本发明属于传感器和监测技术领域，更具体地说是一种大数据驱动的激光增材制造在线监测方法。
背景技术：
增材制造(3d打印/快速成形)技术正在逐渐改变人们传统的生活方式和生产方式，以其快速化、定制化、数字化和网络化等特点被认为将推动第三次工业革命。激光增材制造技术是目前应用范围最广、实用意义最大的金属增材制造工艺之一，该技术利用高能量激光束，按照预定的路径，熔化或烧结粉体，再经冷却凝固后成形，在复杂结构、自由曲面和薄壁等难加工零件制造上具有显著优势，如航空航天领域中高性能复杂构件、生物制造领域中多孔复杂结构制造以及功能梯度材料制造等。
然而由于激光增材制造过程伴随复杂的物理化学等过程，成形件具有较大的温度梯度和热应力，成形过程容易产生球化、孔隙、裂纹等缺陷，影响了成形件的精度和可靠性，成形零部件易变形开裂，缺乏成形质量的过程控制，严重阻碍了激光增材制造技术的应用。
然而，由于激光增材制造过程的动态特性复杂、传感器安装难度高和相关物理过程理解尚且不足等原因，激光增材制造过程的实时监测与过程控制不易进行，监测模型有限，多数利用红外线温度信息与加工质量进行建模。但温度在线测量误差较大，且粉体熔化或烧结过程缺陷的产生机理复杂，仅以温度信息进行质量测量可靠性不足，相关研究仍有待进一步推进。
虽然喷砂、热处理等后处理能获得较好的表面光洁度并减少断裂和分层现象，但后处理会带来零件尺寸的变化，对于内部结构复杂零件、关键功能部位以及精密零件等，后处理的方法将不再适用。因此，在激光增材制造过程中实现在线监测、改善成形质量更为关键。
技术实现要素：
本发明针对现有技术的上述缺点/或改进需求，提供了一种基于多源异构数据的激光增材制造过程的在线监测方法，以期能在激光增材制造过程进行实时监测与过程控制，从而在出现微小缺陷时就自动调整工艺参数以消除缺陷，进而提高零件成形质量，满足实际的精度和可靠性需求。
为达到上述发明目的，本发明采用如下技术方案：
本发明一种基于多源异构数据的激光增材制造过程的在线监测方法的特点是按如下步骤进行：
步骤1、利用式(1)建立基于高斯分布的激光能量分布i(r)：
式(1)中，r为激光光斑上的点到激光光斑中心的距离，ω为激光光斑的半径，φ为激光光斑的中心能量密度；
步骤2、利用式(2)得到介质振动的速度u：
式(2)中，α为金属粉末材料对激光的吸收率；γ为气体的绝热指数，ρ0为金属粉末材料的密度；
步骤3、利用式(3)得到粉末床的最大表面温度tm：
式(3)中，k为玻尔兹曼常数；k为金属粉末材料的导热系数；v为金属粉末材料的熔化速度；c为金属粉末材料的热熔比；
步骤4、利用式(4)得到熔池的宽度δw：
式(4)中，δhlv为金属粉末材料从固态到气态的潜热能；tlv为金属粉末材料从固态到气态的平衡温度；tsl为金属粉末材料从固态到液态的平衡温度；
步骤5、构建激光熔化过程中多场耦合的热力学模型：
步骤5.1、建立以粉末床的一个顶角为原点o，以与所述原点o相连接的两条边分别为x轴和y轴，建立直角坐标系o-xy；
步骤5.2、利用式(5)建立激光熔化过程中的温度场有限元模型：
式(5)中，a为金属粉末材料的热扩散率，t(t)为t时刻金属粉末材料的瞬时温度，▽2为拉普拉斯算子；对于不随时间变化的稳定温度场，存在▽2t(x,y,z)＝0；t(x,y,z)为在点(x,y,z)处金属粉末材料的温度；
步骤5.3、利用式(6)得到在激光照射区域沿法线方向n的温度梯度
步骤6、多源异构数据的稀疏编码：
步骤6.1、通过传感器组分别获得温度、声音和图像信号所构成的多源异构数据，记为f；
步骤6.2、对所述多源异构数据f进行快速傅里叶变换得到变换后的多源异构数据ft；
