CN115406973A - 一种电弧增材成形金属构件内部缺陷在线监测装置及方法 - Google Patents
一种电弧增材成形金属构件内部缺陷在线监测装置及方法 Download PDFInfo
- Publication number
- CN115406973A CN115406973A CN202211082693.4A CN202211082693A CN115406973A CN 115406973 A CN115406973 A CN 115406973A CN 202211082693 A CN202211082693 A CN 202211082693A CN 115406973 A CN115406973 A CN 115406973A
- Authority
- CN
- China
- Prior art keywords
- acoustic emission
- characteristic parameters
- arc additive
- signal
- arc
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000654 additive Substances 0.000 title claims abstract description 55
- 230000000996 additive effect Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007547 defect Effects 0.000 title claims abstract description 40
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 40
- 239000002184 metal Substances 0.000 title claims abstract description 40
- 238000012806 monitoring device Methods 0.000 title claims abstract description 10
- 239000000463 material Substances 0.000 title claims description 13
- 230000008569 process Effects 0.000 claims abstract description 35
- 238000007639 printing Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000010891 electric arc Methods 0.000 claims abstract description 9
- 238000010146 3D printing Methods 0.000 claims abstract description 3
- XKRFYHLGVUSROY-UHFFFAOYSA-N Argon Chemical compound [Ar] XKRFYHLGVUSROY-UHFFFAOYSA-N 0.000 claims description 65
- 239000000523 sample Substances 0.000 claims description 39
- 238000003466 welding Methods 0.000 claims description 35
- 229910052786 argon Inorganic materials 0.000 claims description 33
- 239000000758 substrate Substances 0.000 claims description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000001125 extrusion Methods 0.000 claims description 10
- 239000007789 gas Substances 0.000 claims description 9
- 238000001816 cooling Methods 0.000 claims description 8
- 229940099259 vaseline Drugs 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 5
- 239000000779 smoke Substances 0.000 claims description 5
- 238000013145 classification model Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 239000003205 fragrance Substances 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 125000006850 spacer group Chemical group 0.000 description 7
- 239000010410 layer Substances 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 239000000919 ceramic Substances 0.000 description 4
- 238000000227 grinding Methods 0.000 description 4
