超级会员免费看
增材制造中的过程特征空间分析
1 引言
增材制造（AM）作为一项颠覆性的制造技术，以其层层叠加的方式制造零件，带来了设计自由、降低成本、大规模定制等巨大优势。然而，AM技术的广泛应用仍面临诸多挑战，尤其是在过程可靠性方面。为了应对这些挑战，数据驱动的方法逐渐成为研究的热点，特别是在金属增材制造领域。本文将聚焦于增材制造过程特征空间，探讨其主要来源、特征工程技术、结果特征及其应用。
2 规划阶段的特征源
在增材制造过程的规划阶段，特征源主要包括扫描策略（工具路径和扫描模式）、构建方向以及特定的打印几何体。这些特征源对增材制造过程的优化和控制至关重要。
2.1 扫描策略与构建方向
扫描策略和构建方向是规划阶段的核心特征源。扫描策略包括工具路径和扫描模式，这些策略直接影响打印质量和效率。构建方向则决定了零件在打印过程中的姿态，进而影响其力学性能和表面质量。例如：
- 扫描策略 ：工具路径可以是直线、螺旋或随机路径，扫描模式可以是单向或双向扫描。
- 构建方向 ：构建方向的选择可以是垂直、倾斜或水平方向，这取决于零件的设计要求和工艺特点。
2.2 参数特征与沉积特征
参数特征与沉积特征的融合在规划阶段也很常见。参数特征包括与能量、环境、材料和系统变量相关的数值，如激光功率、扫描速度等。沉积特征则描述了材料在打印过程中的沉积情况，如层厚、沉积路径等。这些特征的融合有助于优化打印参数，提高打印质量。
| 特征源 | 描述 |
|---|---|
| 扫描策略 | 工具路径和扫描模式 |
| 构建方向 | 零件在打印过程中的姿态 |
| 参数特征 | 与能量、环境、材料和系统变量相关的数值 |
| 沉积特征 | 材料在打印过程中的沉积情况 |
3 熔池特征
熔池特征是增材制造过程中最受关注的特征之一，尤其是在金属增材制造领域。熔池数据的常见来源包括基于视觉的监控（可见光相机、红外相机、辐射测量、X射线成像）、信号（光谱仪、热视频）和模拟（熔池热剖面）。这些数据源为熔池特征的提取提供了丰富的素材。
3.1 数据源与表示
熔池数据的表示形式多样，主要包括图形、序列和三维数据。例如：
- 图形表示 ：通过可见光或红外相机捕捉的熔池图像。
- 序列表示 ：通过光谱仪或热视频捕捉的熔池信号。
- 三维表示 ：通过X射线成像捕捉的熔池三维结构。
3.2 特征工程技术
熔池特征工程技术多样化，图形变换、序列变换和三维变换是最常见的技术。对于高维熔池数据，特征学习尤为重要，已经定制了几种深度架构来学习低维有用的熔池特征向量。例如：
- 图形变换 ：通过对熔池图像进行边缘检测、特征提取等操作，生成用于后续分析的特征。
- 序列变换 ：通过傅里叶变换或小波变换等方法，从熔池信号中提取特征。
- 三维变换 ：通过对熔池三维结构进行体素化或网格化处理，生成用于深度学习的特征。
3.3 知识型变换
知识型变换在熔池特征化流程中也相当常见。例如，KB工程（基于动力学、凝固等知识）可以帮助提取更具代表性的熔池特征。此外，特征操作如传输、融合和可视化也被广泛应用于熔池特征的处理。
4 层特征
层特征主要关注2D部分或层表面的特征，这些特征对于评估打印质量和优化打印参数至关重要。大多数层特征来源都有图形表示，具体可分为热成像或视觉类别。
4.1 视觉层图像
视觉层图像最为常见，通常通过可见光相机捕捉。这些图像可以用于评估层的平整度、厚度等几何特征。例如：
- 图像处理 ：通过对视觉层图像进行边缘检测、分割等操作，提取层的几何特征。
- 特征提取 ：从处理后的图像中提取关键特征，如层厚、层宽等。
4.2 热成像
层的热成像也存在，它们捕捉来自层表面的红外辐射。热成像数据可以用于评估层的温度分布，进而预测可能出现的缺陷。例如：
- 红外相机 ：通过红外相机捕捉层的温度分布，生成热成像数据。
- 特征提取 ：从热成像数据中提取温度分布特征，用于后续分析。
4.3 特征工程流程
层特征的特征工程流程通常包括以下几个步骤：
