一种电弧增材制造在线监测及实时控制系统

1.本发明涉及增材制造技术领域，特别是涉及一种电弧增材制造在线监测及实时控制系统。


背景技术：

2.增材制造(additivemanufacturing,am)技术，又称3d打印技术，是基于离散-堆积原理，由零件三维数据驱动，采用材料逐层累加的方法制造实体构件的快速成形技术。其中，电弧增材制造是以电弧为载能束，采用逐层堆焊的方式制造金属实体构件。电弧增材制造技术(waam)凭借在直接堆垛成形中大型金属零件上具有堆垛效率高、成形致密度好以及不受设备空间限制自由制造的特点成为近年来世界学者的研究热点。
3.二十一世纪以来，随着计算机技术、电子技术、控制工程、人工智能等学科的飞速发展，增材制造技术与上述学科的交叉融合进一步加深，为解决增材制造技术存在的问题提供了可能。
4.丝材电弧增材制造技术适于大尺寸且形状较复杂构件的低成本、高效快速成形，是与目前发展较成熟的激光增材制造方法优势互补的3d增材成形技术。目前，3d打印设备种类非常多，专用性非常强，因此市场上的成熟的控制系统很难满足个性化的需求，针对电弧增材制造装备的控制系统存在难以在成熟的控制系统上进行二次开发、集成度低等缺点。


技术实现要素：

5.为解决现有技术存在的上述问题，本发明提供了一种电弧增材制造在线监测及实时控制系统。
6.为实现上述目的，本发明提供了如下方案：
7.一种电弧增材制造在线监测及实时控制系统，包括：
8.数据采集设备，用于获取电弧增材制造过程中的制备数据；所述制备数据包括：工件熔池图像数据、工件的温度数据和焊机的电压数据；
9.上位机，与所述数据采集设备连接，植入有实时调控模型，用于以所述制备数据为所述实时调控模型的输入得到待调控参数，并用于根据所述待调控参数生成调控指令；
10.作动设备，与所述上位机连接，用于根据所述调控指令完成电弧增材制造工作。
11.优选地，所述作动设备包括：
12.三维运动平台，与所述上位机连接，用于根据所述调控指令进行特定速度的扫描作业；
13.热丝机，与所述上位机连接，用于根据所述调控指令进行特定温度的热丝作业；
14.焊机，与所述上位机连接，用于获取所述焊机的电压数据，还用于根据所述调控指令进行特定基值电流、特定峰值电流和特定占空比的调节作业；
15.送丝机，与所述上位机连接，用于根据所述调控指令进行特定速度的送丝作业。
16.优选地，所述数据采集设备包括：
17.图像采集器，与所述上位机通过通信协议连接，用于采集电弧增材制造过程中的工件熔池图像数据；
18.温度采集器，与所述上位机通过通信协议连接，用于采集电弧增材制造过程中的温度数据；
19.电压采集器，与所述上位机和所述作动设备连接，用于采集焊机的电压数据。
20.优选地，所述实时调控模型包括：第一卷积神经网络、第二卷积神经网络和第三神经网络；
21.所述第一卷积神经网络的输入为所述工件熔池图像数据，输出为长度为8的向量；
22.所述第二卷积神经网络的输入为所述工件熔池图像数据，输出为回报值；所述回报值用于表征电弧增材制造的工件直线度；
23.所述第三神经网路的输入为所述长度为8的向量、所述工件的温度数据和所述焊机的电压数据拼接得到的状态向量，输出为状态-行动价值；所述状态-行动价值用于表征执行调控参数的价值度。
24.优选地，所述上位机包括：
25.数据预处理模块，用于对所述制备数据进行预处理；
26.实时调控模型执行模块，与所述数据预处理模块连接，植入有所述实时调控模型，用于以预处理后的所述制备数据为所述实时调控模型的输入得到与预处理后的所述制备数据对应的回报值和状态-行动价值；
27.待调控参数确定模块，用于根据与预处理后的所述制备数据对应的回报值和状态-行动价值确定所述待调控参数；所述待调控参数包括：机床的扫描速度、送丝机的送丝速度、焊机的基准电流、焊机的峰值电流、焊机的占空比和热丝机的电流；
28.调控指令生成模块，与所述待调控参数确定模块连接，用于根据所述待调控参数生成调控指令。
29.优选地，所述三维运动平台包括：
30.运动控制卡，与所述上位机连接，用于根据所述调控指令生成三维运动指令；
31.驱动器，与所述运动控制卡连接，用于根据所述三维运动指令生成电机运动指令；
32.电机，与所述驱动器连接，用于根据所述电机运动指令进行特定速度的扫描作业。
33.优选地，所述上位机包括：