- 239000011229 interlayer Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005498 polishing Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 3
- 238000005260 corrosion Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004021 metal welding Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 229910000926 A-3 tool steel Inorganic materials 0.000 description 1
- 229910000838 Al alloy Inorganic materials 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003517 fume Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000019271 petrolatum Nutrition 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
- B23K—SOLDERING OR UNSOLDERING; WELDING; CLADDING OR PLATING BY SOLDERING OR WELDING; CUTTING BY APPLYING HEAT LOCALLY, e.g. FLAME CUTTING; WORKING BY LASER BEAM
- B23K9/00—Arc welding or cutting
- B23K9/04—Welding for other purposes than joining, e.g. built-up welding
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/22—Details, e.g. general constructional or apparatus details
- G01N29/28—Details, e.g. general constructional or apparatus details providing acoustic coupling, e.g. water
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/023—Solids
- G01N2291/0234—Metals, e.g. steel
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/028—Material parameters
- G01N2291/0289—Internal structure, e.g. defects, grain size, texture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Engineering & Computer Science (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Mechanical Engineering (AREA)
- Mathematical Analysis (AREA)
- Plasma & Fusion (AREA)
- Algebra (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
本发明公开了一种电弧增材成形金属构件内部缺陷在线监测装置及方法，包括电弧增材成形系统、信号采集系统和信号处理系统，电弧增材成形系统用以实现金属构件的3D打印，信号采集系统与电弧增材系统相连，用以获取金属构件打印过程中的声发射信号，信号处理系统与信号采集系统相连，用以提取特征参数和建立机器学习模型。本发明通过调整电弧增材成形系统打印参数构造具有不同缺陷类型或水平的金属构件，信号采集系统采集打印过程中相应的声发射信号，利用信号处理系统提取特征参数并通过机器学习模型构建缺陷判别模型；缺陷判别模型对打印过程中的未知信号进行缺陷判别和分类，实现电弧增材成形金属构件内部缺陷的在线监测。
Description
技术领域
本发明涉及增材制造技术领域，特别是涉及一种电弧增材成形金属构件内部缺陷在线监测装置及方法。
背景技术
电弧增材属于增材制造技术中的一种，具有成形效率高，材料成本低等优点，非常生产适合大尺寸零件。但是，因其大电弧、大熔池的特点，导致输出热量高、温度不均匀、熔池不稳定，进入容易产生各种外部和内部缺陷，如翘边、断层、孔洞、裂纹等。开展电弧增材过程成形缺陷的在线监检测对于保证成形质量具有重要意义。
目前，电弧增材成形过程产生的如翘边、断层等外部缺陷在线监测相对容易，而如孔洞、裂纹等内部缺陷则难以被在线监检测。声发射是指构件在受到外力或内力作用产生变形或者断裂时，构件材料局部区域应力集中，快速释放能量并产生瞬态弹性波的现象。声发射技术可以在线监测裂纹萌生与扩展、孔洞形成等，使得电弧增材成形过程中内部和动态缺陷的在线监测成为可能。目前，声发射技术在电弧增材在线监测方面有少量应用，如专利号为201710095553.3的发明专利《一种基于声发射信号检测与评估电弧三维快速成形制造过程稳定性的方法》和专利号为201710095559.0的发明专利《一种基于电弧声发射信号传感监测电弧弧长的方法》，然而他们使用声发射技术监测的是电弧增材成形过程稳定性和电弧弧长，使用声发射技术在线监测电弧增材成形工件的气孔、裂纹等内部缺陷尚未涉及。究其原因，在于存在以下问题：（1）打印过程中基板近成形区域温度可高达200℃以上，合适的声发射探头难以直接贴于基板；（2）声发射信号复杂，多数研究只分析常规特征参数，用单一参数的变化来表征打印过程缺陷，这会对判别结果造成影响，且无法实现自动化在线监测。
