Способ прогнозирования дефектов при селективном лазерном плавлении (SLM) на основе кластерного анализа термических изображений ванн расплава с применением алгоритмов машинного обучения

Способ прогнозирования дефектов при селективном лазерном плавлении (SLM) на основе кластерного анализа термических изображений ванн расплава с применением алгоритмов машинного обучения

Выданный патент: RU2869549C1 Дата публикации: 2026-09-08 Заявитель / патентообладатель: Федеральное государственное автономное образовательное учреждение высшего образования "Сибирский федеральный университет" (RU) Классификация: B22F10/80 B22F10/366 B22F10/85 B33Y10/00 B33Y50/02 G06N20/00 G01N21/88 G05B19/4099 B22F10/80 B22F10/366 B22F10/85 B33Y10/00 B33Y50/02 G06N20/00 G01N21/88 G05B19/4099

Реферат [31] Изобретение относится к области аддитивного производства, в частности к способам контроля качества изделий, изготавливаемых методом селективного лазерного плавления металлических порошков. Сущность изобретения заключается в автоматизированном анализе термодинамических характеристик зон расплава посредством обработки видеоданных технологического процесса с последующей многокритериальной классификацией тепловых режимов. Метод предполагает преобразование пространственно-временных характеристик расплавленных областей в многомерные векторы признаков с последующим их отображением в редуцированном пространстве признаков для выявления скрытых закономерностей. Группировка однородных термодинамических состояний осуществляется на основе методов неконтролируемого обучения, позволяющих идентифицировать аномальные тепловые режимы, коррелирующие с дефектообразованием. Технический результат заключается в повышении точности прогнозирования структурных дефектов при селективном лазерном плавлении за счёт комплексного анализа пространственно-временной динамики тепловых полей с применением автоматизированного кластерного анализа термических изображений ванн расплава на основе алгоритмов машинного обучения, что обеспечивает возможность предикативного управления параметрами технологического процесса. Реализация предложенного метода позволяет существенно сократить долю бракованной продукции за счёт раннего обнаружения отклонений термических характеристик от оптимальных значений. Дополнительным преимуществом является возможность интеграции разработанного подхода в системы автоматизированного контроля производственных процессов без существенной модернизации существующего технологического оборудования. 2 ил., 3 табл.