- 数据获取 ：通过传感器或相机捕捉层的图像或热成像数据。
- 数据预处理 ：对获取的数据进行去噪、增强等预处理操作。
- 特征提取 ：从预处理后的数据中提取关键特征。
- 特征学习 ：通过机器学习或深度学习方法，学习低维有用的特征向量。
graph TD;
A[数据获取] --> B[数据预处理];
B --> C[特征提取];
C --> D[特征学习];
D --> E[结果应用];
5 通用工艺特征
通用工艺特征源通常结合模拟、传感器和参数。在单一来源中，声学和光学来源最为普遍。特征工程主要由变换主导，其中信号处理是主要方法。基于知识的工艺特征工程也存在，有一些学习和子集选择的例子。
5.1 数据源与表示
通用工艺特征的数据源包括模拟、传感器和参数。这些数据源的表示形式多样，如：
- 模拟数据 ：通过有限元分析（FEA）或其他数值模拟方法生成的数据。
- 传感器数据 ：通过声学传感器、光电二极管等设备捕捉的数据。
- 参数数据 ：与能量、环境、材料和系统变量相关的数值数据。
5.2 特征工程技术
通用工艺特征的特征工程技术主要包括变换、特征学习和知识库工程。例如：
- 变换 ：通过对数据进行傅里叶变换、小波变换等操作，生成用于后续分析的特征。
- 特征学习 ：通过机器学习或深度学习方法，学习低维有用的特征向量。
- 知识库工程 ：基于领域知识，从原始数据中提取关键特征。
6 结果特征的应用
结果特征主要用于基于过程和结构的应用。熔池特征在审查的文献中最常见，这表明大量的研究努力集中在金属增材制造上，以实现大批量生产。参数特征在过程阶段仍然很受欢迎，层特征化由于其广泛的应用性也很常见。
6.1 熔池特征的应用
熔池特征的应用主要包括：
- 缺陷检测 ：通过分析熔池图像或信号，检测可能出现的缺陷，如孔隙、裂纹等。
- 过程监控 ：通过实时监控熔池特征，优化打印参数，提高打印质量。
6.2 参数特征的应用
参数特征的应用主要包括：
- 参数优化 ：通过分析参数特征，优化打印参数，提高打印效率和质量。
- 过程控制 ：通过实时监控参数特征，实现过程的闭环控制。
6.3 层特征的应用
层特征的应用主要包括：
- 几何评估 ：通过分析层特征，评估层的几何质量，如层厚、层宽等。
- 缺陷预测 ：通过分析层特征，预测可能出现的缺陷，如层间不融合等。
7 图4.3：增材制造的工艺特征空间概览
图4.3展示了增材制造的工艺特征空间概览，确定了六个主要的特征来源，即工艺参数、层、熔池、规划、原位几何和通用类型。熔池和层的工艺工程特征、原位几何和工艺知识代表了主要的结果特征。与其它特征类型相比，工艺参数、层和熔池特征的频率较高，学习到的特征和工艺知识在辅助当前预测任务方面具有更高的潜力。
| 特征来源 | 描述 |
|---|---|
| 工艺参数 | 与能量、环境、材料和系统变量相关的数值数据 |
| 层 | 2D部分或层表面的特征 |
| 熔池 | 熔池图像、信号或模拟数据 |
| 规划 | 扫描策略、构建方向等规划数据 |
| 原位几何 | 原位制造零件的几何特征 |
| 通用类型 | 结合模拟、传感器和参数的数据 |
以上内容详细介绍了增材制造过程中各个阶段的特征源、特征工程技术及其应用。通过这些内容，我们可以更好地理解如何利用和处理不同类型的特征数据，以支持数据驱动的应用。接下来，我们将进一步探讨熔池特征的具体应用和技术细节。
8 熔池特征的具体应用和技术细节
熔池特征在增材制造过程中扮演着至关重要的角色，尤其在金属增材制造中。为了实现大批量生产和高质量打印，熔池特征的精确提取和分析至关重要。以下是熔池特征的具体应用和技术细节：
8.1 缺陷检测
熔池特征的缺陷检测是确保打印质量的关键步骤。通过分析熔池图像或信号，可以检测到可能出现的缺陷，如孔隙、裂纹等。具体操作步骤如下：
- 数据获取 ：使用可见光相机、红外相机或辐射测量设备捕捉熔池图像或信号。
- 数据预处理 ：对获取的数据进行去噪、增强等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键特征，如熔池面积、温度分布等。