发明内容
本发明的目的是建立一套基于声发射技术的电弧增材成形过程内部缺陷监测装置，并提出一种耦合多种声发射特征参数的机器学习模型，解决当前电弧增材成形过程内部缺陷在线监测难的问题，实现电弧增材成形构件内部缺陷高精度在线监测。
本发明采用的技术方案为：
一种电弧增材成形金属构件内部缺陷在线监测装置，包括电弧增材成形系统、信号采集系统和信号处理系统；所述电弧增材成形系统用于实现金属构件的3D打印；所述电弧增材成形系统与所述信号采集系统相连；所述信号采集系统用于获取打印过程中的声发射信号；所述信号处理系统用于提取特征参数、建立机器学习分类模型并对未知信号进行判别；
所述电弧增材成形系统包括机械臂、控制主机、金属丝圈及其电力驱动装置、焊丝挤压装置、水冷氩弧焊枪、抽油烟机、空气净化器、水箱和氩气保护装置；所述水冷氩弧焊枪装配在机械臂尖端；所述金属丝圈及其电力驱动装置通过焊丝挤压装置沿着机械臂运送焊丝至水冷氩弧焊枪处；所述水箱遍布电弧增材系统各部，以降低打印过程中各部件温度；所述抽油烟机和所述空气净化器位于成形工作台边，以吸收有害气体；所述机械臂、所述水冷氩弧焊枪、所述金属丝圈及其电力驱动装置、所述抽油烟机和所述空气净化器受控制主机统一调配；所述氩气保护装置通向成形工作台；
所述信号采集系统包括波导杆、声发射探头、前置放大器和信号采集卡；所述波导杆一侧通过夹具固定在基板上，所述声发射探头通过凡士林耦合于波导杆另一侧，所述声发射探头的输出端通过同轴电缆与前置放大器输入端相连接，所述前置放大器输出端通过同轴电缆与信号采集卡输入端相连接，所述信号采集卡输出端与信号处理系统相连接；
所述信号处理系统包括特征参数提取和机器学习模型；所述特征参数提取模块用于从声发射波形信号中提取时域特征参数、频域特征参数、小波特征参数和定量递归特征参数；所述机器学习模块用于将采集到的声发射信号分类，并建立分类判别模型。
进一步，所述波导杆包括波导杆上表面、波导杆金属杆和波导杆下表面，所述波导杆上表面使用凡士林贴与声发射探头相连接，所述波导杆下表面通过夹具与基板相耦合，所述波导杆金属杆用以基板上的声发射信号传递给声发射探头。
进一步，所述成型工作台上设有底座孔，四个螺栓分别通过四个夹具垫片穿过底座孔与螺母配合，将基板固定在夹具垫片和底座之间；波导杆下表面固定在夹具垫片和基板之间，三角垫块设置在夹具垫片旁。
进一步，所述波导杆直径为10-20 mm。
进一步，所述成形工作台为可旋转底座。
本发明还提供了一种电弧增材成形金属构件内部缺陷在线监测方法，包括如下步骤：
（1）依次将信号采集系统中各部件连接；在基板成形区域进行45°断铅实验，确定声发射探头与声发射信号源之间耦合良好；
（2）依次分别开启电弧增材成形系统各部件，包括电焊系统、送丝系统、机械臂运动、抽油烟机和空气净化器，待其稳定后测试各部件产生的环境噪声特征，包括幅度和频率范围；
（3）打开信号采集软件，设置采集参数：幅度门槛值；
（4）设置不同工艺参数，成形具有不同缺陷类型或水平金属构件，并采集成形过程对应的声发射信号；
（5）将声发射信号传输至信号处理系统，获取对应的特征参数，分别包括时域特征参数、频域特征参数、小波特征参数和定量递归特征参数；
（6）利用线性判别分析法对特征参数进行分类，建立对应的机器学习模型；
（7）将采集到的未知信号代入信号处理系统中，进行判别分析，实现成形过程缺陷类型或者水平的在线监测；
（8）将预测过后，且经过验证的未知信号融入分类判别模型中，不断扩大和更新机器学习判别模型。
进一步，所述声发射探头接收到的信号幅度不低于90 dB。
进一步，所述声发射探头谐振频率为150 KHz，工作频率范围为60 KHz-1000KHz，灵敏度峰值>115 dB。
进一步，所述时域特征参数包括上升时间Rt、振铃计数C、持续时间T、幅度A、相对能量Re和绝对能量Ae。
进一步，所述频域特征参数包括幅值频率Af、均方根频率Rf、峰值频率Pf、中心频率Cf。
进一步所述小波特征参数包括d1、d2、d3、d4、d5、d6、d7和d8。
进一步，所述递归特征参数包括递归率R、确定率D、香浓熵E和平均对角线长度Lmean。
本发明产生的有益效果是：
1、本发明通过设计声发射信号波导装置，克服了电弧增材成形近基板表面温度高，声发射探头无法直接置于其表面的问题，实现了电弧增材成形过程声发射信号高保证采集。
2、本发明通过耦合多种声发射特征参数，建立机器学习模型，克服了传统单一特征参数难以对声发射信号有效分类的问题，实现了复杂声发射信号高精度分类。
3、本发明基于监督学习的线性判别方法建立机器学习模型，可实现自动化在线监检测。
附图说明
图1为本发明的结构示意图；
图2a为声发射探头三维图；
图2b为声发射探头内部结构图；
图3为波导杆三维图；
图4a为底座-基板-波导杆配合图一；
图4b为底座-基板-波导杆配合图二；
图5a为第一种电弧增材参数下打印实物图；
图5b为第二种电弧增材参数下打印实物图；
图5c为第三种电弧增材参数下打印实物图；
图5d为第四种电弧增材参数下打印实物图；
图6a为光镜下较高水平孔洞图Level 1；
图6b为光镜下较低水平孔洞图Level 2；
图6c为光镜下基本无孔洞图Level 3；
图6d为光镜下目标构件的孔洞图；
