摘要
增材制造技术的特点是多类型多工艺共存，材料体系众多。然而，目前存在着一些问题，如标准不统一、制件质量稳定性差以及装备故障率高，这些问题限制了增材制造技术的规模化工程化应用。但是，随着数字孪生和深度学习方法的出现并迅速发展，为解决上述问题提供了新的思路。为此，本文采用数字孪生和深度学习技术实现金属增材制造过程的智能监测。论文的主要内容如下: (1)介绍国内外金属增材制造过程监测技术发展现状。阐述随着人工智能的快速发展，数字孪生、深度学习等前沿理论在金属增材制造过程监测领域上的重要应用和发展前景，介绍本文研究所使用的定向能量沉积设备及监测手段。 (2)构建机器人D-H(Denavit-Hartenberg)参数模型，进行运动学分析，使用NX软件构建数字孪生几何模型，在西门子ProcessSimulate工业机器人虚拟仿真软件上进行机器人的仿真运动，在3D动态环境中设计和验证机器人的运动过程，模拟金属增材制造过程的真实行为并优化周期时间和过程顺序;利用ProcessSimulate与真实的实体机器人控制器进行连接，实现真实机器人和虚拟机器人的虚实同步，将物理机器人的动作实时映射到ProcessSimulate中的模型。 (3)进行单层单道的激光熔覆实验，采集不同激光功率和扫描速度下的熔池温度数据;构建、训练长短期记忆网络模型，将采集到的熔池温度数据进行预处理，对时间序列的熔池温度进行预测，作为监测定向能量沉积(Directedenergydeposition,DED)设备状态的标准，为设备早期预警提供了数据支撑;利用均方根差和相关系数作为标准，对比采用多元线性回归方法推导得到的温度经验公式的计算结果，验证了所提出的方法的有效性。开发基于PyQt的DED过程智能监测系统，实现数字孪生模型与熔池温度预测结果可视化，增强应用程序的视觉效果和用户体验。
NETL