- 缺陷分类 ：使用机器学习或深度学习方法对提取的特征进行分类，识别出缺陷类型。
| 缺陷类型 | 特征提取方法 | 应用 |
|---|---|---|
| 孔隙 | 边缘检测、温度分布分析 | 缺陷检测 |
| 裂纹 | 纹理分析、热历史分析 | 缺陷检测 |
| 不融合 | 形状分析、熔池运动特征 | 缺陷检测 |
8.2 过程监控
熔池特征的过程监控有助于实时优化打印参数，提高打印质量。具体操作步骤如下：
- 数据获取 ：通过红外相机、光谱仪等设备实时捕捉熔池图像或信号。
- 数据预处理 ：对获取的数据进行去噪、增强等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键特征，如熔池温度、熔池运动等。
- 参数调整 ：根据提取的特征，实时调整打印参数，如激光功率、扫描速度等。
graph TD;
A[数据获取] --> B[数据预处理];
B --> C[特征提取];
C --> D[参数调整];
D --> E[过程优化];
8.3 熔池特征的特征学习
对于高维熔池数据，特征学习尤为重要。通过深度学习方法，可以学习到低维有用的熔池特征向量，用于后续的预测和分类任务。例如：
- 卷积神经网络（CNN） ：用于处理熔池图像，提取空间特征。
- 循环神经网络（RNN） ：用于处理熔池信号，提取时间特征。
- 自编码器（AE） ：用于降维和特征表示学习，生成低维特征向量。
8.4 熔池特征的可视化
熔池特征的可视化有助于直观理解熔池的行为，验证特征提取的准确性。常用的可视化方法包括：
- 梯度加权类激活映射（Grad-CAM） ：用于可视化卷积神经网络中的特征图，突出显示熔池中的关键区域。
- 特征图 ：通过卷积层提取的特征图，可以直观展示熔池的几何和温度分布特征。
9 层特征的具体应用和技术细节
层特征在增材制造过程中同样重要，特别是在评估打印质量和优化打印参数方面。以下是层特征的具体应用和技术细节：
9.1 几何评估
层特征的几何评估用于评估层的几何质量，如层厚、层宽等。具体操作步骤如下：
- 数据获取 ：通过可见光相机或激光扫描仪捕捉层的图像或点云数据。
- 数据预处理 ：对获取的数据进行去噪、增强等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键几何特征，如层厚、层宽等。
- 质量评估 ：根据提取的特征，评估层的几何质量，如平整度、厚度一致性等。
9.2 缺陷预测
层特征的缺陷预测用于预测可能出现的缺陷，如层间不融合等。具体操作步骤如下：
- 数据获取 ：通过可见光相机或激光扫描仪捕捉层的图像或点云数据。
- 数据预处理 ：对获取的数据进行去噪、增强等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键特征，如层间距离、层厚变化等。
- 缺陷预测 ：使用机器学习或深度学习方法对提取的特征进行分类，预测可能出现的缺陷。
| 缺陷类型 | 特征提取方法 | 应用 |
|---|---|---|
| 层间不融合 | 层间距离、层厚变化 | 缺陷预测 |
| 表面粗糙度 | 表面纹理分析 | 质量评估 |
| 几何偏差 | 几何特征分析 | 质量评估 |
10 通用工艺特征的具体应用和技术细节
通用工艺特征在增材制造过程中具有广泛的应用，尤其是在参数优化和过程控制方面。以下是通用工艺特征的具体应用和技术细节：
10.1 参数优化
通用工艺特征的参数优化用于提高打印效率和质量。具体操作步骤如下：
- 数据获取 ：通过传感器捕捉与能量、环境、材料和系统变量相关的数值数据。
- 数据预处理 ：对获取的数据进行归一化、去噪等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键特征，如激光功率、扫描速度等。