图6e目标构件对应的声发射信号在机器学习模型中的判别结果；
图中：1-控制主机；2-示教盒；3-水箱；4-氩气保护装置；5-金属丝圈及其电力驱动装置；6-焊丝挤压装置；7-机械臂；8-水冷氩弧焊枪；9-成形构件；10-成形工作台；11-基板；12-波导杆；12-1-波导杆上表面；12-2-波导金属杆；12-3-波导杆下表面；13-信号处理系统；14-信号采集卡；15-前置放大器；16-声发射探头；16-1-端子；16-2-外壳；16-3-压电陶瓷；16-4-耦合面；17-抽油烟机；18-空气净化器；J-1-夹具垫片；J-2-螺栓；J-3-三角垫片；J-4-螺母。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1所示，一种电弧增材成形金属构件内部缺陷在线监测装置，利用电弧增材系统成形带有不同缺陷类型或水平的金属构件，利用信号采集系统获取相应的声发射信号，信号处理系统提取特征参数并利用机器学习方法建立缺陷判别模型；利用建立的缺陷判别模型对打印过程中的未知信号进行判别分类，从而实现电弧增材成形金属构件内部缺陷在线监测。
本发明包括电弧增材成形系统、信号采集系统和信号处理系统。
电弧增材成形系统包括机器人及其控制系统、送丝系统、电焊系统、气氛保护系统、成形工作台。其中，机器人及其控制系统的硬件主要由机械臂7和控制主机1；送丝系统由金属丝圈及其电力驱动装置5、焊丝挤压装置6；电焊系统由水冷氩弧焊枪8及其外壳；气氛保护系统由抽油烟机17、空气净化器18、水箱3、氩气保护装置4。机械臂7尖端装配水冷氩弧焊枪8，金属丝圈及其电力驱动装置5沿着机械臂将焊丝挤压装置6挤压过后的金属焊丝运送至水冷氩弧焊枪8处，水箱4通过水管遍布电弧增材系统各部用以降低打印过程中各部件温度，抽油烟机17、空气净化器18位于成形工作台10边用以吸收有害气体，机械臂7、水冷氩弧焊枪8、金属丝圈及其电力驱动装置5、抽油烟机17、空气净化器18都接入控制主机1，受控制主机1统一调配，并由示教盒2直接控制。成形工作台10为可旋转底座。
信号采集系统包括波导杆12、声发射探头16、前置放大器15和信号采集卡14；波导杆12一侧通过夹具固定在基板11上，声发射探头16通过凡士林耦合于波导杆12另一侧，声发射探头16的输出端通过同轴电缆与前置放大器15输入端相连接，前置放大器15输出端通过同轴电缆与信号采集卡14输入端相连接，信号采集卡14输出端与信号处理系统13相连接。
信号处理系统13包括特征参数提取和机器学习模型。特征参数提取模块用于从声发射波形信号中提取时域特征参数、频域特征参数、小波特征参数和定量递归特征参数。机器学习模块用于将采集到的声发射信号分类，并建立分类判别模型。
如图2a和图2b所示，声发射探头16其内部结构包括端子16-1、外壳16-2、压电陶瓷16-3、耦合面16-4。其工作原理耦合面16-4接触感应界面，声发射现象产生时，会发出应力波，应力波的传播实质是质点运动，质点的运动传递到探头的接触面的时候，带动压电陶瓷16-3上的质子运动，从而对压电陶瓷16-3产生压缩和拉伸的效果，进而转换为电压信号，送入信号处理器，完成应力波到电信号波的转变过程。
如图3所示，波导杆分为三个部分组成，波导杆上表面12-1、波导杆金属杆12-2、波导杆下表面12-3。其中波导杆上表面12-1使用凡士林贴与声发射探头相连接，波导杆下表面12-3通过夹具与基板相耦合，波导杆金属杆12-2用以基板上的声发射信号传递给声发射探头。
如图4所示，底座-基板-波导杆配合固定结构包括夹具垫片J-1、螺栓J-2、三角垫块J-3、螺母J-4、基板11、底座孔10-1、波导杆上表面12-1、波导杆下表面12-3、声发射探头16。基板-波导杆-探头配合方式为螺栓J-2通过一个夹具垫片J-1穿过底座孔10-1与螺母J-4配合，以此固定在夹具垫片J-1和底座之间的基板11、波导杆下表面12-3，三角垫块J-3可以适配不同厚度基板11、波导杆，使得夹具垫片J-1固定时保持水平，每次固定至少需要四组夹具以保证基板11和波导杆被完全固定。波导杆上表面12-1与声发射探头16通过凡士林贴耦合，采集打印过程中基板11上发生的声发射信号。
一种电弧增材成形金属构件内部缺陷在线监测方法，包括以下步骤：
按如下方式将各系统硬件连接，并确定参数：机械臂7尖端装配水冷氩弧焊枪8，金属丝圈及其电力驱动装置5沿着机械臂将焊丝挤压装置6挤压过后的金属焊丝运送至水冷氩弧焊枪8处，水箱4通过水管遍布电弧增材系统各部用以降低打印过程中各部件温度，抽油烟机17、空气净化器18位于成形工作台边用以吸收有害气体，机械臂7、水冷氩弧焊枪8、金属丝圈及其电力驱动装置5、抽油烟机17、空气净化器18都接入控制主机1，受控制主机1统一调配；其中，水箱3通过水管遍布电弧增材系统的各个部分，工作流量为1.7GPM，用以降低打印工程中各零部件温度；氩气保护装置4作用在于本身既不与金属起化学作用，也不溶解于金属中，使得打印过程的熔池冶金反应显得简单和容易控制，因此为成形高质量的构件提供了良好的条件；抽油烟机17用于抽除打印过程中产生的各种烟雾及废气；空气净化器18处理抽入的烟雾及废气。螺栓J-2通过一个夹具垫片J-1穿过底座孔10-1与螺母J-4配合，以此固定在夹具垫片J-1和底座之间的基板11、波导杆下表面12-3，三角垫块J-3可以适配不同厚度基板11、波导杆，使得夹具垫片J-1固定时保持水平，每次固定至少需要四组夹具以保证基板11和波导杆被完全固定，波导杆上表面12-1与声发射探头16通过凡士林贴耦合，采集打印过程中基板11上发生的声发射信号。