一种LPBF增材制造过程监测方法
本发明公开了一种LPBF增材制造过程监测方法，属于计算机视觉技术领域，用于判断和评估激光粉末床融合3D打印成型质量，其包括：通过卡尔曼滤波器预测跟踪熔池、羽流和飞溅物图像区域；训练ViTGAN模型，通过生成器分别生成熔池、羽流和飞溅物的生成图像分块；通过ViTGAN模型，根据熔池、羽流和飞溅物参数，得到成型质量预测模型；计算预测和预设成型质量的误差；判断显微组织以及力学性能；相较于传统CNN‑LSTM模型在不使用卷积或池化的情况下，也能达到与领先于CNN‑LSTM的性能；此外，对误差容许范围进行先验，后验显微组织以及力学性能，从时间和空间上提高了增材制造成形件质量控制。
发明专利
CN202311651002.2
2023-12-05
CN117340280A
2024-01-05
B22F10/80(2021.01)
成都斐正能达科技有限责任公司
简舒
610000 四川省成都市龙泉驿区柏合街道合纵路266号成航大厦502办公室
四川华茂知识产权代理事务所(普通合伙)
杨浩林%何娟
四川;51
1.一种LPBF增材制造过程监测方法，其特征在于，包括以下步骤： S1、采集LPBF增材制造过程的原始图像，并识别其中的熔池、羽流和飞溅物图像区域； S2、构建ViTGAN模型，并利用熔池、羽流和飞溅物图像区域训练ViTGAN模型，将训练好的ViTGAN模型作为成型质量预测模型； S3、计算成型质量预测模型输出的预测成型质量与预设成型质量的质量误差，并判断质量误差是否超过容许范围；其中，预测成型质量为完成训练时ViTGAN模型输出的熔池、羽流和飞溅物参数； 若是，则进入步骤S6； 若否，则进入步骤S4； S4、根据质量误差调节LPBF增材制造的工艺参数，并判断工艺参数调整后的质量误差是否在容许范围内； 若是，则进入步骤S5； 若否，则进入步骤S6； S5、确定当前LBPF增材的显微组织以及力学性能，并判断其是否满足成型质量要求； 若是，则返回步骤S1，循环执行LBPF增材制造过程监测流程； 若否，则进入步骤S6； S6、停止制造的LPBF增材打印。 2.根据权利要求1所述的LPBF增材制造过程监测方法，其特征在于，所述步骤S1中，通过卡尔曼滤波器对原始图像进行预测跟踪，分别获得其中的熔池、羽流和飞溅物图像区域。 3.根据权利要求1所述的LPBF增材制造过程监测方法，其特征在于，所述步骤S2中，所述ViTGAN模型包括生成器和判别器； 训练所述ViTGAN模型的方法具体为： S21、基于熔池、羽流和飞溅物图像区域，通过生成器分别生成熔池、羽流和飞溅物的生成图像分块； S22、对各生成图像分块的分块图像重叠得到对应的熔池、羽流和飞溅物的重叠图像分块； S23、基于熔池、羽流和飞溅物的重叠图像分块，通过判别器生成对应的对抗图像分块，并根据判别器的输出判断生成器和判别器是否达到纳什均衡； 若是，则完成ViTGAN模型训练，得到成型质量预测模型，输出预测成型质量； 若否，则继续采集LPBF增材制造过程的原始图像，并返回步骤S21。 4.根据权利要求3所述的LPBF增材制造过程监测方法，其特征在于，所述步骤S21具体为： S21-1、将高斯噪声向量z通过映射网络后输出隐权重向量w； S21-2、将隐权重向量w经过外部自调制层计算自调制层范数后，输入至生成器的Transformer编码器中； S21-3、将熔池、羽流和飞溅物图像区域分别经过傅里叶嵌入后，以位置嵌入序列输入到Transformer编码器； S21-4、基于输入的自调制层范数，在通过Transformer编码器中，通过各嵌入分块根据对熔池、羽流和飞溅物图像区域的位置嵌入序列进行图像分块，并经过多层感知器的展开处理，得到熔池、羽流和飞溅物的生成图像分块。 5.根据权利要求4所述的LPBF增材制造过程监测方法，其特征在于，在所述生成器的Transformer编码器中，其第一个嵌入分块表示为： ； 第l-1个嵌入分块，并迭代至第l-1个图像分块迭代后的自注意力结果表示为： ； 第l个嵌入分块表示hl为： ； 通过嵌入分块进行图像分块嵌入的表达式为： ； 经过多层感知器展开后，重构得到的生成图像分块表示为： ； 式中，Epos为一维位置嵌入，L为有效序列长度，l为分块数量即产生的隐藏层数量，D为维度，W为图像分块的宽度，P为图像分块的边长，为图像高度，/>为图像的RGB通道数，RL×D为L×D维实数域，RD表示D维实数域，/>为P2×D维实数域，RH×W×C表示H×W×C维实数域，w为隐权重向量，MSA(.)为多头自注意力函数，SLN(.)为自调制层范数，MLP(.)为多层感知器，y为图像分块嵌入，yl~yL为图像分块嵌入得到的图像分块，x为完整的图像，/>为图像分块序列，Efou为傅里叶嵌入，/>表示一个2层的多层感知器。 6.根据权利要求3所述的LPBF增材制造过程监测方法，其特征在于，在所述生成器中，所述Transformer编码器中多头自注意通过串联和线性投影的方式聚合来自个自注意力头部的信息，其表达式为： ； 式中，MSA(X)为多头自注意力函数，为1到/>个自注意力头部进行张量拼接，/>为自注意力头部个数，/>为Transformer编码器中隐藏层自注意力函数，/>为ViTGAN模型生成器的隐权重向量，b为ViTGAN模型生成器超平面的截距。 7.根据权利要求4所述的LPBF增材制造过程监测方法，其特征在于，所述步骤S21-2中，外部自调制层根据隐权重向量w的学习仿射变换来计算自调制层范数，其表达式为： ； 式中，SLN(.)为自调制层范数，hl为Transformer编码器中的第l个嵌入分块，w为隐权重向量，w=MLP(z)，和/>为由高斯噪声向量z得到的潜在向量控制的自适应归一化参数，/>为元素级的点积，/>和/>为跟踪层内求和输入的平均值和方差。 8.根据权利要求4 所述的LPBF增材制造过程监测方法，其特征在于，在所述生成器中，所述Transformer编码器中的自调制层的规范结构包括依次连接的词嵌入转化层、第一相加并归一化层、多头注意力层、第二相加并归一化层以及多层感知器层；所述词嵌入转化层的输出端还通过拼接操作与多头注意力层的输出端连接，所述第二相加并归一化层的输入端还通过拼接操作与多层感知器的输出端连接； 其中，所述第一相加并归一化层和第二相加并归一化层还分别连接一个外部自调制层，所述隐权重向量同时输入至两个外部自调制层中。 9.根据权利要求3所述的LPBF增材制造过程监测方法，其特征在于，所述步骤S23具体为： S23-1、将各重叠图像分块分别展开并进行图像分块预测； S23-2、将分块预测后的图像输入至判别器的Transformer编码器中，并输出对抗图像分块； S23-3、判断对抗图像分块和生成图像分块是否达到纳什均衡； 若是，则完成ViTGAN模型训练，将Transformer编码器的输出经过MLP多层感知器后输出熔池、羽流和飞溅物参数作为成型质量预测模型输出的预测成型质量； S23-4、若否，则继续采集LPBF增材制造过程的原始图像，并返回步骤S21。