基于机器学习的图案光调制增材制造方法及系统
本发明涉及增材制造,特别涉及基于机器学习的图案光调制增材制造方法及系统。
背景技术:
1、激光粉末床熔融技术通过高能激光选择性熔化金属粉末,逐层堆积形成三维零件。传统lpbf多采用点激光振镜扫描方式,成形效率受限。为提高效率,业界发展了图案化面光斑技术,典型代表如美国seurat公司的技术路线:通过蓝光投影系统结合光寻址光阀,对高功率红外激光进行空间调制,实现一次性熔化一个图案区域,显著提升成形速度。
2、该类图案化lpbf系统的核心在于图案光调制模块,通过加载图案化驱动信号,对入射激光进行二维强度调制,形成具有特定空间能量分布的光斑投射至粉末床。现有图案光调制技术主要包括:液晶空间光调制器、数字微镜器件、光寻址光阀等。然而,实际应用中存在一个关键技术难题:调制后的光斑与粉末相互作用后,实际熔化成形轮廓与设计图案存在偏差,尤其对于尖角、细线、环状等精细几何特征,常出现尖角过烧或熔化不足、环状光斑内外边缘熔化不一致等问题,导致成形精度不足。现有技术中,图案光调制多为静态设计,缺乏对实际熔融过程的动态响应能力。
技术实现思路
1、本发明实施例提供了基于机器学习的图案光调制增材制造方法及系统,用以解决现有技术中调制后的光斑与粉末相互作用后,实际熔化成形轮廓与设计图案存在偏差导致成形精度不足和图案光调制多为静态设计,缺乏对实际熔融过程的动态响应能力的问题。
2、一方面,本发明实施例提供了一种基于机器学习的图案光调制增材制造方法,包括:
3、s1:根据目标打印材料和典型几何特征初始化机器学习模型单元的控制策略模型;
4、s2:通过多模态空间监测模块实时采集熔融区域的状态数据;
5、s3:通过数据融合单元对所述状态数据进行融合得到融合数据;通过空间特征提取单元对所述融合数据进行特征提取得到综合当前特征;
6、s4:将目标材料属性、设计图案的几何特征和所述综合当前特征输入初始化的所述机器学习模型单元预测得到针对当前区域的最优图案光调制参数;
7、s5:根据所述最优图案光调制参数生成驱动指令;通过所述驱动指令实时图案光调制激光发生模块的调制分布;
8、s6:循环执行所述s2至所述s5直到当前层打印完成;铺覆新粉后重复所述s2至所述s5直到打印完成。
9、在一种可能的实现方式中,所述状态数据包括高分辨率光学图像和红外热辐射信号。
10、在一种可能的实现方式中,所述设计图案的几何特征通过图像分割算法进行识别,所述设计图案的几何特征包括尖角、圆环、直线、拐角或悬垂结构中的一种或多种;所述机器学习模型单元内的机器学习模型根据不同几何特征输出差异化的图案光调制参数;当所述几何特征为尖角时,所述最优图案光调制参数包括尖角顶点的强度增强系数及沿尖角两侧的强度梯度衰减系数,用以形成顶点强、渐次减弱的空间强度分布;当所述几何特征为环状结构时,所述最优图案光调制参数包括内边缘强度增量、外边缘强度减量和径向衰减系数,用以形成内高外低的环状强度梯度分布,补偿所述环状结构的内外边缘的热传导差异。
11、在一种可能的实现方式中,所述初始化是对所述典型几何特征的图案光调制参数进行参数化表征,通过贝叶斯优化框架对所述典型几何特征进行自适应采样实验建立初始调制参数模板库。
12、另一方面,本发明实施例提供了一种基于机器学习的图案光调制增材制造系统,包括:图案光调制激光发生模块、光束移动偏转模块、多模态空间监测模块、机器学习自适应控制模块和粉末床系统,所述图案光调制激光发生模块与所述粉末床系统之间通过光束移动偏转模块光路连接,所述多模态空间监测模块设置在所述粉末床系统上方,所述机器学习自适应控制模块信号连接所述图案光调制激光发生模块和所述多模态空间监测模块。
13、在一种可能的实现方式中,所述图案光调制激光发生模块内沿光路前进方向依次设置有高功率激光源、准直扩束装置、图案光调制器及成像光学系统。
14、在一种可能的实现方式中,所述光束移动偏转模块内沿光路前进方向依次设置有振镜和场镜,所述振镜接收所述成像光学系统的出射光后通过所述场镜射出。
15、在一种可能的实现方式中,所述多模态空间监测模块包括高分辨率光学图像信号检测器和红外热辐射信号检测器。
16、在一种可能的实现方式中,机器学习自适应控制模块内设置有数据融合单元、空间特征提取单元、机器学习模型单元和控制信号生成单元。
17、在一种可能的实现方式中,所述数据融合单元用于同步和融合来自所述多模态空间监测模块的多源信号,形成空间对齐的过程状态数据;
18、所述空间特征提取单元,用于从所述过程状态数据中提取表征成形质量的空间特征向量,所述特征向量包括实际熔融轮廓与设计图案的偏差、尖角区域的熔融形态参数、环状光斑的内外边缘熔化均匀性指标和温度场的空间分布梯度;
