等离子弧增材制造过程原位监测与实时特征提取

作     者：张亿凯 

作者单位：武汉大学 

学位级别：硕士

导师姓名：李辉

授予年度：2023年

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

主      题：等离子弧 熔池 人工智能 图像处理 

摘      要：等离子弧增材制造(Plasma Arc Additive Manufacturing,PAM)是一种先进的金属增材制造(Additive Manufacturing,AM)技术,可以大幅度降低生产周期和成本,适用于制造许多领域各种复杂的金属零件。PAM加工过程监测的无损检测方法要求较高的精度和实时性。在PAM工艺中,熔池和等离子弧是表征动态制造过程的关键对象,可以用于加工过程预测和实时反馈控制。因此,实现PAM过程的原位实时监测极为重要。本文从基于图像处理的原位监测角度出发,对熔池与等离子弧进行特征提取与数据分析研究与初步的工件质量分析。首先详细分析了基于图像处理的金属AM过程原位实时监测现状,为实现PAM过程的原位实时监测提供了极佳的理论基础与国际视野。接着设计了PAM过程原位监测系统的软硬件部分并搭建了实验平台,该实验平台使用了30000帧每秒的超高速相机实现了对加工过程图片的实时拍摄。基于该平台进行了大量工件加工实验,采集不同电流强度和等离子加工头扫描速度下的熔池与等离子弧加工图像,形成人工智能(Artificial Intelligence,AI)算法的原始数据集,为后续训练AI算法奠定基础。然后提出了一种全卷积网络(Full Convolutional Network,FCN)对于熔池与等离子弧进行实时特征提取,其中,采用可分离卷积技术降低网络参数,膨胀空间金字塔结构提取多尺度特征。在平均处理时间仅为84ms的情况下,准确率可达95.1%,有效实现了既保证图像处理的精确度又保证数据特征的高速处理。本文还将该AI算法与四种传统图像处理算法和三种AI方法的图像分割性能进行了比较。实验结果表明,本文提出的FCN方法图像处理效果优于上述七种算法,能够同时快速、准确地同时提取熔池和等离子弧形貌特征。最后本文对所获得的数据进行了详细的定量定性分析比较,得到平均捕获面积(熔池和等离子弧)与PAM工艺加工参数(电流强度和扫描速度)之间的关系,基于测量的样品表面粗糙度初步分析了样品质量,明确了其与熔池平均捕获面积的关系。本研究提供了一种PAM过程原位监测的有效新思路,这将有助于提高PAM工艺的可重复性和稳定性,提升金属零件的质量,并为航空、汽车、船舶等领域的应用提供更好的解决方案。