基于深度学习的铝合金GTA-WAAM层宽控制研究

作     者：冯延刚 

作者单位：西安理工大学 

学位级别：硕士

导师姓名：杨明顺;侯增刚

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080502[工学-材料学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 080201[工学-机械制造及其自动化] 

主      题：GTA-WAAM 层宽控制 深度神经网络 卷积神经网络 目标检测 

摘      要：钨极气体保护电弧增材制造(Gas Tungsten Arc Additive Manufacturing,GTA-WAAM)是近些年发展起来的一种先进的金属增材技术,其成形速度快、材料利用率高,理论上可成形任意形状的零件。然而GTA-WAAM受多种因素影响,成形稳定性较差,成形精度低,制约了其工业化应用。本文采用视觉传感技术与深度学习技术相结合的方法对铝合金电弧增材成形过程中的熔池宽度进行监测,实现焊接电流优化和熔覆层宽度的控制,有效提高成形件精度,对推动GTA-WAAM的工业应用具有重要意义。 构建了基于视觉传感与深度学习的GTA-WAAM层宽控制体系框架。分析了 GTA-WAAM特点、成形件形貌特征以及层宽控制存在的问题;探讨了控制体系中物理层、数据层、模型算法层以及应用层的功能及层宽控制的关键技术。 研究了焊接电流、增材速度、送丝速度、层间温度对铝合金单层单道和多层单道厚壁件形貌的影响,获得了形成良好形貌的工艺参数区间和实验数据。结果表明:焊接电流是影响厚壁件形貌的主要因素,在相同工艺条件下,当电流大于160A时,熔池凝固速度下降,铝合金厚壁件形貌逐渐劣化。 建立了基于LBFGS-DNN的焊接电流优化模型。结合有限内存拟牛顿法(Broyden-Fletcher-Goldfarb-Shanno Method of Limited Memory,LBFGS)优化器,使用深度神经网络(Deep Neural Networks,DNN)学习数据间更深层次的关系。焊接电流优化模型以当前熔池均宽为输入,输出下一层焊接电流,通过逐层优化,可以有效提升层宽控制精度。解决了回归方程在优化电流时存在误差较大且泛化性较低的问题。 建立了铝合金GTA-WAAM熔池宽度检测模型YOLOv7t-Ghost-SHead。为了实时获取熔池图像中的熔池宽度,针对熔池图像背景单一、边缘模糊的问题,对YOLOv7-tiny进行定向优化。在模型输入阶段,提取熔池图像ROI 区域;在特征提取阶段,采用基于通道和空间的卷积注意力机制提升主干网络对熔池对象的关注度;在特征融合阶段,采用具有内容感知能力的特征重组模块提升上采样精度,采用幽灵卷积轻量化网络;在目标检测阶段,仅使用小尺寸检测头进行检测。采用PASCAL VOC 2012数据集以及自建熔池数据集验证了熔池宽度检测模型的有效性。 以Pytorch深度学习框架和PyQt开发框架为基础,采用Pycharm、QtDesigner开发工具开发了 GTA-WAAM形貌监测原型系统,实现了熔池监测、焊接电流优化、高度检测等核心功能,为实现层宽控制提供了有效的技术支持。