[发明专利]一种基于深度学习的在线实时预测构件状态的方法

权利要求书

1.一种基于深度学习的在线实时预测构件状态的方法，其特征在于，包括以下步骤：

S1：监测系统的数据采集：采集不同工艺参数下激光增材制造的熔池的动态视频，连续采集所述动态视频中的熔池的图像，获得熔池几何形貌生成熔池的三维模型，同时采集沉积层的收缩图像获得沉积层的三维模型，再通过图像处理技术将同一像素坐标下熔池高度和冷却后沉积层高度做差，获得熔池冷却凝固过程中产生的位移差，获得沉积层收缩数据；

S2：有限元仿真的数据采集：在有限元仿真中进行模拟实验建模，用步骤S1中所获取的熔池、沉积层的三维模型，输入实验所选材料的相关参数，模拟激光热源并随制造过程移动，将熔池冷却凝固过程产生的位移差作为表面唯一载荷加载到建立的模型上，仿真计算出熔池因冷却收缩内部而产生的应力的大小；

S3：建立预测实时应力的卷积神经网络模型1：所述的卷积神经网络需将上述步骤S1、S2所获得的熔池、沉积层的几何形貌、沉积层的收缩数据、对应各点的应力值以及工艺参数进行数据融合作为卷积神经网络的输入，划分训练数据集和测试数据集，输出构件在制造过程中某一点的实时应力值,并对训练的模型进行评估；

S4：建立预测构件状态的卷积神经网络模型2：通过上述步骤S3建立的卷积神经网络模型1，实时预测大量样本制造过程中的应力值，通过计算机处理成应力曲线图，制造的样本分别为正常、预裂、裂纹、变形这四种类型，分别将这四种状态的沉积层形貌与它们的应力曲线图建立一一对应关系，将其作为预测构件状态的卷积神经网络的输入，划分训练数据集和测试数据集，输出构件在制造过程中是何种状态。

2.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，所述步骤S1的具体过程如下：在激光头上布置同轴监测CCD获取熔池的俯视图，布置侧方位监测CCD获取熔池的右视图和主视图，从而合成熔池的三维模型；沉积层的三维模型通过采用双线激光监测系统获取，双线激光监测系统主要由两个线激光激发器产生的两道线激光，一道线激光距离熔池1mm处，此处认为是熔池刚熔融完成的状态，另一道线激光位于距离熔池4mm处，此处认为熔池经快速冷却收缩后形成的沉积层，并通过线激光监测的CCD分别捕获沉积层的轮廓，从而形成沉积层的三维模型；对于捕获的沉积层的轮廓，通过图像处理进行边缘检测，将同一像素坐标下熔池高度和冷却后沉积层高度做差，获得熔池冷确凝固过程中产生的位移差，获得沉积层收缩数据。

3.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，步骤S2所述的有限元仿真的数据采集，具体过程如下：根据步骤S1得到的熔池、沉积层的三维模型、激光增材制造的工艺参数以及实验中基底的尺寸，建立一个顺序热力耦合的有限元模型，在所述的顺序热力耦合的有限元模型中，每层都采用生死单元来模拟粉末颗粒的沉积过程，在仿真开始时，死亡单元不会对热-力学模型产生影响，随着设定的模拟激光束热源的移动，构建的几何模型会被逐单元和逐层激活，将沉积层收缩值作为载荷加载到实时模型上并计算出该点的应力值，并将每一步的计算结果迭代更新从而获得应力值，选取所需的单元节点，将应力数据导出并进行处理。

4.根据权利要求1所述的基于深度学习的在线实时预测构件状态的方法，其特征在于，所述步骤S3的建立预测实时应力的卷积神经网络模型1是将步骤S1、S2采集的数据进行融合，将从机器、视觉、有限元这三个来源收集到的数据必须整合到一个综合的数据集中，用作预测模型的训练特征和目标，所有采集的信号必须与共享时间戳同步，建立一一对应的关系。