Описание [1] Изобретение относится к области аддитивного производства, в частности к способам контроля качества изделий, изготавливаемых методом селективного лазерного плавления металлических порошков, как с целью оперативного выявления дефектов в процессе производства, так и для прогнозирования эксплуатационных характеристик готовых изделий, и может быть использовано для оценки качества изделий в реальном времени на производственных линиях. [2] Известен способ диагностики формообразования при сварке [EA 050181, опубл. 18.06.2025], заключающийся в измерении инфракрасного излучения теплового следа перед сварочным инструментом с последующим преобразованием в электрический сигнал для анализа характеристик процесса. [3] Недостатком данного способа является отсутствие комплексного анализа динамических параметров процесса в реальном времени, что ограничивает его применение для аддитивного производства. Это приводит к невозможности прогнозирования устойчивости процесса и своевременного предотвращения дефектов. [4] Известен способ мониторинга аномальных событий в аддитивном производстве [WO 2020/099852 A1, опубл. 28.05.2020], заключающийся в анализе данных от множества сенсоров с временной привязкой для выявления причинно-следственных связей между аномалиями в процессе изготовления. [5] Недостатком данного способа является ограниченная возможность прогнозирования дефектов на основе комплексного анализа динамических параметров процесса. Это приводит к невозможности своевременной адаптивной коррекции параметров печати для предотвращения критических дефектов, таких как поры или непроплавы. [6] Известен способ адаптивного управления процессами аддитивного производства в реальном времени с использованием машинного обучения [RU 2722525, опубл. 01.06.2020], который включает предоставление входной проектной геометрии объекта, набора обучающих данных, датчиков для сбора данных о свойствах объекта в реальном времени, а также процессора, запрограммированного на прогнозирование оптимальных параметров управления процессом изготовления с помощью алгоритма машинного обучения, что позволяет корректировать параметры в реальном времени для улучшения качества изготавливаемого объекта [7] Недостатком данного способа является высокая зависимость от качества и объема обучающих данных, что приводит к недостаточной эффективности управления процессом при работе с новыми или сложными геометрическими формами, для которых отсутствует достаточное количество эталонных данных. Это может вызывать ошибки в прогнозировании оптимальных параметров и снижать точность изготовления изделий. Наиболее близким техническим решением является способ обнаружения дефектов в аддитивном производстве с использованием машинного обучения [US 11536671, опубл. 09.11.2021], где слой металлического порошка сплавляется лучом энергии, а данные электромагнитного излучения от зоны сплавления преобразуются в параметры, анализируемые алгоритмом машинного обучения для выявления и классификации дефектов. [8] К недостаткам известного способа относится сложность адаптации системы к новым материалам и типам дефектов. Это приводит к необходимости повторного обучения модели для каждого нового сплава или технологии производства, что увеличивает временные и финансовые затраты. Кроме того, система плохо справляется с обнаружением скрытых дефектов в многослойных структурах, что снижает надежность контроля качества сложных изделий. [9] Задачей заявленного способа является получение объективных данных о процессе плавления, прогнозирование дефектов методом машинного обучения и оптимизация режимов печати для повышения качества изделий. [10] Технический результат заключается в повышении точности прогнозирования структурных дефектов в селективном лазерном плавлении за счёт комплексного анализа пространственно-временной динамики тепловых полей с применением автоматизированного кластерного анализа термических изображений ванн расплава на основе алгоритмов машинного обучения, что обеспечивает возможность предикативного управления параметрами технологического процесса. [11] Технический результат достигается тем, что в способе прогнозирования дефектов при селективном лазерном плавлении (SLM) на основе кластерного анализа термических изображений ванн расплава с применением алгоритмов машинного обучения, включающем регистрацию параметров расплавленных зон в процессе изготовления детали с помощью видеокамеры, преобразование полученных изображений в цифровые данные, их обработку методами машинного обучения для выявления аномальных тепловых режимов, характеризующих возможные дефекты структуры материала, и автоматическую классификацию выявленных отклонений для последующей корректировки технологических параметров производства, новым является то, что непрерывный мониторинг термического состояния зоны плавления осуществляют посредством высокочастотной регистрации тепловых изображений ванн расплава, при этом формируют многомерное пространство признаков на основе параметров теплового поля, включая распределение температур, градиенты и динамику изменения тепловых характеристик во времени, применяют алгоритмы кластерного анализа для автоматической классификации термических режимов на нормальные и дефектообразующие с выделением характерных паттернов, ассоциированных с различными типами дефектов, таких как поры, трещины и несплавления, причем установленные корреляции между кластерами тепловых изображений и морфологией дефектов позволяют осуществлять прогнозирование за несколько слоев до их физического проявления для последующей коррекции технологических параметров. [12] Способ контроля качества изделий при селективном лазерном плавлении включает регистрацию параметров расплавленных зон в процессе изготовления детали с помощью видеокамеры, преобразование полученных изображений в цифровые данные, их обработку методами машинного обучения для выявления аномальных тепловых режимов, характеризующих