基于目标检测的选区激光熔融成形过程熔池与飞溅监测

在选区激光熔融成形过程中,飞溅与熔池包含了能够体现加工质量的重要特征信息,从成形过程采集到的熔池图像中,获得这些信息,实现选区激光熔融的过程监测是近年来研究的重点之一。为了更加精确且有效地从图像中提取熔池和飞溅的信息,提出了一种基于YOLOv5目标检测模型,实现了对成形过程图像中飞溅与熔池的实时定位与捕获。首先,以YOLOv5s目标检测网络为基础,调整骨干网络的深度与宽度,修改检测头的数量。之后,引入自校正卷积与CBAM注意力机制模块,设计了新的特征整合结构,通过上述步骤,提升了网络的检测性能。将工业相机采集到的图像制作为目标检测数据集,进行模型的训练与测试,结果表明该网络能够从原始图像中对飞溅与熔池目标进行准确的定位,在具有良好的检测精度的同时,网络模型的参数量极少,更加符合工业应用的需求。网络的检测精度mAP@0.5:0.95达到了0.466,为基于图像的选区激光熔融过程监测提供了一种新的方法。     

基于熔池运动特征的选区激光熔融过程状态检测方法

选区激光熔融是一种极具发展前景的金属增材制造技术,由于加工过程容易产生各种缺陷,过程监控对于产品质量的控制显得尤为重要.熔池变化特征是最有效的监测手段之一,但是传统的熔池几何特征缺乏与不同熔化状态的准确对应关系.针对该问题,根据熔池特点提出一种新的熔池运动特征用于描述运动熔池的变化规律.首先利用激光扫描位置数据确定熔池的移动方向及质心,然后通过设定3个不同尺度的阈值来捕捉飞溅,并结合连通分量分析方法提取熔池区域和飞溅,进一步消除熔池感兴趣区域中的飞溅.接着将熔池质心到熔池边界轮廓的距离按顺时针方向展开,获得一个36维的矢量特征用于描述运动的熔池.最后,利用k均值聚类算法分别对同一工艺参数和不同工艺参数下获取的熔池进行了聚类分析,并与传统的熔池几何特征进行了对比.实验结果表明,提取的36维熔池运动特征可以较好地区分熔池移动方向及不同的熔化状态,为选区激光熔融过程在线监控提供了一种新的思路.     

微铣削力建模研究进展

微铣削加工是实现具有三维复杂结构和材料多样性特征的微型零部件制造的有效技术手段,具有日益广阔的应用前景。然而由于刀具尺寸及加工参数的急剧缩减,微铣削表现出显著不同于传统铣削的加工机理。作为理解微铣削加工机理的最重要基础之一,至今已有大量关于微铣削力建模的研究,但是它们主要针对单一现象或者某几个现象进行研究,尚少有系统完善的理论来解释微铣削加工的力学过程,因此对微铣削加工切削力的全面总结是非常必要的。结合国内外微铣削技术的最新研究进展,从微铣削与传统铣削的不同加工机理出发,对微铣削力建模进行全面的论述和总结,并重点介绍刀刃钝圆半径、刀具跳动、挠性变形和刀具磨损对微铣削力建模的影响。探讨了目前微铣削力建模方法中的热点与难点,并指出了现有微铣削力建模有待研究的内容。     

数字孪生驱动的金属选择性激光熔融成形过程在线监控

由激光熔融过程的极热极冷特性造成的成形零件质量缺陷一直阻碍着选择性激光熔融技术的广泛应用,为制造出高质量的零件,提出一种数字孪生驱动的金属选择性激光熔融成形过程在线监控方法,应用该方法建立智能成形系统并进行案例分析。基于粉末熔融过程的物理和虚拟建模、过程在线监测和大数据分析,构建了包括设备层、数据转换层、网络层、控制层和应用层的成形过程在线监控数字孪生系统框架,论述了各层的功能和所涉及的关键技术,并分析了选择性激光熔融成形过程监控的典型应用实例,为基于选择性激光熔融的智能成形提供了理论与技术支撑。     

水轮发电机组故障诊断专家系统知识库的设计

介绍了专家系统的基本原理,知识获取和表示的基本概念,讨论了现在了为广泛的规则表示法,结合水轮发电机组故障诊断实例,对专家知识库的设计策略,实施步骤和组织结构进行了详细论述,并就目前应用于故障诊断领域的神经网络技术进行了探讨。     

基于刀具磨损映射关系的微细铣削力理论建模与试验研究

微细铣削加工过程中,刀具直径小且磨损较快,刀具磨损对微细铣削力有着明显的非线性影响,同时刀具跳动又对刀具每齿的磨损表现出不同的影响效应,这些影响因素会导致加工过程的不稳定性和精度。然而,目前缺乏考虑具有刀具跳动和磨损效应的通用微细铣削力模型,研究了刀具跳动与刀具每齿磨损量之间的变化规律,提出了一种同时包括刀具跳动和刀具磨损效应的新型的微细铣削力模型。该模型中,根据刀具每齿磨损量与切削位置的几何关系,改进了瞬时切削厚度模型,基于不同切削刃所对应的受力情况,同时将刀具直径方向上磨损变化量与力模型系数相关联,从而来提高力模型的精确度。最后,通过不同铣削参数下的铣削试验,论证了所提出模型的准确性和有效性。利用所提出的模型,可以通过监测铣削力的大小来辨别刀具尺寸是否在可持续铣削的范围内,从而提高微铣削的加工精度和效率。     

基于残差网络的刀具图像超分辨率重建

在机床加工过程中，刀具转速高、微细刀具直径较小等因素以及工业相机在机床上安装困难，导致难以获得高分辨率刀具图像，限制了视觉方法在监测上的应用。针对普通相机获得的低分辨率图像，提出了一种基于残差网络的刀具图像超分辨率卷积神经网络。该网络将学习全局残差和学习局部残差两种方法相结合，学习高低分辨率图像对之间的映射关系，对低分辨率图像进行超分辨率重建。为了提高对刀具图像边缘的重建效果，提出一种包含图像边缘信息的损失函数。与双三次插值算法以及典型的超分辨率网络相比，所提出的网络在两项客观图像质量评价指标以及主观评价上的表现均为最佳。     

基于高斯过程潜力模型的刀具磨损预测

刀具磨损预测对于提高加工精度和生产效率具有重要意义。刀具磨损预测模型主要包括基于物理的模型和基于数据驱动的模型。基于物理的模型一般使用经验公式或简化公式对刀具磨损过程进行建模，在切削参数变化的情况下其预测精度通常会变低。另一方面，数据驱动模型通过测量数据来估计刀具磨损，没有考虑刀具磨损机理，导致模型泛化性和结果可解释性较差。为了解决这些问题，提出了一种新的用于刀具磨损预测的高斯过程潜力模型。所提出的模型使用高斯过程对刀具磨损物理模型的未知参数进行建模，建立了一个物理信息机器学习模型。高斯过程潜力模型不仅避免了物理模型的参数识别，而且挖掘了来自物理域和数据域的隐藏信息。此外，通过将物理模型与高斯过程的协方差函数相结合，构建了一个物理信息协方差函数来约束模型的输出，提高了预测精度。多工况试验结果表明，所提方法的绝对平均误差和均方根误差分别为2.5945、3.740 8，比传统数据驱动模型的预测误差要更小，预测精度进一步提升。