其中，波导杆上表面12-1为边长为50mm方形面，厚度为1mm，波导杆下表面12-3为边长为80mm方形面，厚度为1mm，波导杆金属杆12-2为长度200mm，直径Φ15的圆柱A3钢金属管；成形工作台10的厚度为5mm，底座孔直径为2cm，螺栓J-2选用长度为100mm，六角头直径为20mm全螺纹螺栓，螺母J-4选用相配套螺母，夹具垫片J-1槽孔直径略小于20mm，三角垫块长、宽为60mm，厚度也为60mm的直角三棱柱，通过与夹具垫片J-1调整位置，来设配各种厚度的基板和波导杆。声发射探头16选用分体式压电探头，其谐振频率为150KHz，工作频率范围为60KHz-1000KHz，灵敏度峰值>115dB，前置放大器15选用2/4/6型放大器，可提供20dB、40dB和60dB的放大增益，将前置放大器15的增益设置在60dB档。信号采集卡14的输入端与前置放大器15的输入端相连接。信号采集卡14具备10M/s采样率、16bit采样精度、低系统噪声和高动态范围，每张信号采集卡附带1Gb波形缓存器。
硬件连接完成后，在基板11上成形区连续断铅10次，铅芯伸出长度约为2.5mm，与铁板表面夹角为45°，声发射探头接收到的信号幅度平均值不低于90 dB，确定声发射探头16与波导杆上表面12-1、波导杆下表面12-3与基板11之间耦合良好，可以采集到基板11上的声发射信号。
机器人选用FANUC机器人，其成形工作台10放置于水平地面，FANUC机器人在电弧增材方面的工作模式为：
1、模型及其数据处理：需先使用三维软件对需要打印的构件进行三维建模，以STL文件格式导出；把STL格式文件导入切片软件中依次进行分层切片、区域划分、路径规划、校准打印坐标系，以LS文件格式输出；把LS文件格式导入仿真模拟软件对打印过程进行路径仿真模拟，以LP文件格式导出；把LP文件格式导入打印电弧增材主机箱中进行打印操作。
2、打印操作：机械臂7和成形工作台10根据模型中坐标进行校准，然后按照仿真软件中的仿真路径进行实际操作模拟，确认其打印路径无误后，打开水箱3、氩气保护装置4、金属丝圈及其电力驱动装置5、焊丝挤压装置6、抽油烟机17、空气净化器18，确保各系统稳定工作后，开始打印；示教盒2上点击开始打印后，水冷氩弧焊枪8开始工作，与基板10之间熔化5356铝焊丝形成电弧，按照预定路径扫描一层后，水冷氩弧焊枪8停止工作，机械臂7抬升一段距离，待熔池冷却一定时间后，机械臂7降回起弧电处，水冷氩弧焊枪8重新起弧，按照预定路径扫描下一层，以此往复，直到构件打印完毕。
在保证电弧增材系统可以正常工作，首先对各系统操作产生的信号进行采集，包括水箱3稳定工作时产生的信号、氩气保护装置4稳定工作时产生的信号、金属丝圈及其电力驱动装置5送丝产生的信号、焊丝挤压装置6挤压时产生的信号、机械臂7按照预定路径时运动产生的信号、水冷氩弧焊枪8开启和关闭时产生的信号、抽油烟机17稳定工作产生的信号、空气净化器18稳定工作产生的信号。声发射探头16采集各种内部操作产生的噪声后，打开采集软件，设置采集参数幅度门槛值为40 dB去除环境噪声。
调整打印参数，打印带有不同孔隙度的5356铝合金构件，并采集对应的声发射信号。电弧增材参数1：送丝速度4m/min、扫描速度40mm/s、层厚5mm、氩气气流量15L/min、层间冷却时间8s；打印实物图见图5a；对构件进行切件、打磨、抛光、腐蚀后，金相图见图6a，其表面很多坑洼，孔洞水平为Level 1，代表有大量孔洞。电弧增材参数2：送丝速度4m/min、扫描速度30mm/s、层厚5mm、氩气气流量15L/min、层间冷却时间8s；打印实物图见图5b；对构件进行切件、打磨、抛光、腐蚀后，金相图见图6b，其表面有少量坑洼，孔洞水平为Level 2，代表孔洞较少。电弧增材参数3：送丝速度4m/min、扫描速度20mm/s、层厚5mm、氩气气流量15L/min、层间冷却时间8s；打印实物图见图5c，对构件进行切件、打磨、抛光、腐蚀后，金相图见图6c，光镜下很致密，孔洞水平为Level 3，代表无孔洞。
信号处理系统13对采集到信号进行处理，获取时域特征参数、频域特征参数、小波特征参数和递归特征参数。时域特征参数包含上升时间Rt、振铃计数C、持续时间T、幅度A、相对能量Re、绝对能量Ae；频域特征参数包含幅值频率Af、均方根频率Rf、峰值频率Pf、中心频率Cf；小波特征参数是信号使用db3函数（贝西极限相位小波）进行8层小波分解，其中d1、d2、d3表征短时间尺度事件，d4、d5、d6、d7、d8表征中长时间事件；定量递归特征参数包含递归率R、确定率D、香浓熵E、平均对角线长度Lmean。
信号处理系统13利用线性判别分析方法对采集到的声发射信号进行机器学习分类建模，其建模数据最终选择了22个特征参数：上升时间Rt、振铃计数C、持续时间T、幅度A、相对能量Re、绝对能量Ae、幅值频率Af、均方根频率Rf、峰值频率Pf、中心频率Cf、小波特征参数d1、d2、d3、d4、d5、d6、d7、d8、递归率R、确定率D、香浓熵E、平均对角线长度Lmean建立机器学习判别分类模型，分类精度为97.8%，如图6e所示。其中，具体判别函数具体如下：
LDA1=5.112Rt+0.144C+0.23T-0.587A+0.386Re+0.87Ae+0.707Af-5.23Rf+2.31Pf-0.32Cf+8.749d1-0.381d2+1.269d3-1.331d4+2.646d5+1.144d6-0.676d7-0.0011d8+5.433R-18.745D-6.06×10-3Lmean。
LDA2=2.112Rt+0.244C-0.43T+0.287A-0.86Re+0.37Ae-0.407Af-2.23Rf+4.31Pf-1.32Cf+5.749d1+2.381d2-0.269d3-3.331d4+0.646d5+3.144d6+1.676d7-0.0011d8-2.433R+8.75D+2.06×10-3Lmean。