возможные дефекты структуры материала, и автоматическую классификацию выявленных отклонений для последующей корректировки технологических параметров производства. [13] Сущность изобретения поясняется чертежами. На фиг.1 условно показана схема установки камеры для осуществления контроля процесса сплавления. На фиг.2 показана блок-схема системы мониторинга. [14] Способ осуществляют следующим образом. [15] Производят диагностику качества изготовления типовых деталей из титанового сплава Тi6A14V, алюминиевого сплава AlSi10Mg и нержавеющей стали 316L на промышленной установке селективного лазерного плавления SLM 280 HL. В процессе послойного синтеза осуществляют синхронный мониторинг зон расплава с использованием высокоскоростной камеры XIMEA xiQ с частотой съемки 2000 кадров/с и оптическим разрешением 1280×1024 пикселей, оснащенной узкополосным фильтром (центральная длина волны 850±5 нм). Полученные термографические данные подвергают предварительной цифровой обработке с применением адаптивного алгоритма подавления шумов на основе вейвлет-преобразования и последующей нормализацией яркостных характеристик. [16] Для анализа тепловых полей используют предварительно обученную сверточную нейронную сеть ResNet-18, модифицированную для задач регрессии температурных параметров. Модель была обучена на датасете из 120000 размеченных изображений с различными типами термических аномалий. В процессе работы система в реальном времени (с задержкой не более 50 мс) идентифицирует отклонения температурного режима и автоматически корректирует мощность лазера в диапазоне 350-400 Вт с шагом 5 Вт. [17] Результаты контроля для трех исследуемых материалов демонстрируют высокую эффективность предложенного метода. [18] Для алюминиевого сплава AlSi10Mg средняя частота обнаружения термических аномалий составила 9.2±2.1 на слой при достижении конечной плотности дефектов 0.07±0.03 об.%. В случае нержавеющей стали 316L зафиксировано 9.0±2.3 аномалий на слой с остаточной дефектностью 0.12±0.05 об.%, тогда как для титанового сплава Ti6Al4V эти показатели составили 7.2±1.8 аномалий и 0.06±0.02 об.% соответственно. Максимальные отклонения температуры от технологических норм не превысили ±18°C для алюминиевого сплава, ±16.4°C для стали 316L и ±10.8°C для титанового сплава. Полученные данные подтверждают стабильную работу системы мониторинга и ее адаптивность к различным металлическим материалам, обеспечивая воспроизводимый результат в условиях серийного производства. Наибольшая эффективность коррекции наблюдалась для титанового сплава, где количество остаточных дефектов после автоматической регулировки параметров не превышало 0.2 на слой. Данные представлены в таблицах 1, 2 и 3. [19] Таблица 1 – Результаты контроля качества при селективном лазерном плавлении (AlSi10Mg). [20] Параметр Слой 1 Слой 3 Слой 5 Слой 7 Слой 9 Среднее значение Обнаружено аномалий 12 8 15 6 9 10 Корректировок мощности 5 3 7 2 4 4.2 Дефектов после коррекции 1 0 2 0 1 0.8 Плотность дефектов, % 0.12 0.05 0.18 0.03 0.09 0.09 Отклонение температуры, °C ±15 ±8 ±22 ±5 ±12 ±12.4 [21] Таблица 2 – Результаты контроля качества при селективном лазерном плавлении (Тi6A14V). [22] Параметр Слой 2 Слой 4 Слой 6 Слой 8 Слой 10 Среднее Обнаружено аномалий 11 7 14 5 8 9.0 Корректировок мощности 6 4 8 3 5 5.2 Дефектов после коррекции 1 0 1 0 1 0.6 Плотность дефектов, % 0.12 0.05 0.18 0.03 0.09 0.09 Отклонение температуры, °C ±15 ±8 ±22 ±5 ±12 ±12.4 [23] Таблица 3 – Результаты контроля качества при селективном лазерном плавлении (316L). [24] Параметр Слой 2 Слой 4 Слой 6 Слой 8 Слой 10 Среднее Обнаружено аномалий 8 5 12 4 7 7.2 Корректировок мощности 4 2 6 1 3 3.2 Дефектов после коррекции 0 0 1 0 0 0.2 Плотность дефектов, % 0.08 0.03 0.12 0.02 0.05 0.06 Отклонение температуры, °C ±12 ±8 ±18 ±6 ±10 ±10.8 [25] Внедрение предлагаемого способа позволяет: [26] - повысить точность выявления дефектов за счёт комплексного анализа тепловых характеристик расплава; [27] - оптимизировать технологические параметры печати на основе объективных данных; [28] - минимизировать объемную долю дефектов, включая поровые образования, непровары, трещины, включения, зоны термических напряжений, анизотропию свойств, геометрические искажения, локальные перегревы и неоднородности микроструктуры; [29] - расширить возможности предикативного обслуживания оборудования; [30] - уменьшить зависимость от субъективного человеческого фактора при оценке качества.

Формула Способ прогнозирования дефектов при селективном лазерном плавлении (SLM) на основе кластерного анализа термических изображений ванн расплава с применением алгоритмов машинного обучения, включающий регистрацию параметров расплавленных зон в процессе изготовления детали с помощью видеокамеры, преобразование полученных изображений в цифровые данные, их обработку методами машинного обучения для выявления аномальных тепловых режимов, характеризующих возможные дефекты структуры материала, и автоматическую классификацию выявленных отклонений для последующей корректировки технологических параметров производства, отличающийся тем, что непрерывный мониторинг термического состояния зоны плавления осуществляют посредством высокочастотной регистрации тепловых изображений ванн расплава, при этом формируют многомерное пространство признаков на основе параметров теплового поля, включая распределение температур, градиенты и динамику изменения тепловых характеристик во времени, применяют алгоритмы кластерного анализа для автоматической классификации термических режимов на нормальные и дефектообразующие с выделением характерных паттернов, ассоциированных с различными типами дефектов, таких как поры, трещины и несплавления, причем установленные корреляции между кластерами тепловых изображений и морфологией дефектов позволяют осуществлять прогнозирование за несколько слоев до их физического проявления для последующей коррекции технологических параметров.