激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法
技术领域
本发明属于激光增材制造技术领域，涉及一种激光熔化沉积粉末流离焦量在线监测与负反馈状态识别方法。
背景技术
激光熔化沉积是进行金属3D打印的重要技术手段之一，旨在通过激光束一层一层的扫描，采用逐层累积的方法将数字模型转换成金属材料三维实体模型。它的形成过程是通过将具有高能量的激光束打到基材上，聚焦而形成的熔池，并且用一个同轴或旁轴送粉装置将金属粉末送入熔池当中并与熔池中的熔液融合。此时，熔池会随着激光束的移动而移动，前面的溶液凝固成沉积层，而激光束所行走的轨迹便是沉积层形成的轨迹。许多与此同类的技术具有不同名称，包括激光熔覆、激光定向能量沉积、激光熔覆沉积、激光熔融沉积等。
激光熔化沉积时粉末流的离焦量在加工过程中起着重要的作用，随着打印的层数的增加，其离焦量会产生一定的波动，若离焦量超过了一定的合适范围，则有可能导致多层薄壁堆积加工脱离负反馈状态，并引起加工的失败。
发明内容
为了解决背景技术当中工件加工的问题，本发明提供了一种同轴检测离焦量及负反馈状态的方法。该方法旨在采用摄相机采集熔池视觉图像，将采集到的图像采用机器学习的识别方法，来识别离焦量及负反馈状态，由此可以解决因离焦量设置不当而造成不能完成加工的问题，并可以减少资源的耗费以及加工时间。
本发明为解决上述技术问题采用以下技术方案：
一种激光熔化沉积粉末流离焦量在监测与负反馈状态识别方法，该方法所采用的激光熔化沉积离焦量在线监测与负反馈状态识别系统，在现有的激光熔化沉积及其在线监测系统的基础上，增加了图像在线处理单元、粉末流离焦量在线监测单元和负反馈状态在线识别单元；现有激光熔化沉积及其在线监测系统包含激光器、激光头、位移装置、材料进给装置、图像同轴采集单元。
所述图像在线处理单元包括ROI(region of interest)区域提取模块、图像的滤波降噪处理模块和熔池轮廓特征提取模块。所述粉末流离焦量在线监测单元可根据图像在线处理单元的数据，在线得出离焦量值。所述负反馈状态在线识别单元可根据图像在线处理单元的数据，对沉积层高度的负反馈自优化状态进行识别判断。
具体步骤如下：
(1)调节激光头与基板之间的距离，至粉末流聚焦处，即离焦量为0mm位置，使用标定板对图像同轴采集装置进行对焦。
(2)由位移装置控制激光头与基板之间的距离或激光头与已加工部分的相对距离，分别取离焦量为-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6和7mm，在基板上进行增材打印，通过图像同轴采集单元进行熔池图像的采集，采集帧率范围为50～500fps。
(3)图像处理单元对所采集的熔池视觉图像进行预处理，包括ROI(region ofinterest)区域提取、滤波降噪处理以及熔池轮廓特征提取。
所述ROI区域提取为只截取图像识别所需的熔池区域，避免后续在对图像进行模式识别过程中对背景区域进行处理，减少训练时间；所述滤波降噪处理主要是过滤掉在实验过程中熔池区域外的粉末飞溅及熔渣等干扰因素；所述熔池轮廓特征主要提取熔池的宽度及长度。
(4)根据相机镜头焦距、拍摄距离的远近、光圈值及所拍摄出的图像的清晰度，判断熔池视觉图像是否处于景深范围，若在其范围内则将该熔池视觉图像继续进行下一步的流程，相反，则直接判定此时的离焦量不能保障完成加工或不处于负反馈状态。
其中，景深的计算公式为
(5)搭建基于神经网络模式识别的模型，确定各层网络的参数，将采集到的熔池视觉图像输入到图像识别的神经网络中，该图像识别神经网络采用深度卷积网络或深度信念网络等深度学习的模型。具体为：首先，对采集的熔池视觉图像集进行分类打标签，其种类可分为上述步骤(2)中15个类别，并将图像数据集分为训练数据和测试数据两类；其次，设置神经网络的结构与参数，进行训练，得到神经网络模型；最后，将得到的此神经网络模型内置于上位机中，在实验过程中，根据相机所拍摄的熔池图像，调用此网络神经模型可自动识别出离焦量数值，从而实现离焦量的在线监测。
(6)根据实际加工经验确定可实现负反馈状态时的离焦量范围，再与步骤(5)的离焦量在线监测方法相结合，当系统识别出处于负反馈状态则输出为0，当系统识别出处于正反馈状态则输出为1，从而实现负反馈状态的在线识别。
进一步的，所述的图像同轴采集单元包括内置于激光头的45°的分光镜、滤光片、镜头和相机。所述分光镜可实现激光的正向传递与可见光的逆向传递，滤光片可以滤除强光及干扰光，镜头和相机可以获取每一个时刻的激光增材熔池图像。
进一步的，所述的激光器为半导体激光器；相机为CMOS相机。
本发明的有益效果：