输入目标构件电弧增材参数：送丝速度5m/min、扫描速度25mm/s、层厚5mm、氩气气压15L/min、层间冷却时间8s，打印目标工件。信号采集卡14采集对应的声发射信号，信号处理系统13对信号进行处理，获取时域特征参数、频域特征参数、小波特征参数和递归特征参数，并将其输入机器学习模型进行判别分析，判别结果如图6e所示。
成形的目标构件实物图如图5d所示。对构件进行切件、打磨、抛光、腐蚀后，金相图如图6d所示。结果表明，使用声发射技术在线监测电弧增材成形过程内部缺陷的判别结果与金相照片结果一致。
本发明实施所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例中陈述的具体形式，本发明的保护范围以及本领域技术人员根据本发明构思所能想到的等同技术手段。
Claims (10)
1.一种电弧增材成形金属构件内部缺陷在线监测装置，包括电弧增材成形系统、信号采集系统和信号处理系统，其特征在于：所述电弧增材成形系统用于实现金属构件的3D打印；所述电弧增材成形系统与所述信号采集系统相连；所述信号采集系统用于获取打印过程中的声发射信号；所述信号处理系统用于提取特征参数、建立机器学习分类模型并对未知信号进行判别；
所述电弧增材成形系统包括机械臂、控制主机、金属丝圈及其电力驱动装置、焊丝挤压装置、水冷氩弧焊枪、抽油烟机、空气净化器、水箱和氩气保护装置；所述水冷氩弧焊枪装配在机械臂尖端；所述金属丝圈及其电力驱动装置通过焊丝挤压装置沿着机械臂运送焊丝至水冷氩弧焊枪处；所述水箱遍布电弧增材系统各部，以降低打印过程中各部件温度；所述抽油烟机和所述空气净化器位于成形工作台边，以吸收有害气体；所述机械臂、所述水冷氩弧焊枪、所述金属丝圈及其电力驱动装置、所述抽油烟机和所述空气净化器受控制主机统一调配；所述氩气保护装置通向成形工作台；
所述信号采集系统包括波导杆、声发射探头、前置放大器和信号采集卡；所述波导杆一侧通过夹具固定在基板上，所述声发射探头通过凡士林耦合于波导杆另一侧，所述声发射探头的输出端通过同轴电缆与前置放大器输入端相连接，所述前置放大器输出端通过同轴电缆与信号采集卡输入端相连接，所述信号采集卡输出端与信号处理系统相连接；
所述信号处理系统包括特征参数提取和机器学习模型；所述特征参数提取模块用于从声发射波形信号中提取时域特征参数、频域特征参数、小波特征参数和定量递归特征参数；所述机器学习模块用于将采集到的声发射信号分类，并建立分类判别模型。
2.根据权利要求1所述的一种电弧增材成形金属构件内部缺陷在线监测装置，其特征在于：所述波导杆包括波导杆上表面、波导杆金属杆和波导杆下表面，所述波导杆上表面使用凡士林贴与声发射探头相连接，所述波导杆下表面通过夹具与基板相耦合，所述波导杆金属杆用以基板上的声发射信号传递给声发射探头。
3.根据权利要求1所述的一种电弧增材成形金属构件内部缺陷在线监测装置，其特征在于：所述成型工作台上设有底座孔，四个螺栓分别通过四个夹具垫片穿过底座孔与螺母配合，将基板固定在夹具垫片和底座之间；波导杆下表面固定在夹具垫片和基板之间，三角垫块设置在夹具垫片旁。
4.根据权利要求1所述的一种电弧增材成形金属构件内部缺陷在线监测装置，其特征在于：所述波导杆直径为10-20 mm，成形工作台为可旋转底座。
5.一种电弧增材成形金属构件内部缺陷在线监测方法，其特征在于，包括如下步骤：
（1）依次将信号采集系统中各部件连接；在基板成形区域进行45°断铅实验，确定声发射探头与声发射信号源之间耦合良好；
（2）依次分别开启电弧增材成形系统各部件，包括电焊系统、送丝系统、机械臂运动、抽油烟机和空气净化器，待其稳定后测试各部件产生的环境噪声特征，包括幅度和频率范围；
（3）打开信号采集软件，设置采集参数：幅度门槛值；
（4）设置不同工艺参数，成形具有不同缺陷类型或水平金属构件，并采集成形过程对应的声发射信号；
（5）将声发射信号传输至信号处理系统，获取对应的特征参数，分别包括时域特征参数、频域特征参数、小波特征参数和定量递归特征参数；
（6）利用线性判别分析法对特征参数进行分类，建立对应的机器学习模型；
（7）将采集到的未知信号代入信号处理系统中，进行判别分析，实现成形过程缺陷类型或者水平的在线监测；
（8）将预测过后，且经过验证的未知信号融入分类判别模型中，不断扩大和更新机器学习判别模型。
6.根据权利要求6所述的一种电弧增材成形金属构件内部缺陷在线监测方法，其特征在于：所述声发射探头为宽频差分压电式传感器，其谐振频率为150 KHz，工作频率范围为60 KHz-1000KHz，灵敏度峰值>115 dB，且声发射探头断铅实验接收到的信号幅度不低于90dB。
7.根据权利要求6所述的一种电弧增材成形金属构件内部缺陷在线监测方法，其特征在于，所述时域特征参数包括上升时间Rt、振铃计数C、持续时间T、幅度A、相对能量Re和绝对能量Ae。
8.根据权利要求6所述的一种电弧增材成形金属构件内部缺陷在线监测方法，其特征在于，所述频域特征参数包括幅值频率Af、均方根频率Rf、峰值频率Pf、中心频率Cf。
9.根据权利要求6所述的一种电弧增材成形金属构件内部缺陷在线监测方法，其特征在于，所述的小波特征参数通过对采集到的信号使用db3函数进行8层小波分解，获得d1、d2、d3、d4、d5、d6、d7和d8等特征参数。
