基于非线性自回归神经网络的激光熔覆平整化控制系统与方法与流程

1.本发明涉及金属激光熔覆增材制造技术领域，尤其是熔覆加工的过程控制技术，具体而言涉及基于非线性自回归神经网络的激光熔覆平整化控制系统与方法。


背景技术：

2.金属激光熔覆通过自底向上逐层堆积熔化金属粉末而实现金属结构件成形，能够直接从计算机模型数据中生成复杂、致密的结构件，在智能制造、航空航天、石油化工等行业应用前景广阔。但在复杂的光粉气耦合过程中由于热效应引起的几何偏差、累积误差等会严重影响零件的几何精度和平整化，尤其是复杂熔道的堆积过程极易产生表面凹凸不平、宽度不一等情况，这使得金属激光熔覆制品的产品重复性和质量降低。
3.为了实现加工零件的平整化，现有技术尝试采取多种方式来进行改善，例如通过熔池震动使得熔池均匀化从而提高平整度，通过铣削等后处理工序提高其平整度；利用激光重熔技术以及针对特定零件在程序的特定位置修改工艺参数；通过闭环控制改善生产零件的几何特性来提高其平整度。
4.现有技术中，公开号为cn204224703u的发明专利申请提供一种用于激光熔覆的三维测量装置，在可移动工作平台上方有激光熔覆机构和激光铣削机构以及轮廓测量仪，分散布置，通过检测工件三维形貌信息，实现工件的在线整形。但设备成本高，测量误差大。公开号为cn104807410a的发明专利申请，公开了一种激光熔覆快速成形层高测量装置与闭环控制方法。通过3个激光2d位移传感器，将图像信号转化为熔覆层高度数据，实现熔覆头单层提升量的实时控制。但结构复杂、不利于增材制造打印复杂结构件，且采用计算熔覆层高度平均值的方法作为层高值，会造成参差不齐的表面被同一参数补偿，效果达不到要求。例如，公开号为cn108247059a的发明专利申请，公开了一种同轴送粉激光熔融成形设备的层高控制系统及方法，通过对光斑直径与工艺数据库的对比计算转换为同轴激光喷头的提升高度值从而加工过程中层高进行控制。但相机侧轴安装且仅依靠光斑直径作为参考，精度及可靠性不足。
5.现有技术往往耗时费力、成本较高且系统不稳定。或者存在采集信息单一，容易受到外界环境的干扰，无法保证测量结果的精度，鲁棒性差的问题；如果控制指标单一，对零件成型质量有一定程度的改善，但远不能实现零件表面的平整化的工艺需求。


技术实现要素：

6.根据本发明目的的第一方面提出一种基于非线性自回归神经网络的激光熔覆平整化控制方法，包括以下步骤：
7.步骤1、获取金属激光熔覆增材制造的熔池图像流信息；
8.步骤2、基于熔池图像流的多帧图像，提取熔池特征数据，包括熔池的几何特征与统计学特征，所述几何特征熔池熔宽、熔池轮廓面积、熔池中心坐标、熔池图像矩、拖尾长
度、环形光斑面积、熔池对称性；所述统计学特征包括熔池图像灰度均值、熔池轮廓面积标准差
9.步骤3、对熔池特征数据进行降维处理，确定平整化特征向量；
10.步骤4、以平整化特征向量以及激光熔覆的工艺参数向量分别作为输入样本和输出样本，训练带有外部输入的非线性自回归神经网络(narx)，确定预测精度达到预期阈值的神经网络预测模型作为mpc预测控制器；其中，工艺参数包括激光功率、激光扫描速度和送粉速率；
11.步骤5、在金属激光熔覆增材制造过程中，获取实时采集的熔池图像数据，提取所述步骤3的平整化特征向量，并将提取的平整化特征向量作为mpc预测控制器输入，mpc预测控制器输出工艺参数调整量，并发送至激光熔覆系统控制器；以及
12.步骤6、激光熔覆系统控制器根据工艺参数调整量将对应的工艺参数调整指令分别发送至激光器、机器人以及送粉器，实时调整激光功率、激光扫描速度和送粉速率。
13.根据本发明目的的第二方面提出一种基于非线性自回归神经网络的激光熔覆平整化控制系统，包括激光器、激光熔覆加工头、机器人、工作台、变位机、送粉器、保护气装置、视觉采集单元、激光熔覆系统控制器以及计算机系统；
14.所述送粉器，用于向工作台表面进行送粉；
15.所述保护气装置，被设置通过激光熔覆加工头向工作台表面输送保护气；
