基于深度学习的大型金属构件增材制造装备动态监测与智能诊断理论与方法研究

Additive manufacturing equipment is a typical electromechanical integrated complex system working in high temperature, airtight, dust-laden, and other complex conditions. In order to guarantee additive manufacturing equipment for large-scale metal components can work stably in a long period without interruption, the project aims to analyze formation mechanism of internal defects in work pieces in the progress of laser melting. Intelligent identification and prediction methods on work pieces’ internal defects based on deep learning are proposed. A monitoring system on dynamic signals based on multi-source information fusion can be established. A mapping scheme between dynamic signals of equipment and forming quality of work pieces can be obtained based on deep learning network. An early warning model of internal defects and equipment faults of work pieces made by additive manufacturing can be established. The project also propose intelligent diagnosis methods based on deep learning to develop a system for dynamic monitoring and intelligent diagnosis of large metal components made by additive manufacturing. Self-diagnosis, self-test, and early warning can be achieved. Finally, the prototype is developed and the combing diagnosis method is validated by the experiment..This project can provide an important support for the development of fault diagnosis theory and technology for large-scale complex additive manufacturing equipment, the intelligent maintenance of modern manufacturing system and the application of a new generation of intelligent manufacturing.

增材制造装备是典型的光机电一体复杂系统，处于高温、密闭、粉尘等复杂工况。本课题面向大型金属构件增材制造装备长时间、无间断、稳定运行的工业需求，研究激光金属熔融过程中制件内部缺陷形成机理，提出基于深度神经网络的制件内部缺陷智能识别与预测方法，构建基于多源信息融合的装备运行动态信号监测系统，通过深度神经网络实现装备运行动态信号与制件成形质量的映射机制，建立增材制造制件内部缺陷和装备故障早期预警模型，提出基于深度学习的装备智能诊断方法，开发适用于大型金属构件增材制造装备的动态监测与智能诊断系统，实现增材制造装备的自检测、自诊断及早期预警，并完成原理样机开发与试验验证。.本项目研究可为大型复杂增材制造装备测试诊断理论与技术发展、现代制造系统智能维护、新一代智能制造应用等提供支持。

当前航空、航天、核电、船舶等领域对零部件结构的需求呈现大型整体化、构型拓扑化、梯度复合化、结构功能一体化的发展趋势，传统机械加工方法难以满足要求，增材制造技术提供了全新的解决方案。然而，增材制造技术存在着“制件稳定性差、装备故障率高”等问题，难以满足大型金属构件增材制造装备长时间、无间断、稳定运行的工业需求，限制了其规模化工程应用。为此，本项目提出基于深度学习的金属增材制造装备动态监测与智能诊断新方法，开展大型金属构件增材制造过程智能监测与质量控制研究。主要取得了以下进展：①获得了激光定向能量沉积Ti-10V-2Fe-3Al工艺参数-熔池特征-成形质量的关联关系，研究了Cr5Mo钢激光熔覆IN718涂层其工艺参数与制件组织性能的关联关系；②提出了增材制造装备早期预警与智能诊断两种新方法，分别通过DenseNet和ResNet深度神经网络智能识别制件质量；③研究了选区激光熔化（SLM）15-5PH不锈钢梯度微观结构与力学性能的关系，揭示了不同激光扫描顺序对熔覆层温度场和变形的影响规律；④研制了大型金属构件增材制造装备动态监测与智能诊断系统，开发了DED工艺熔覆道参数选择和成形质量预测模块；⑤将前述相关方法在骨骼假体的3D打印进行了应用，实现了Ti6Al4V ELI材料3D打印仿生人工颈椎间关节假体，获得了SLM工艺参数对仿生多孔骨骼假体成形质量的影响规律，并研究了DED和SLM两种工艺下Ti-10Mo-xCu新合金材料微观结构特征。项目研究对进一步揭示增材制造装备劣化过程的物理本质，开发新的装备智能诊断技术具有重要的意义。.在项目执行期内，圆满完成计划任务书中各项任务。主要研究成果发表论文19篇，其中SCI收录13篇、EI收录5篇；申请中国发明专利13件，其中4件获得授权；参加国际/国内学术交流24人次；项目培养博士研究生2名，硕士研究生14名；获得“RoboCom机器人开发者大赛”足球竞技竞赛项目国赛一等奖指导教师；入选汕头市高层次人才（A类）；兼任广东省机械工程学会设备与维修工程分会副理事长、中国机械工程学会设备与维修工程分会常务理事、中国振动工程学会转子动力学分会常务理事等。