10.根据权利要求6所述的一种电弧增材成形金属构件内部缺陷在线监测方法，其特征在于：所述递归特征参数包括递归率R、确定率D、香浓熵E和平均对角线长度Lmean。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211082693.4A CN115406973B (zh) | 2022-09-06 | 2022-09-06 | 一种电弧增材成形金属构件内部缺陷在线监测装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211082693.4A CN115406973B (zh) | 2022-09-06 | 2022-09-06 | 一种电弧增材成形金属构件内部缺陷在线监测装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115406973A true CN115406973A (zh) | 2022-11-29 |
| CN115406973B CN115406973B (zh) | 2024-12-20 |
Family
ID=84163185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211082693.4A Active CN115406973B (zh) | 2022-09-06 | 2022-09-06 | 一种电弧增材成形金属构件内部缺陷在线监测装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115406973B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116604218A (zh) * | 2023-07-19 | 2023-08-18 | 中北大学 | 声发射反馈控制电弧增材成形质量的装置 |
| CN116851790A (zh) * | 2023-07-19 | 2023-10-10 | 中北大学 | 金属选区激光熔化内部缺陷在线监测装置 |
| CN117515382A (zh) * | 2023-12-29 | 2024-02-06 | 中北大学 | 一种用于激光熔覆在线监测的声发射传感器夹具 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011113847A1 (en) * | 2010-03-17 | 2011-09-22 | Esaote S.P.A. | Method and device for determining the structural organization of an object, particularly with ultrasounds |
| CN105738481A (zh) * | 2016-02-29 | 2016-07-06 | 上海交通大学 | 一种碳纤维增强复合材料切削加工缺陷的预测方法 |
| CN110441395A (zh) * | 2019-08-09 | 2019-11-12 | 山东省科学院激光研究所 | 一种金属增材制造过程的水浸超声在线检测系统及方法 |
| CN113221666A (zh) * | 2021-04-20 | 2021-08-06 | 武汉工程大学 | 一种金属板材缝类缺陷智能识别方法 |
| CN113537112A (zh) * | 2021-07-26 | 2021-10-22 | 山东省科学院激光研究所 | 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 |
| CN114062490A (zh) * | 2021-06-29 | 2022-02-18 | 北京交通大学 | 基于GAN的钢轨焊缝Lamb波模态分解与裂纹损伤监测方法 |
| CN114708427A (zh) * | 2022-05-10 | 2022-07-05 | 中北大学 | 基于深度学习的铺粉缺陷检测方法 |
-
2022
- 2022-09-06 CN CN202211082693.4A patent/CN115406973B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011113847A1 (en) * | 2010-03-17 | 2011-09-22 | Esaote S.P.A. | Method and device for determining the structural organization of an object, particularly with ultrasounds |
| CN105738481A (zh) * | 2016-02-29 | 2016-07-06 | 上海交通大学 | 一种碳纤维增强复合材料切削加工缺陷的预测方法 |
| CN110441395A (zh) * | 2019-08-09 | 2019-11-12 | 山东省科学院激光研究所 | 一种金属增材制造过程的水浸超声在线检测系统及方法 |
| CN113221666A (zh) * | 2021-04-20 | 2021-08-06 | 武汉工程大学 | 一种金属板材缝类缺陷智能识别方法 |
| CN114062490A (zh) * | 2021-06-29 | 2022-02-18 | 北京交通大学 | 基于GAN的钢轨焊缝Lamb波模态分解与裂纹损伤监测方法 |
| CN113537112A (zh) * | 2021-07-26 | 2021-10-22 | 山东省科学院激光研究所 | 基于改进小波阈值及vmd的激光超声表面缺陷成像降噪方法 |