16.所述激光器，用于发射激光束，通过激光熔覆加工头内的光学系统进行波束整形后在工作台表面形成激光光斑，对工作台表面的粉末进行熔化沉积成型；
17.所述工作台，安装在变位机上，并且被设置成可随变位机运动而运动；
18.所述视觉采集单元，包括至少一个图像采集装置，采集位于工作台表面的熔池图像；
19.所述激光熔覆加工头，安装在所述机器人上，并可由所述机器人驱动实现位置移动与变换；
20.其中，所述激光熔覆系统控制器用于控制所述激光器、激光熔覆加工头、机器人、工作台、变位机、送粉器、保护气装置的运行；
21.所述视觉采集单元与所述计算机系统连接，将采集的熔池图像发送至计算机系统；
22.所述计算机系统内设置有至少一个处理器以及至少一个存储器，所述至少一个存储器存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括前述的基于非线性自回归神经网络的激光熔覆平整化控制方法的过程。
23.由此，根据本发明以上实施例的基于非线性自回归神经网络的激光熔覆平整化控制系统，基于该系统的控制方法，可在线监测熔池的多种特征信息并基于narx神经网络结构的预测控制器实时作出反馈，通过对多种工艺参数的实时调整，补偿加工过程中的几何误差，使成型零件表面均匀平整化，提高激光熔覆工件表面质量和尺寸精度。
附图说明
24.附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组
成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
25.图1是本发明实施例的激光熔覆平整化控制系统的示意图。
26.图2是本发明实施例的基于非线性自回归神经网络的激光熔覆平整化控制方法的流程示意图。
27.图3是本发明实施例的基于随机森林对熔池几何特征重要性排序的示意图。
28.附图中，各个附图标记的含义定义如下：
29.10-激光器；11-送粉器；12-保护气装置；13-激光熔覆加工头；14-机器人；15-反射镜；16-ccd相机；
30.20-激光熔覆系统控制器；30-计算机系统；
31.100-工作台；110-变位机。
具体实施方式
32.为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
33.在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
34.结合图1所示的实施例的激光熔覆平整化控制系统，其特征在于，包括激光器10、送粉器11、保护气装置12、激光熔覆加工头13、机器人14、视觉采集单元、激光熔覆系统控制器20、计算机系统30以及工作台100与变位机110。
35.送粉器11，用于向工作台100表面进行送粉。
36.保护气装置12，被设置通过集成在激光熔覆加工头的方式，经由保护气喷嘴向工作台100表面输送保护气。保护气尤其是指氩气。
37.激光器10，用于发射激光束，通过激光熔覆加工头内的光学系统进行波束整形后在工作台表面形成激光光斑，对工作台100表面的粉末进行熔化沉积成型。
38.工作台100，安装在变位机110上，并且被设置成可随变位机运动而运动。
39.视觉采集单元，包括至少一个图像采集装置，例如ccd相机16，采集工作台表面的熔池图像。
40.激光熔覆加工头13，安装在机器人14上，并可由机器人14驱动实现位置移动与变换，以在激光熔覆系统控制器20的控制下，使机器人14按照预定的轨迹和扫描速度进行移动。
41.在可选的实施例中，机器人14可采用商用的多关机工业机器人。
42.在本发明的实施例，激光熔覆系统控制器20可采用工业级plc控制系统，用于控制激光器10、送粉器11、保护气装置12、激光熔覆加工头13、机器人14以及变位机110的运行。
43.如图1所示，视觉采集单元与计算机系统30连接，将采集的熔池图像发送至计算机系统30。