19、所述机器学习模型单元,用于预训练和在线学习将所述空间特征向量、当前打印材料的热物理属性以及当前层设计图案的几何特征映射为最优图案光调制参数的映射关系;
20、所述控制信号生成单元,用于根据所述机器学习模型单元输出的最优图案光调制参数生成驱动指令;所述控制信号生成单元发送所述驱动指令至图案光调制器实现对光斑空间强度分布的实时优化。
21、在一种可能的实现方式中,所述粉末床系统包括气氛单元、铺粉装置、净化单元、成形缸和供粉缸,所述成形缸和供粉缸并排设置,所述铺粉装置设置在所述成形缸和供粉缸上方,所述气氛单元和所述净化单元分别设置在所述粉末床系统的两侧,所述气氛单元和所述净化单元平行所述铺粉装置的高度设置,所述粉末床系统用于构成完整的粉末床增材制造环境。
22、本发明中的基于机器学习的图案光调制增材制造方法及系统,具有以下优点:
23、(1)通过机器学习将设计图案几何特征、材料特性与实时熔融状态关联,实现光斑空间强度分布的毫秒级自适应优化,从根本上解决尖角失真、环状光斑边缘不一致等成形精度问题。
24、(2)系统能够实时响应打印过程中的空间不均匀性,及时调整图案光调制参数,显著提高复杂几何特征的成形精度与一致性。
25、(3)通过学习不同材料在不同几何特征下的熔化行为,系统可自动适应多种金属粉末及各类精细图案,极大缩短工艺开发周期。
1.基于机器学习的图案光调制增材制造方法,其特征在于,包括:
2.根据权利要求1所述的基于机器学习的图案光调制增材制造方法,其特征在于,所述状态数据包括高分辨率光学图像和红外热辐射信号。
3.根据权利要求1所述的基于机器学习的图案光调制增材制造方法,其特征在于,所述设计图案的几何特征通过图像分割算法进行识别,所述设计图案的几何特征包括尖角、圆环、直线、拐角或悬垂结构中的一种或多种;所述机器学习模型单元(403)内的机器学习模型根据不同几何特征输出差异化的图案光调制参数;当所述几何特征为尖角时,所述最优图案光调制参数包括尖角顶点的强度增强系数及沿尖角两侧的强度梯度衰减系数,用以形成顶点强、渐次减弱的空间强度分布;当所述几何特征为环状结构时,所述最优图案光调制参数包括内边缘强度增量、外边缘强度减量和径向衰减系数,用以形成内高外低的环状强度梯度分布,补偿所述环状结构的内外边缘的热传导差异。
4.根据权利要求1所述的基于机器学习的图案光调制增材制造方法,其特征在于,所述初始化是对所述典型几何特征的图案光调制参数进行参数化表征,通过贝叶斯优化框架对所述典型几何特征进行自适应采样实验建立初始调制参数模板库。
5.基于机器学习的图案光调制增材制造系统,所述系统用于实现权利要求1-4任一种所述的基于机器学习的图案光调制增材制造方法,其特征在于,包括:图案光调制激光发生模块(100)、光束移动偏转模块(200)、多模态空间监测模块(300)、机器学习自适应控制模块(400)和粉末床系统(500),所述图案光调制激光发生模块(100)与所述粉末床系统(500)之间通过光束移动偏转模块(200)光路连接,所述多模态空间监测模块(300)设置在所述粉末床系统(500)上方,所述机器学习自适应控制模块(400)信号连接所述图案光调制激光发生模块(100)和所述多模态空间监测模块(300)。
6.根据权利要求5所述的基于机器学习的图案光调制增材制造方法,其特征在于,所述图案光调制激光发生模块(100)内沿光路前进方向依次设置有高功率激光源(101)、准直扩束装置(102)、图案光调制器(103)及成像光学系统(104)。
7.根据权利要求6所述的基于机器学习的图案光调制增材制造方法,其特征在于,所述光束移动偏转模块(200)内沿光路前进方向依次设置有振镜(201)和场镜(202),所述振镜(201)接收所述成像光学系统(104)的出射光后通过所述场镜(202)射出。
8.根据权利要求5所述的基于机器学习的图案光调制增材制造方法,其特征在于,所述多模态空间监测模块(300)包括高分辨率光学图像信号检测器(301)和红外热辐射信号检测器(302)。
9.根据权利要求5所述的基于机器学习的图案光调制增材制造方法,其特征在于,机器学习自适应控制模块(400)内设置有数据融合单元(401)、空间特征提取单元(402)、机器学习模型单元(403)和控制信号生成单元(404)。
10.根据权利要求9所述的基于机器学习的图案光调制增材制造方法,其特征在于,所述数据融合单元(401)用于同步和融合来自所述多模态空间监测模块(300)的多源信号,形成空间对齐的过程状态数据;
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com