首页/文章/ 详情

西南交大陈辉&哈工大顶刊丨金属基激光增材制造的原位监测与过程控制系统研究

1月前浏览2130

摘要

正文

         

金属基激光增材制造(MLAM)因其能够直接从三维模型制造复杂且高性能的金属部件而在工业领域受到广泛关注。然而,打印构件仍存在尺寸精度、表面质量、内部缺陷等各种问题,严重阻碍了MLAM的发展。为了克服这些问题,应强调MLAM中的过程监控和控制,以实现高质量的零件。

近日,西南交通大学材料科学与工程学院材料先进技术教育部重点实验室陈辉教授熊俊教授团队联合哈尔滨工业大学先进焊接与连接国家重点实验室张广军教授在国际著名的期刊《Journal of Manufacturing Systems》上发表最新综述文章 “A review of in-situ monitoring and process control system in metal-based laser additive manufacturing”,以金属基激光增材制造MLAM闭环控制系统的关键部分为研究路线,旨在深入研究MLAM中的原位过程传感和控制策略。
该综述介绍了各种信号监测方法,介绍了诱发缺陷的原理和相应的科学控制策略,总结了MLAM中的闭环控制策略。讨论了传感方法和闭环控制框架的当前发展现状和局限性。最后提出了MLAM中机器学习模型的现场监控、过程控制和性能的未来研究方向。该综述为工业应用中开发先进的MLAM智能控制提供了有价值的参考和蓝图。
论文研究重点:          
1)总结了MLAM中的信号监测方法、诱发缺陷的原理以及闭环控制策略。          
2)讨论了MLAM中传感方法和闭环控制框架的现状和局限性。          

3)提出了MLAM中现场监控、过程控制和机器学习模型性能的未来方向。

         

图1.两种激光增材制造的示意图 (a) 激光粉末床熔融 (b) 激光直接能量沉积

         

图 2. 综述路线图

         
图3. MLAM中物理信号的产生和传播示意图          

图4. 热感测装置原理图          

图5. LPBF过程监控的CMOS摄像头设置          

图6. 对不同监控设备获取的顶层图像进行采样分析

图7. MLAM存在的缺陷及相应的缓解方法              

监测和控制是过程闭环控制中两个不可或缺的部分,以解决MLAM鲁棒性和重复性低的问题。如图4所示,上述各部分之间的关系类似于中国古代太极图。这两部分必须协调发展,才能推动MLAM自动化的进步。该领域具有很高的研究价值,对于突破MLAM的行业应用限制具有至关重要的作用。改研究对MLAM现场监测和过程控制的以往研究进行了全面回顾。分析了MLAM中应用的各种传感系统的特点和局限性。对MLAM中的缺陷进行了分类,并讨论了相应的诱导机制和缓解措施。回顾了过程控制框架的开发。研究工作根据传感方法、控制器类型和受控对象进行分类。

         
图8. 各部分关系示意图          

1. 过程监控

目前,许多成熟的系统监测MLAM中珠子的单一几何特征。然而,建立同步传感系统来监控MLAM中的各种特征却很少涉及。由于不同信号之间的相互干扰会带来许多不确定性,因此发展多传感器同步传感技术应优先阐明MLAM中各种信号之间的复杂耦合效应。此外,多信息传感需要强大的数据传输性能。有必要引入低延迟的数据传输技术来保证多传感器系统的性能,例如5G技术。此外,基于ML或数值计算的软传感器可以获得MLAM中难以测量的信息,例如微观结构和热演化特征,从而显着降低传感设备成本。因此,加大软测量的研究投入是很有价值的。          
由于MLAM的非线性、强耦合和多参数特性,不同的因素会影响竣工构件的内部缺陷。依靠单一的传感信息来诊断内部缺陷是不可靠的。尽管利用AE传感来表征内部缺陷状态在实验室中取得了良好的效果,但该方法需要提高其鲁棒性,并且在实际工业现场容易获得失真的信息。开发基于多传感器系统的多信息融合算法或融合模型对于在缺陷监测中实现更高的精度和更强的鲁棒性是必要的。          
2. 过程控制          
许多先进的监测技术,例如AE传感和ML辅助视觉或热传感,尚未集成到MLAM的闭环控制系统中,这意味着需要进行许多开发研究。MLAM中的单变量控制,例如熔池宽度或层高,已经取得了显着的效果。然而,由于耦合效应,调节单个工艺参数会影响其他几何特征。因此,开发多变量控制系统是提高MLAM智能化水平的必由之路。此外,机器学习在受状态约束的非线性多输入多输出系统的控制领域表现出巨大的潜力。基于机器学习算法提取工艺参数和几何特征之间的未知关系是可行的。在此基础上,可以直接通过端到端的交互训练来建立控制器。          
3. 机器学习模型的性能          

ML已广泛应用于MLAM中的分类或预测层特征。然而,高性能机器学习模型依赖于高质量的训练数据和标签映射。大规模数据集获取和模型训练复杂且成本高昂。因此,减少对训练数据量的依赖,提高计算效率是机器学习的主要发展方向。此外,训练数据范围限制了当前机器学习模型的认知能力,这意味着处理超出训练数据范围的事件可能会导致预测结果的不确定性。因此,提高ML模型的泛化能力,释放其在MLAM中的应用潜力具有重要意义。

引用: Cai Y, Xiong J, Chen H, et al. A review of in-situ monitoring and process control system in metal-based laser additive manufacturing[J]. Journal of Manufacturing Systems, 2023, 70: 309-326.

     
来源:增材制造硕博联盟
ACTAdditiveSystem非线性航空航天增材焊接材料控制META
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-04-21
最近编辑:1月前
增材制造博硕联盟
硕士 聚焦增材制造科研与工程应用,致...
获赞 116粉丝 54文章 500课程 0
点赞
收藏
未登录
还没有评论

课程
培训
服务
行家

暂无数据
暂无数据
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