44.计算机系统30内设置有至少一个处理器以及至少一个存储器，至少一个存储器存
储可被操作的指令，指令在通过一个或多个处理器执行时使得一个或多个处理器执行操作，执行图像处理、特征提取以及narx神经网络模型的训练与预测输出，输出激光熔覆的工艺参数调整量，并发送至激光熔覆系统控制器20。
45.激光熔覆系统控制器20根据工艺参数调整量将对应的工艺参数调整指令分别发送至激光器10、机器人14以及送粉器11，实时调整激光功率、激光扫描速度和送粉速率。
46.作为可选的实施方式，前述的图像采集装置为ccd相机，ccd相机16的光轴以垂直于激光熔覆加工头的中心轴线方向地安装，ccd相机16通过设置在激光熔覆加工头内的45
°
反射镜15获取熔池图像。
47.作为可选的实施方式，ccd相机16被设置通过gige接口与计算机系统连接，实现图像信息的实时传输。
48.激光熔覆系统控制器20通过i/o分别连接激光器10、送粉器11、保护气装置12，机器人14，并能够控制激光功率、送粉速率、激光扫描速度以及保护气流量。
49.结合本发明图2所示，根据本发明实施例的基于非线性自回归神经网络的激光熔覆平整化控制方法的过程包括：
50.步骤1、获取金属激光熔覆增材制造的熔池图像流信息；
51.步骤2、基于熔池图像流的多帧图像，提取熔池特征数据，包括熔池的几何特征与统计学特征，所述几何特征熔池熔宽、熔池轮廓面积、熔池中心坐标、熔池图像矩、拖尾长度、环形光斑面积、熔池对称性；所述统计学特征包括熔池图像灰度均值、熔池轮廓面积标准差
52.步骤3、对熔池特征数据进行降维处理，确定平整化特征向量；
53.步骤4、以平整化特征向量以及激光熔覆的工艺参数向量分别作为输入样本和输出样本，训练带有外部输入的非线性自回归神经网络(narx)，确定预测精度达到预期阈值的神经网络预测模型作为mpc预测控制器；其中，工艺参数包括激光功率、激光扫描速度和送粉速率；
54.步骤5、在金属激光熔覆增材制造过程中，获取实时采集的熔池图像数据，提取所述步骤3的平整化特征向量，并将提取的平整化特征向量作为mpc预测控制器输入，mpc预测控制器输出工艺参数调整量，并发送至激光熔覆系统控制器；以及
55.步骤6、激光熔覆系统控制器根据工艺参数调整量将对应的工艺参数调整指令分别发送至激光器、机器人以及送粉器，实时调整激光功率、激光扫描速度和送粉速率。
56.作为可选的实施方式，对熔池特征数据进行降维处理，确定平整化特征向量，包括：
57.将步骤2获得的熔池特征数据作为样本，通过基于基尼(gini)指数的随机森林算法将熔池特征数据进行重要性排序；
58.找到对零件平整化影响度累积达到98％以上的特征，作为平整化特征向量。
59.作为可选的实施方式，在步骤4中，以平整化特征向量t1为输入样本，以对应的工艺参数向量t2为输出样本，在带有外部输入的非线性自回归神经网络(narx)进行训练；
60.其中，带有外部输入的非线性自回归神经网络遵循如下公式：
61.62.式中，u(t)是t时刻输入的平整度特征向量，是t时刻输出的预测工艺参数向量，du为输入时延的最大阶数，dy为输出时延的最大阶数，u(t-1)，...，u(t-du+1)为相对于t时刻的历史输入，为相对于t时刻的历史输出，f为拟合得到的非线性函数。
63.作为可选的实施方式，训练过程包括开环训练过程和闭环训练过程：
64.首先进行开环训练：定义输入延迟、反馈延迟、输入层、输出层和隐藏层的大小，构建带有外部输入的非线性自回归神经网络的开环训练模型，并以人工标记的样本作为延迟输出，得到权重与偏差参数；
65.然后进行闭环训练：闭环训练以开环训练模型的历史输出作为延迟输出，并基于开环训练得到的权重与偏差参数作为初始值，进行训练；
66.对于每一训练获得的模型，在测试集上检查其精度，防止过拟合，如果达到预期阈值，则输出该模型作为mpc预测控制器，否则进行再训练优化，直到满足预期阈值。