34.工控机，分别与所述数据采集设备和所述作动设备连接，植入有实时调控模型，用于以所述制备数据为所述实时调控模型的输入得到待调控参数，并用于根据所述待调控参数生成调控指令；
35.显示模块，与所述工控机连接，用于对所述制备数据、所述待调控参数以及所述作动设备的作动结果进行显示。
36.优选地，所述显示模块中植入有人机交互界面。
37.根据本发明提供的具体实施例，本发明公开了以下技术效果：
38.本发明提供的电弧增材制造在线监测及实时控制系统，通过在上位机中植入实时调控模型，可以根据数据采集设备采集的制备数据(工件熔池图像数据、工件的温度数据和焊机的电压数据)，采用实时调控模型得到待调控参数，然后基于待调控参数得到待调控指
令，最后依据待调控指令实现对作动设备的精确控制，进而提高电弧增材制造系统的集成控制程度。并且，通过实时调控模型的使用，当需要进行数据开发或者更新时，只需要调整实时调控模型的输入和输出参数，使得系统更新、开发等操作更加简单。
附图说明
39.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
40.图1为本发明提供的电弧增材制造在线监测及实时控制系统的实施架构图；
41.图2为本发明实施例提供的强化学习模型结构图；
42.图3为本发明实施例提供的对应的行动生成流程图。
具体实施方式
43.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
44.本发明的目的是提供一种电弧增材制造在线监测及实时控制系统，具有二次开发操作简单、集成度高等特点。
45.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
46.如图1所示，本发明提供的电弧增材制造在线监测及实时控制系统，包括：数据采集设备、上位机和作动设备。
47.数据采集设备用于获取电弧增材制造过程中的制备数据。制备数据包括：工件熔池图像数据、工件的温度数据和焊机的电压数据。
48.上位机与数据采集设备连接，上位机中植入有实时调控模型，用于以制备数据为实时调控模型的输入得到待调控参数，并用于根据待调控参数生成调控指令。
49.作动设备与上位机连接，作动设备用于根据调控指令完成电弧增材制造工作。
50.其中，如图2所示，采用的实时调控模型包括：第一卷积神经网络、第二卷积神经网络和第三神经网络。
51.第一卷积神经网络的输入为工件熔池图像数据，输出为长度为8的向量。
52.第二卷积神经网络的输入为工件熔池图像数据，输出为回报值。回报值用于表征电弧增材制造的工件直线度。
53.第三神经网路的输入为长度为8的向量、工件的温度数据和焊机的电压数据拼接得到的状态向量，输出为状态-行动价值。状态-行动价值用于表征执行调控参数的价值度。
54.上述实时调控模型的构建原理和过程具体如下：
55.实时调控模型的强化学习需要算法模型与环境不断交互，首先定义强化学习的三个概念。状态(s)、策略(a)和回报值(r)：
56.在本发明中，状态(s)被定义需要监测的数据，被监测的数据作为实时调控模型的输入，其中，被监测的数据为：工件熔池图像、工件的温度、焊机电压。
57.策略(a)被定义为需要调控的数据，需要调控的数据作为实时调控的输出，其中，主要调控的参数为：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流。
58.每个时刻通过状态来计算出回报值(r)，回报值(r)是通过状态(s)来进行评估的，表示该状态符合预期的程度，在本发明中，回报值(r)被定义为3d打印的工件的“直线度”，“直线度”越高，回报值(r)越大，“直线度”越低，回报值(r)越小。
59.在实验过程中，每隔一秒采样一次上述数据，假设在t时刻的状态为s
t
,采取的策略为a
t
，在t 1时刻状态转化为s
t 1
，状态s
t 1
对应的回报值为r
t 1
，状态转移概率记为p(s
t 1
|s
t
,a
t
)。实验过程中记录的状态、策略和回报值的实验数据记为：(s0,a0,r1......s
t-1
,a
t-1
,r
t
,s
t
,a
t
,r
t 1
,s
t 1
,a
t 1
,r
t 2
......)，在状态为s时，可采取的行动分别为a1,a2……an
，状态-行动值函数q(s,ai)表示在状态s时采取行动ai对最终工件质量的影响程度，值越大表示最终的质量越高，反之越低，因此可得在状态为s时采取的行动公式为：π(a/s)＝argmax
