發器產生的兩道線激光，一道線激光距離熔池1mm處，此處認為是熔池剛熔融完成的狀態，另一道線激光位于距離熔池4mm處，此處認為熔池經快速冷卻收縮后形成的沉積層，并通過線激光監測的CCD分別捕獲沉積層的輪廓，從而形成沉積層的三維模型；對于捕獲的沉積層的輪廓，通過圖像處理進行邊緣檢測，將同一像素坐標下熔池高度和冷卻后沉積層高度做差，獲得熔池冷確凝固過程中產生的位移差，獲得沉積層收縮數據。

3.根據權利要求1所述的基于深度學習的在線實時預測構件狀態的方法，其特征在于，步驟S2所述的有限元仿真的數據采集，具體過程如下：根據步驟S1得到的熔池、沉積層的三維模型、激光增材制造的工藝參數以及實驗中基底的尺寸，建立一個順序熱力耦合的有限元模型，在所述的順序熱力耦合的有限元模型中，每層都采用生死單元來模擬粉末顆粒的沉積過程，在仿真開始時，死亡單元不會對熱-力學模型產生影響，隨著設定的模擬激光束熱源的移動，構建的幾何模型會被逐單元和逐層激活，將沉積層收縮值作為載荷加載到實時模型上并計算出該點的應力值，并將每一步的計算結果迭代更新從而獲得應力值，選取所需的單元節點，將應力數據導出并進行處理。

4.根據權利要求1所述的基于深度學習的在線實時預測構件狀態的方法，其特征在于，所述步驟S3的建立預測實時應力的卷積神經網絡模型1是將步驟S1、S2采集的數據進行融合，將從機器、視覺、有限元這三個來源收集到的數據必須整合到一個綜合的數據集中，用作預測模型的訓練特征和目標，所有采集的信號必須與共享時間戳同步，建立一一對應的關系。