67.作为可选的实施方式，训练使用的样本数据包括至少8000张熔池图像，其中70％为训练集，15％为验证集，15％为测试集。
68.根据本发明的实施例的平整化控制方法，在激光熔覆增材制造的过程中，可通过连续的采集熔池图像，并进行特征提取后，输入基于narx神经网络的mpc模型预测控制器，根据实时图像信息得到熔池平整度偏差向量，从而预测输出激光熔覆的工艺参数调整量，并据此实现对工艺参数即激光功率、激光扫描速度和送粉速率的实时调整，补偿加工过程中的几何误差，使成型零件表面均匀平整化，提高激光熔覆工件表面质量和尺寸精度。
69.下面我们将结合一个具体的平整化控制过程的示例，对前述实施例的实施过程进行进一步的说明。
70.(1)图像采集：ccd相机采集熔池图像信息，将图像流实时传输至计算机。
71.(2)熔池特征提取：基于图像处理领域的常用算法提取熔池的多种特征数据。
72.前述的熔池特征数据包括熔池的几何特征与统计学特征。几何特征如熔池熔宽、熔池轮廓面积、熔池重心、熔池图像矩、拖尾长度、环形光斑面积、熔池对称性等。统计学特征如熔池图像灰度均值、熔池轮廓面积标准差等。
73.例如，熔池的中心坐标可通过以下两公式计算得到。
[0074][0075][0076]
式中，(x，y)分别为熔池图像像素的横纵坐标，array(x，y)为(x，y)处像素的灰度值，m
ij
为熔池图像的几何矩，m00为熔池图像的0阶矩表征熔池区域面积，m
01
和m
10
为一阶图像矩分别表征图像关于x轴和y轴的矩。
[0077]
(3)熔池特征降维：如图3所示的计算分析示例，将步骤(2)中的熔池特征数据作为样本，通过基于基尼(gini)指数的随机森林算法将熔池特征进行重要性排序。找到对零件平整化影响度累积达到98％以上的特征，作为平整化特征向量。
[0078]
(4)narx模型建立：基于带有外部输入的非线性自回归神经网络(narx)，将步骤
(3)中的平整化特征向量t1＝[p
01
，p
11
，p
21
，p
12
，sse，r-squre，rmse]及对应的工艺参数向量t2＝[p，θ，r]分别作为输入与输出。神经网络遵循如下公式：
[0079][0080]
式中，u(t)是t时刻输入的平整度特征向量，是t时刻输出的预测工艺参数向量，du为输入时延的最大阶数，dy为输出时延的最大阶数，u(t-1)，...，u(t-du+1)为相对于t时刻的历史输入，为相对于t时刻的历史输出，f为拟合得到的非线性函数。
[0081]
训练包括两个步骤：开环训练和闭环训练。首先，合理地定义输入延迟、反馈延迟、输入层、输出层和隐藏层的大小，构建开环训练模型并以人工标记的数据样本作为延迟输出，得到权重与偏差参数；
[0082]
然后，闭环训练以模型历史输出作为延迟输出并基于开环训练得到的权重与偏差参数作为初始值进行训练。
[0083]
根据预测结果决定是否采用该narx模型，在测试集上进一步检查其精度，防止过拟合，否则对narx模型进行再训练或优化，直到满足要求，得到一个预测精度高于99％的神经网络预测模型。
[0084]
其中，模型训练的训练集大小约为8000张熔池图像，其中70％为训练集，15％为验证集，15％为测试集。
[0085]
(6)在打印过程中，通过ccd相机实时采集熔池图像信息，提取步骤(3)中特征向量，并将平整化特征向量t1＝[p
01
，p
11
，p
21
，p
12
，sse，r-squre，rmse]作为mpc的输入，mpc输出工艺参数调整向量t3＝[δp，δθ，δr]，并发送至激光熔覆系统控制器。其中，δp，δθ，δr分别代表激光功率调整值、扫描速度调整值、送粉速率调整值。
[0086]
(7)激光熔覆系统控制器将工艺参数调整指令分别发送至激光器、机器人、送粉器，实时调整激光功率、扫描速度、送粉速率。
[0087]
(8)重复步骤(6)、(7)，直到完成整个零件的打印。
[0088]
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。