a q(s,a)。
60.基于上述强化学习的定义过程，基于本发明上述提供的电弧增材制造在线监测及实时控制系统，状态s为：工件熔池图像、工件的温度和焊机电压。例如，将时刻t的工件熔池图像(224x224)、工件温度、焊机电压分别记作image,temperature,voltage，x
t
＝(image,temperature,voltage)，然后对图像进行处理，将图像作为卷积神经网络的输入，卷积神经网络的作用是进行特征提取和降维，设定卷积神经网络的输出向量长度为8，可得再将temperature,voltage两个参数与卷积神将网络的输出向量拼接在一起。作为每个时刻的状态s：x
t
＝(x1,x2,x3,x4,x5,x6,x7,x8,x9,x
10
)。
61.行动a为：选取在制造过程中对最终工件性能影响较大的参数，并针对参数的取值范围进行离散化取值，将各个参数的离散化取值进行排列组合得到行动a的取值的集合，需要调控的参数、具体的取值范围、离散化取值集合如表1所示。
62.表1
[0063][0064]
[0065]
各个参数的取值离散化后进行排列组合得到采取的行动集合，行动的个数为：5
×6×5×5×6×
6＝27000，27000个行动的取值分别为(2.0,1.0,30,100,5,100)、(2.0,1.0,30,100,5,125)、(2.0,1.0,30,100,5,150)......
[0066]
回报值(r)是反映打印工件质量的重要指标，例如，对于所研究的杆状工件来讲，回报值(r)的取值设定为“直线度”，在工件熔池图像中难以直接提取“直线度”的信息，因此选择监督学习的方法。首先设定回报值的取值范围为0.0-1.0，然后对收集到的图像进行标记，根据工件的“直线度”将每一个图像标注一个回报值，“直线度”越高，回报值越大，反之越低。
[0067]
图像image
t
经过卷积神经网络，这里选择经典的卷积神经网络alexnet，它接收输入为224x224大小的彩色图片数据，为实现特征提取和降维，修改alexnet输出的向量为i
t
，i
t
的向量长度为1，即表示为回报值，并将该输出值的范围限定为0-1之间。采用平方差损失函数和小批量随机梯度下降法训练该模型，该模型表示图像与回报值之间的映射关系。
[0068]
基于此，a、第一卷积神经网络中数据处理的过程为：
[0069]
每一个时刻t的图像image
t
经过第一卷积神经网络，这里选择经典的卷积神经网络alexnet，它接收输入为224x224大小的灰度图image
t
，为实现特征提取和降维，修改alexnet输出向量的长度，输出值i
t
为向量长度为8的数据，将熔池温度t和电弧电压v这两个参数与i
t
拼接，得到t时刻的输入向量s
t
＝(x1,x2,x3,x4,x5,x6,x7,x8,x9,x
10
)
[0070]
则t时刻的实施调控模型的状态向量为：
[0071]it
＝alexnet(image
t
) s
t
＝i
t
,t
t
,v
t
[0072]
降维后的图像数据i
t
，熔池温度t
t
，电弧电压v
t
拼接成当前时刻的状态s
t
。
[0073]
b、第二卷积神经网络中数据处理的过程为：
[0074]
每一个时刻t的图像image
t
经过第二卷积神经网络，这里同样选择经典的卷积神经网络alexnet，它接收输入为224x224大小的灰度图image
t
，输出为向量长度为1的数据，表示回报值r
t
，回报值表示工件“直线度”的高低，回报值越大，“直线度”越高。回报值越小，“直线度”越低。
[0075]rt 1
＝σ(alexnet(image
t
))
[0076]
采用的激活函数为：
[0077]
第二卷积神经网络通过监督学习的方法来进行训练，首先根据工件熔池图像的“直线度”来进行标注，然后采用均方差损失函数来训练卷积神经网络模型2，得到工件熔池图像与回报值的映射关系。
[0078]
c、第三神经网络中数据处理的过程为：
[0079]
第三神经网络为全连接层，它接收的输入数据为当前时刻的状态s
t
(如上所述：s
t
为图像经过第一卷积神经网络降维后，长度为8的向量，与熔池温度、焊机电压进行拼接后得到的长度为10的向量)，经过全连接层神经网络，输出值的向量长度为27000，每一个输出值对应一个状态行动(s,a)，输出值表示状态-行动值q(s,a)的大小，其中每一个状态行动值都是一个实数值，例，q(s,a1)表示在输入的状态为s，采取的行动为a1时的状态行动值。a1表示具体的行动，即以下参数的具体取值：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流，如上述行动定义所示：a1表示各参
数的取值即(2.0,1.0,30,100,5,100)。采取的策略为，选取最大的状态-行动值所对应的行动，如图3所示。
[0080]
图3中，
[0081][0082]
o表示长度为27000的向量，即状态-行动值的集合：
[0083]
o＝{q(s,a1),q(s,a2),q(s,a3)
……
q(s,a
n-1
),q(s,an)},n＝27000
[0084]
π(a/s)＝argmax
a q(s,a)
[0085]
式中，表示向量计算，采用的激活函数为正切函数
[0086]
在进行大量实验后并记录相关的数据，以需要实时监测的参数作为实时调控模型的输入。以需要调控的参数作为输出。这样就可以通过每个时刻的数据(状态s、行动a、回报值r)所构成的数据集：s0,a0,r1……st-1
,a
t-1
,r
t
,s
t
,a
t
,s
t 1
,a
t 1
,r
t 2
，来训练基于强化学习的实时调控算法模型，进而得到输入输出的对应关系。
[0087]
记录数据的具体方法为：假设每隔一段时间step记录一次实验数据，每打印一个工件需要的总时间为time，则需要记录的数据次数为下面具体介绍强化学习的具体计算步骤，通过每一轮实验更新状态-价值函数，进而更新执行策略。
[0088]
基于上述构建的模型框架，状态-行动价值计算过程为：
[0089]
每一轮完整的实验共记录k次实验数据，在时刻t时，状态为s
t
时采取的行动为a
t
，得到的状态为s
t 1
，根据状态s
t 1
可得回报值为r
t 1
，可得如下数据序列：
[0090]
(s0,a0,r1……st-1
,a
t-1
,r
t
,s
t
,a
t
,r
t 1
,
……sk-1
,a
k-1
,rk,sk)
[0091]
每个状态-行动价值函数等于所有该状态收获的期望，同时这个收获是通过后续的奖励与对应的衰减乘积求和得到。那么对于蒙特卡罗法来说，如果要求某一个状态的状态价值，只需要求出所有的完整序列中该状态出现时候的收获再取平均值即可近似求解。
[0092]
其中，单个状态-行动函数可根据蒙特卡洛法计算过程为：
[0093][0094]
同时记录该状态行动出现的次数：n(s
t
,a
t
)初始值为0，n(s,a)＝n(s,a) 1。
[0095]
其中，γ∈(0,1)为回报值衰减率，当前时刻衰减率的指数系数为1，下一时刻的衰减率指数系数加1，依次类推，表示当前的回报值比未来的回报值更加重要。
[0096]
更新状态-行动函数的平均值q(s,a)的计算过程为：
[0097]
以下公式可通过某个状态-价值(s,a)出现的次数n(s,a)、前n(s,a)-1次的状态-价值(s,a)的平均值q(s,a)
n(s,a)-1
、第n(s,a)次出现的状态-价值即可计算前n(s,a)次出现的状态-价值(s,a)的平均值q(s,a)
n(s,a)
。
[0098][0099]
改写为：
[0100][0101]
策略选择
[0102]
在某个状态s下，经过上述算法模型的输出为27000个状态行动值，根据贪婪法选择最大的状态-行动值q(s,a)所对应的行动，即
[0103]
π(a/s)＝argmax
a∈a q(s,a)
[0104]
(在27000个输出值中选择最大的值所对应的行动，根据上述模型举例：输出的最大值为q(s,a1)，则采取行动a1，即a1表示如下参数：2.0,1.0,30,100,5,100，分别代表机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流的具体数值)
[0105]
基于上述描述即可得到实时调控模型，之后便可通过该模型来预测需要调控的参数。即将工件图像、工件温度、焊机电压输入实时调控模型，输出的参数为：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流，将上述参数发送到相应的作动设备，根据实时工况实现自适应调控。
[0106]
为了能够在电弧增材制造过程中，实现实时精确制备，本发明上述采用的作动设备设置有：三维运动平台、送丝机、热丝机和焊机。
[0107]
三维运动平台与上位机连接，用于根据调控指令进行特定速度的扫描作业。
[0108]
送丝机与上位机连接，用于根据调控指令进行特定速度的送丝作业。
[0109]
焊机与上位机连接，用于获取焊机的电压数据，还用于根据调控指令进行特定基值电流、特定峰值电流和特定占空比的调节作业。
[0110]
热丝机与上位机连接，用于根据所述调控指令进行特定温度的热丝作业。
[0111]
在实际制备过程中，三维运动平台可依据提前设置好的路径(通过g代码来设置运动路径)进行移动，焊枪与焊丝成45度固定于三维运动平台的z轴。在运动的过程中，焊枪发出的电弧将送丝机送出的焊丝熔化，熔融物依据设定的路径落在基板上，最终成型为需要的三维零件。热丝机的两极分别接在焊丝与基板上，在打印的过程中，焊丝与基板之间形成回路，产生的电流使焊丝更容易熔化。
[0112]
送丝机为增材制造提供原材料，将丝材输送到热源下方，以便热源将丝材熔化。送丝机通过can总线与上位机通信并传输数据，实时调控模型输出的送丝机的送丝速度参数通过can总线传输到送丝机中，来实现送丝速度的控制。
[0113]
焊机与热丝机为增材制造过程提供热能，将原材料——丝材熔化。焊机与热丝机通过can总线与上位机通信并传输数据，实时调控模型输出的焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流参数通过can总线分别传输到焊机和热丝机中，来实现热输入大小的控制。
[0114]
其中，本发明所采用三维运动平台是一种现有的三维运动平台，其包括有运动控制卡、驱动器、电机和限位回零开关等。
[0115]
运动控制卡与上位机连接，用于根据调控指令生成三维运动指令。驱动器与运动控制卡连接，用于根据三维运动指令生成电机运动指令。电机与驱动器连接，用于根据电机运动指令进行特定速度的扫描作业。
[0116]
运动控制卡控制平台的运动部件，可将上位机的运动指令(使用运动控制卡所提
供的api接口来输入运动指令和对应的参数)转化为电机的脉冲数(电机的旋转角度)和电机的转动方向(顺时针或逆时针)。关于运动控制卡的参数就是机床的扫描速度，上述提供的实时调控模型计算出的机床的扫描速度，通过运动控制卡提供的api接口输入，即可实现电机的控制。运动控制卡内部的实现过程按照api接口定义来使用。
[0117]
为了提供数据采集的精确性，上述采用的数据采集设备可以进一步包括：图像采集器、温度采集器和电压采集器。
[0118]
图像采集器与上位机通过通信协议连接，用于采集电弧增材制造过程中的工件熔池图像数据。为了保证所采集图像的清晰性，图像采集器可以采用ccd相机。
[0119]
温度采集器与上位机通过通信协议连接，用于采集电弧增材制造过程中的温度数据。为了降低系统成本，温度采集器可以采用温度计。
[0120]
电压采集器与上位机和作动设备连接，用于采集焊机的电压数据。此处的电压采集器可以是焊机本身。
[0121]
ccd相机、温度计和电压采集器实时采集制造过程的图像、温度和焊机电压，并传送给上位机，上位机接收到图像和温度等参数后，会依据上述提供的实时调控模型将这些参数作为输入，输出的参数为需要调控的参数为：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流。根据该模型可得该工况下需要调控的最优参数。
[0122]
为了能够将上述提供的实时调控模型的算法过程在上位机中进行有效部署，本发明采用的上位机包括：数据预处理模块、实时调控模型执行模块、待调控参数确定模块和调控指令生成模块。
[0123]
数据预处理模块用于对制备数据进行预处理。
[0124]
实时调控模型执行模块与数据预处理模块连接，实时调控模型执行模块中植入有实时调控模型，用于以预处理后的制备数据为实时调控模型的输入得到与预处理后的制备数据对应的回报值和状态-行动价值。
[0125]
待调控参数确定模块用于根据与预处理后的制备数据对应的回报值和状态-行动价值确定待调控参数。待调控参数包括：机床的扫描速度、送丝机的送丝速度、焊机的基准电流、焊机的峰值电流、焊机的占空比和热丝机的电流。
[0126]
调控指令生成模块与待调控参数确定模块连接，用于根据待调控参数生成调控指令。
[0127]