| CN114708427A (zh) * | 2022-05-10 | 2022-07-05 | 中北大学 | 基于深度学习的铺粉缺陷检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| DANIEL GAUDER 等: ""In-process acoustic pore detection in milling using deep learning"", 《CIRP JOURNAL OF MANUFACTURING SCIENCE AND TECHNOLOGY》, vol. 37, 25 January 2022 (2022-01-25), pages 125 - 133, XP087056937, DOI: 10.1016/j.cirpj.2022.01.008 * |
| ZHANYONG ZHAO 等: ""The high-temperature deformation and microstructural evolution mechanism of Mg-Gd-Y-Zn-Zr alloy formed by CMT arc additive forming"", 《VIRTUAL AND PHYSICAL PROTOTYPING》, vol. 18, no. 1, 27 November 2023 (2023-11-27), pages 2279152 * |
| 孙屹博 等: ""基于声发射多特征融合的搅拌摩擦焊缺陷监测"", 《焊接学报》, vol. 43, no. 6, 25 June 2022 (2022-06-25), pages 96 - 101 * |
| 陈卫 等: ""CMT+P焊接行为及其AE特征频率"", 《焊接学报》, vol. 45, no. 6, 25 June 2024 (2024-06-25), pages 89 - 96 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116604218A (zh) * | 2023-07-19 | 2023-08-18 | 中北大学 | 声发射反馈控制电弧增材成形质量的装置 |
| CN116851790A (zh) * | 2023-07-19 | 2023-10-10 | 中北大学 | 金属选区激光熔化内部缺陷在线监测装置 |
| CN117515382A (zh) * | 2023-12-29 | 2024-02-06 | 中北大学 | 一种用于激光熔覆在线监测的声发射传感器夹具 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115406973B (zh) | 2024-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115406973A (zh) | 一种电弧增材成形金属构件内部缺陷在线监测装置及方法 | |
| CN109940305A (zh) | 基于等离子体电信号的激光深熔焊智能监测系统及方法 | |
| CN108072698A (zh) | 一种水浸超声探伤系统及方法 | |
| CN102980894B (zh) | 钢结构特种焊接无损检测系统及方法 | |
| CN111761819B (zh) | 一种激光粉末床熔融成形件缺陷在线监测方法 | |
| CN109211974B (zh) | 热障涂层脱粘缺陷脉冲飞秒激光红外热波检测装置及方法 | |
| CN108426839A (zh) | 一种基于机械手扫查激光超声信号相关分析的增材制造构件检测方法 | |
| CN204925039U (zh) | 一种石墨电极无损检测装置 | |
| CN110773518B (zh) | 一种激光清洗实时监测装置及方法 | |
| CN102818774B (zh) | 激光-电磁超声无损检测系统 | |
| CN106483195A (zh) | 自适应电阻点焊质量检测、控制方法及系统 | |
| CN106324101A (zh) | 基于声压特征的激光冲击强化在线质量监测系统和方法 | |
| US20250025941A1 (en) | Online monitoring device for internal defects in metal selective laser melting | |
| CN118817859A (zh) | 一种用于无缝油套管的无损超声探伤方法及系统 | |
| CN110849973A (zh) | 用于无损检测小尺寸构件表层微观裂纹的高频振动系统及方法 | |
| CN112371995A (zh) | 选择性激光熔化3d打印裂纹检测方法、装置及存储介质 | |
| CN101623721A (zh) | 温热成形在线快速检测控制方法及装置 | |
| CN109239056A (zh) | 一种高温液体成分在线检测装置及方法 | |
| CN113667972B (zh) | 一种基于声/磁场快速调控激光熔覆层应力的方法 | |
| CN1296707C (zh) | 绝缘子污秽放电超声监测方法及装置 | |
| CN218099027U (zh) | 一种对选择性激光熔化过程内部缺陷实时在线监测系统 | |
| CN115097018B (zh) | 基于表面波和神经网络的轧辊损伤分类识别方法及装置 | |
| CN116165280A (zh) | 一种对激光熔覆过程内部缺陷实时监测方法与系统 | |
| TWI761892B (zh) | 金屬積層製造的缺陷檢測機構與缺陷辨識方法 | |
| CN109781599A (zh) | 基于空气耦合超声的碳纤维复合材料板孔隙率的检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |