[发明专利]一种基于深度学习的铜材料增材制造成形精度控制方法

权利要求书

1.一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，包括如下步骤：

步骤S1：获取激光熔覆的实验结果以及建立熔覆层几何模型；

步骤S2：根据所述激光熔覆的实验结果以及熔覆层几何模型，建立激光熔覆有限元模型；

步骤S3：采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真，以得到激光熔覆的初始熔池深度仿真结果；

步骤S4：对所述激光熔覆的初始熔池深度仿真结果进行归一化处理，并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练，以输出优化后的激光功率载荷；

步骤S5：将所述优化后的激光功率载荷进行反归一化处理，并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真，以得到激光熔覆的优化后熔池深度仿真结果。

2.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，所述建立熔覆层几何模型，还包括：

提取熔覆层表面轮廓的点云数据；

根据提取的所述熔覆层表面轮廓的点云数据，使用多个测量横截面测量熔覆层的宽度和高度，并求出平均值作为熔覆层几何建模的尺寸；

根据熔覆层几何建模的尺寸，选择二次曲线抛物线拟合熔覆层的截面轮廓，以建立所述熔覆层几何模型。

3.根据权利要求2所述的一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，所述根据所述激光熔覆的实验结果以及熔覆层几何模型，建立激光熔覆有限元模型，还包括：

对所述熔覆层几何模型施加相应的温度边界条件，以得到激光熔覆有限元模型；

根据所做的单道熔覆实验结果对所述激光熔覆有限元模型的参数进行调试和修正，以得到修正后的激光熔覆有限元模型。

4.根据权利要求3所述的一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，所述采用不同初始激光功率载荷加载到所述激光熔覆有限元模型中进行仿真，以得到激光熔覆的初始熔池深度仿真结果，还包括：

选择5种不同的初始激光功率载荷加载到所述修正后的激光熔覆有限元模型中进行仿真，并分别提取对应的初始熔池深度仿真结果。

5.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，所述对所述激光熔覆的初始熔池深度仿真结果进行归一化处理，并将归一化处理后的初始熔池深度仿真结果输入到卷积神经网络中进行训练，以输出优化后的激光功率载荷，还包括：

在训练过程中，采用所述归一化处理后的初始熔池深度仿真结果作为所述卷积神经网络的输入值，激光功率载荷作为所述卷积神经网络的输出值进行训练，且损失函数选择mse，优化函数选择adam，模型学习率为0.0001，迭代次数为200次；

以卷积神经网络的收敛速度和精度确定网络层深度、卷积核个数和卷积核大小，建立基于深度学习的增材制造成形优化模型。

6.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，所述将所述优化后的激光功率载荷进行反归一化处理，并将反归一化处理后的激光功率载荷加载到所述激光熔覆有限元模型中进行仿真，以得到激光熔覆的优化后熔池深度仿真结果，还包括：

通过实验对所述激光熔覆的优化后熔池深度仿真结果进行验证。

7.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，所述激光熔覆有限元模型包括单道熔覆有限元模型和多道熔覆有限元模型；

采用不同初始激光功率载荷加载到所述单道熔覆有限元模型中进行仿真，以得到单道初始熔池深度仿真结果；

采用不同初始激光功率载荷加载到所述多道熔覆有限元模型中进行仿真，以得到多道初始熔池深度仿真结果。

8.根据权利要求1所述的一种基于深度学习的铜材料增材制造成形精度控制方法，其特征在于，所述激光功率载荷包括线性激光功率载荷与非线性激光功率载荷。