基于多源信息融合的SLM成形过程在线监测理论与实现方法

Selective Laser Melting (SLM) process is one of the most promising techniques among the additive manufacturing processes owning to its advantages of manufacturing hard-to-machine metal parts possessing complex geometry and surface. However, the SLM process is accompanied with complex physical and chemical reactions, which will generate great thermal gradient and thermal stress. Further, defects such as spheroidizing, small opening and crack will restrict the precision and reliability of the metal forming part. This proposal proposes online quality monitoring theory and its implementation method in SLM process based on multi-source information fusion for improving the quality of components from the SLM process. The generating mechanism of acoustic signal, thermal signal and images and their relationship with melting parameters are studied, based on research of thermodynamic principle of SLM process. The multi-source heterogeneous information is encoded using mathematical theory of sparse decomposition and forms consistent representation. Then the online monitoring model by deep learning using heterogeneous sensing techniques is built to monitor the SLM process and recognize the forming quality. This research combines metal-based additive manufacturing, material processing, signal processing and intelligent monitoring fields. The results will broaden the applications of metal-based additive manufacturing processes to the aerospace, medical and other key industries.

选择性激光熔化（SLM）在具有复杂结构和曲面的难加工金属零件制造上具有显著优势，为增材制造（3D打印）领域最有前景的制造工艺之一。而其伴随复杂的物理化学冶金等过程，温度梯度和热应力大，易产生球化、孔隙、裂纹等缺陷，制约了金属成形件的精度和可靠性。本项目针对SLM成形质量问题，提出基于多源信息融合的SLM成形过程在线监测理论与实现方法。通过研究选择性激光熔化成形的热力学原理，熔化过程中的声音信号、温度信号和图像等多源监测信号的产生机理以及与熔化成形质量的内在联系，利用稀疏分解的数学理论对多源异构信息进行编码形成一致性的表征，建立深度置信神经网络的状态监测模型，实现对熔化成形过程的在线监测与成形质量识别。本研究融合了增材制造、材料加工、信号处理和智能监测等前沿科学领域，研究成果将为金属增材制造技术在航空航天、医疗、以及工业制造等领域的应用有突破性意义。

本项目通过多源信息融合的在线监测理论与实现，研究选择性激光熔化过程的机理与规律。搭建了多源传感器监测实验平台，包括同轴和偏轴相机监测、声学传感器和光谱仪等传感器。利用高斯移动热源和金属材料温度相关材料特性建立了三维热力耦合有限元模型。提出基于瞬态分析的有限元方法来预测SLM过程的热行为，以及熔池的温度分布和尺寸。运用深度学习方法学习监测信号，将提取到的监测信号作为深度学习网络的输入，提出卷积层+平均池化层+卷积层+平均池化层+2层全连接层的结构，将输出结果进行分类，并进一步作出预测。提出了混合卷积神经网络（CNNs）用于粉末床熔融过程监测的方法，能够自动地从原始图像中提取具有时空代表性的特征。与手工特征提取方法相比，该方法具有更好的性能。过热、正常、不规则、成球四种工艺条件的整体检测精度可达0.997。此外，还发现通过过程区域（包括熔池、羽流和飞溅）的视觉检测来监测PBF过程的时间信息是重要的。该方法节省了图像处理步骤，简化了特征提取过程，这使得它更适合在线监控应用。由于微滴沉积和基板温度对成形质量有很大的影响。从液滴形状建模和液滴温度估计两个方面研究了三维打印中液滴轮廓的特征，其中采用了不同类型的径向基函数网络（RBFN），然后通过实验验证了正则化RBFN模型的有效性，结果表明该模型能准确地模拟液滴形状，并能准确估计干燥温度。本项目还引入了一种新的运动特征来描述移动的熔池。采用阈值法结合连通分量分析法提取熔池图像，以步进角顺时针展开的图像计算熔池质心与边界之间的距离，构建高维特征向量作为运动特征。应用k均值聚类算法对不同工艺参数下的运动特征进行聚类，旨在建立熔池状态与工艺参数之间的联系，以实现质量控制，它们可以同时区分过熔化、部分熔化和缺陷的移动方向和熔化状态。该研究为SLM过程的智能在线监控提供了一种新的方法。