- 参数优化 ：使用机器学习或优化算法对提取的特征进行分析，优化打印参数。
10.2 过程控制
通用工艺特征的过程控制用于实现过程的闭环控制。具体操作步骤如下：
- 数据获取 ：通过传感器捕捉与能量、环境、材料和系统变量相关的数值数据。
- 数据预处理 ：对获取的数据进行归一化、去噪等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键特征，如激光功率、扫描速度等。
- 过程控制 ：根据提取的特征，实时调整打印参数，实现过程的闭环控制。
11 图4.4：工艺特征空间的趋势
图4.4突出了工艺特征空间的趋势，表明熔池特征在文献中最常见，参数特征在过程阶段仍然很受欢迎，层特征化由于其广泛的应用性也很常见。数据特定的变换是工程化增材制造过程特征的明显选择，其中图形和序列变换最为常见。结果特征主要用于基于过程和结构的应用。
11.1 熔池特征的主导地位
熔池特征在文献中最常见，这表明大量的研究努力集中在金属增材制造上，以实现大批量生产。具体来说：
- 数据源 ：基于视觉的监控（可见光相机、红外相机、辐射测量、X射线成像）、信号（光谱仪、热视频）和模拟（熔池热剖面）。
- 特征工程技术 ：图形变换、序列变换和三维变换。
- 应用 ：缺陷检测、过程监控等。
11.2 参数特征的重要性
参数特征在过程阶段仍然很受欢迎，主要用于参数优化和过程控制。具体来说：
- 数据源 ：与能量、环境、材料和系统变量相关的数值数据。
- 特征工程技术 ：变换（如归一化、标准化）、特征选择（如方差分析、皮尔逊相关性）。
- 应用 ：参数优化、过程控制等。
11.3 层特征的广泛应用
层特征化由于其广泛的应用性也很常见，主要用于几何评估和缺陷预测。具体来说：
- 数据源 ：2D部分或层表面的图形表示。
- 特征工程技术 ：图形变换、序列变换、特征学习。
- 应用 ：几何评估、缺陷预测等。
12 结果特征的多样化应用
结果特征在增材制造过程中具有多样化的应用，主要用于基于过程和结构的应用。学习到的特征和工艺知识在辅助当前预测任务方面具有更高的潜力。以下是结果特征的多样化应用：
12.1 过程监控
结果特征用于过程监控，通过实时监控熔池、层等特征，优化打印参数，提高打印质量。具体操作步骤如下：
- 数据获取 ：通过传感器或相机捕捉熔池、层等特征。
- 数据预处理 ：对获取的数据进行去噪、增强等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键特征。
- 过程监控 ：根据提取的特征，实时监控打印过程，优化打印参数。
12.2 结构评估
结果特征用于结构评估，通过分析熔池、层等特征，评估打印零件的结构质量。具体操作步骤如下：
- 数据获取 ：通过传感器或相机捕捉熔池、层等特征。
- 数据预处理 ：对获取的数据进行去噪、增强等预处理操作，确保数据质量。
- 特征提取 ：从预处理后的数据中提取关键特征。
- 结构评估 ：根据提取的特征，评估打印零件的结构质量，如孔隙率、表面粗糙度等。
13 总结
通过上述内容，我们可以更好地理解增材制造过程中如何利用和处理不同类型的特征数据，以支持数据驱动的应用。熔池特征、层特征和通用工艺特征在增材制造过程中各自发挥着重要作用，通过合理的特征工程技术，可以显著提高打印质量和效率。
图4.3和图4.4展示了增材制造的工艺特征空间概览和趋势，帮助我们更直观地理解不同特征来源和特征工程技术的应用。通过这些图表，我们可以看到熔池特征在文献中最常见，参数特征在过程阶段仍然很受欢迎，层特征化由于其广泛的应用性也很常见。
总之，增材制造过程特征空间的分析为我们提供了宝贵的技术细节和应用方向，有助于推动增材制造技术的发展和应用。通过不断优化特征工程技术，我们可以进一步提高增材制造的可靠性和可重复性，实现更高质量的打印效果。
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