(1)本发明能够对离焦量进行在线监测，对及反馈状态进行检测，从而使工作人员在打印多层薄壁件时能够事先设置好离焦量范围及反馈状态，从而保障良好的加工过程，减少实验材料以及资源的耗费；
(2)本发明集成化程度高，可嵌入到目前监测系统中而不需新添加过多的硬件设备，并可实时采集熔池其它动态特征，利用这些熔池特征可以进行更深层次的分析。
(3)本发明适用范围广，不受限于实验粉末材料或基板材料属性、尺寸、表面质量等因素，具有较好的适应能力。
附图说明
图1为激光熔化沉积及其在线监测系统中的图像同轴采集单元；
图2为激光熔化沉积离焦量在线监测与负反馈状态识别方法的流程示意图；
图中：1基板；2激光器；3相机。
具体实施方式
以下结合技术方案和附图详细叙述本发明的具体实施方式。
本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在激光增材制造过程中加工多层薄壁件时，随着打印的层数的堆积，经常会出现堆积部分塌陷或不成型等现象，在此过程中，离焦量以及反馈状态的变化起着关键的作用。由于离焦量超过了一定的范围或加工中未处于负反馈状态，都不会保证加工的完整度。因此，本发明充分利用现有的先进技术与算法，提出了激光增材制造离焦量及负反馈状态的控制方法。
本发明基于激光熔化沉积离焦量在线监测与负反馈状态识别系统实现，所述激光熔化沉积离焦量在线监测与负反馈状态识别系统是在现有的激光熔化沉积及其在线监测系统的基础上增加图像在线处理单元、粉末流离焦量在线监测单元和负反馈状态在线识别单元。所述现有激光熔化沉积及其在线监测系统包含激光器、激光头、位移装置、材料进给装置、图像同轴采集单元(专利号为：CN 108931535A，专利名称为：一种激光增材制造气孔缺陷在线监测方法)。
参看图1，本实施例中图像同轴采集单元包括：基板1：所述基板的材料为316L基体；激光器2：所述的激光器为半导体激光器；相机3：所述的相机为CMOS相机。
本实施例所采用的粉末材料为Ni60粉末，基体材料为316L，粉末直径为40～120μm，基体尺寸为60×30×10mm。
由图2，实施例的步骤为：
(1)调节激光头与基板之间的距离，至粉末流聚焦处，即离焦量为0mm位置，使用标定板对图像同轴采集装置进行对焦；
(2)由位移装置控制激光头与基板之间的距离或激光头与已加工部分的相对距离，分别取离焦量为-7、-6、-5、-4、-3、-2、-1、0、1、2、3、4、5、6和7mm，在基板上进行增材打印，通过图像同轴采集单元进行熔池图像的采集，采集帧率300fps；
(3)图像处理单元对所采集的熔池视觉图像进行预处理，包括ROI区域提取，滤波降噪处理以及熔池轮廓特征提取；
所述ROI区域提取为只截取图像识别所需的熔池区域，采集到的图像大小为632×508，截取后图像大小为320×320，由此可以避免后续在神经网络训练过程中对背景区域进行处理，减少训练时间；
所述滤波降噪处理主要采用高斯滤波、均值滤波等，过滤掉在实验过程中熔池区域外的粉末飞溅及熔渣等干扰因素；
所述熔池轮廓特征提取熔池的宽度及长度，其中熔池长宽比小于1.2的认为为近圆形，大于1.2的认为为近矩形，当熔池呈近矩形且尾部接近直角，则可判定为堆积层壁厚由于热累积与离焦量等原因有逐渐增加趋势；
(4)根据镜头焦距，拍摄距离远近，光圈值及所拍摄出的图像的清晰度，设置景深范围为-2.5mm～-0.5mm，对焦点在-1mm处，此范围内的图像清晰度较高，而后将处于此范围内的图像输入到下一步流程中，相反，则直接判定此时的离焦量不能保障完成加工或不处于负反馈状态；
(5)搭建基于神经网络模式识别的模型，确定各层网络的参数，将采集到的熔池视觉图像输入到图像识别的神经网络中，此实例中该图像识别神经网络采用基于特征融合的神经网络，相比于传统的神经网络，此网络融合了不同尺度的特征，所包含的特征信息更为丰富，提高了获取全局信息的能力，有效的减少了高层特征的信息丢失问题。首先，对采集的熔池视觉图像集进行分类打标签，其种类可分为上述步骤(2)中15个类别，并将图像数据集分为训练数据和测试数据两类；其次，设置神经网络的结构与参数，进行训练，得到神经网络模型；最后，将得到的此神经网络模型内置于上位机中，在实验过程中，根据相机所拍摄的熔池图像，调用此网络神经模型可自动识别出离焦量数值，从而实现离焦量的在线监测。
(6)根据实际加工经验确定可实现负反馈状态时的离焦量范围，再与步骤(5)的离焦量在线监测方法相结合，当系统识别出处于负反馈状态则输出为0，当系统识别出处于正反馈状态则输出为1，从而实现负反馈状态的在线识别。
以上所述实施例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