基于上述实现的功能，本发明值实际系统制备过程中，上位机中设置的硬件结构中包括：工控机和显示模块。
[0128]
工控机分别与数据采集设备和作动设备连接，植入有实时调控模型，用于以制备数据为实时调控模型的输入得到待调控参数，并用于根据待调控参数生成调控指令。
[0129]
显示模块与工控机连接，用于对制备数据、待调控参数以及作动设备的作动结果进行显示。其中，显示模块即为植入有人机交互界面的显示器。
[0130]
工控机将实时调控模型输出的数据发送至相应的下位机，即机床的扫描速度发送至运动控制卡，进而控制机床的扫描速度。送丝机的送丝速度发送至送丝机，进而控制送丝速度。焊机的基值电流、焊机的峰值电流、焊机的占空比发送至焊机，进而控制焊机提供的热输入大小。热丝机的电流发送至热丝机，进而控制热丝机提供的热输入大小。上述参数均
是制造过程中对工件质量影响较大的参数，通过控制上述参数的大小来提高工件的质量。
[0131]
例如，在waam堆焊过程中，随着层数不断增多，热积累持续加大，散热条件被削弱，进而导致熔池形状不易控制，成形件质量较差。因此，本发明以工件成形过程中，实时的图像以及成形件温度为监测目标，并以热参数、机床扫描速度和送丝速度作为被控变量，将上述参数抽象为强化学习中的“状态”、“行动”等概念，通过实时调控模型与环境不断交互来获取数据并用于训练实时调控模型，不断更新实时调控模型的状态-价值函数和策略函数，进而根据策略函数来预测需要调控的参数数值，实现成形过程中成形质量的自适应控制。
[0132]
通过数据采集设备采集的相关数据具体包括：当前时刻的工件图像、工件的温度、焊机电压。以上述参数为输入，通过实时调控模型输出当前时刻所对应的最优工艺参数，具体包括：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流。
[0133]
该模型部署到上位机中，上位机接收到模型的输入参数：ccd相机采集到的图像，温度计采集到的温度，焊机电压采集到的焊机电压后，上位机软件将参数输入到该实时调控模型中，得到的输出参数即为需要调控的参数为：机床的扫描速度、送丝机的送丝速度、焊机的基值电流、焊机的峰值电流、焊机的占空比、热丝机的电流。
[0134]
根据该实时调控模型可得该工况下需要调控的最优参数，上位机软件将以上参数发送到对应的下位机中：机床的扫描速度发送到运动控制卡中。送丝机的送丝速度发送到送丝机中。焊机的基值电流、焊机的峰值电流、焊机的占空比发送到焊机中。热丝机的电流发送到热丝机中。各个下位机接收到以上参数后，将各个参数其设置为对应的值，即可实现制造过程的闭环反馈调节。
[0135]
基于上述描述，本发明提供的电弧增材制造在线监测及实时控制系统主要包括：硬件设计、软件中业务逻辑设计和用户交互界面设计。工控机作为增材制造装备的控制中心，上位机与外围设备均通过以太网连接方式进行通讯，上位机程序的开发编程语言为c#，集成开发环境为visual studio 2017，数据库为mysql。
[0136]
在系统架构设计过程中，总体采用模块化开发思路，由各个模块实现对应功能。需要充分考虑模块化、开放式系统设计要求，使系统具备一定的可扩展性。其中，上位机(pc机)管理层，主要负责数据库搭建、控制指令存储和处理等任务。此外应建立pc机和运动控制卡的通讯，完成终端路径规划等操作。上位机与视觉系统的通信方式采用以太网通信方式，采用tcp/ip协议。焊机、热丝机、送丝机通过can总线与pc机连接。上位机程序通过相应的api函数给对应的外围设备发送的命令，下位机接收命令并执行该命令对应的作业，来完成增材制造过程的整体任务。
[0137]
基于上述描述，本发明以模块化思想进行设计开发，是一种完全开放式的数控系统，可根据自身需求进行自主增加一些专用功能，集成度高，可由上位机来进行整体的集成控制，在集成控制的基础上，针对3d打印工艺设计自适应控制算法模型，通过该算法模型实现制造过程的实时控制，大大提高了装备的性能。
[0138]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0139]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据
本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。