步骤6.3、利用冗余字典φ对所述变换后的多源异构数据ft进行重构，得到式(8)所示的变换后的多源异构数据ft的稀疏表示，并通过式(7)所示的最优l0范数来约束稀疏因子f′t的个数：
s.t.ft＝φf′t,ft∈rk(8)
式(8)中，rk表示k维的实数域；φf′t表示稀疏编码后得到的信号原子集合，并有：
步骤7、对稀疏编码后得到的信号原子集合
步骤8、利用式(8)得到在线监测模型e(v,h|θ)，并以所述在线监测模型e(v,h|θ)实现对激光增材制造过程的在线监测：
式(8)中，θ＝{wij,ai,bj}是关于rbm神经网络模型的参数，其中，wij表示第i个可见层与第j个隐层的连接权值，ai表示第i个可见层的偏置，bj表示第j个隐藏层的偏置，hj表示第j个隐藏层；h表示隐藏层的集合，m表示隐藏层的层数。
与已有技术相比，本发明的有益效果体现在：
1、本发明运用信号处理、图像分析等方法探究激光增材制造过程中声、温度与图像信号在不同加工状态下的特征，分析其与加工过程中缺陷产生的关系，揭示了激光增材制造过程的物理机理；建立新的金属粉末对激光光源的吸收模型，并对激光熔化过程进行热力学仿真，分析加工参数对加工温度的影响规律，为实现该过程的反馈控制提供研究基础；通过多源信号特征融合处理，提高了加工过程在线质量监测的准确性。本发明中对激光增材制造成形过程的在线监测也是研发复杂结构金属零件高精度高质量制造设备的核心技术之一，因而尤其适用于金属增材制造技术在航天、医疗以及材料制造等领域的应用场合。
2、本发明基于对金属增材制造成形物理过程的分析，结合监测信息本身的多模态特性，研究监测中多源传感数据的融合与多维异构信息的一致性表示，利用稀疏分解的数学理论，对温度、声音、图像等异类传感信息进行稀疏编码，同时实现了对信息的压缩、去噪和一致性的特征表示，挖掘了多源异构数据内在的关联性，解决了对多源异构信息深度学习和融合的基本前提。
具体实施方式
本实施例中，一种基于多源异构数据的激光增材制造过程的在线监测方法是按如下步骤进行：
在选择性激光熔化过程中，激光与金属粉末相互作用产生熔化、气化和重建的过程。在这一激光融化过程中存在着多种信号源，包括声信号、等离子信号、超声波、红外辐射和电信号等。这些信号的形成与变化与熔池的形成与变化有着紧密关联，研究激光熔化过程中的声音、温度、图像形成与变化机理对于揭示激光熔化过程的热力学规律有着重要意义。
研究激光熔化过程中的声音、温度、图像形成与变化机理，建立激光采用高斯分布时的激光能量分布，以建立揭示激光熔化过程的热力学规律的基础。
步骤1、利用式(1)建立基于高斯分布的激光能量分布i(r)：
式(1)中，r为激光光斑上的点到激光光斑中心的距离，ω为激光光斑的半径，φ为激光光斑的中心能量密度；
步骤2、利用式(2)得到介质振动的速度u：
式(2)中，α为金属粉末材料对激光的吸收率；γ为气体的绝热指数，ρ0为金属粉末材料的密度；
由于吸收高功率的激光束能迅速地发生热效应，表面温度会迅速上升到熔化温度。最大表面温度tm会随着导热系数k，熔化速度v，以及材料的热熔比c，发生变化，所以有：
步骤3、利用式(3)得到粉末床的最大表面温度tm：
式(3)中，k为玻尔兹曼常数；k为金属粉末材料的导热系数；v为金属粉末材料的熔化速度；c为金属粉末材料的热熔比；
步骤4、利用式(4)得到熔池的宽度δw：
式(4)中，δhlv为金属粉末材料从固态到气态的潜热能；tlv为金属粉末材料从固态到气态的平衡温度；tsl为金属粉末材料从固态到液态的平衡温度；
声音、温度、图像的变化与熔池的宽度和最大表面温度，以及等离子体等物质的飞溅直接相关，而熔池、温度和等离子体的变化又与选择性激光熔化零件的球化程度、孔洞率、残余应力关联。通过对选择性激光熔化的声音、温度、图像信号产生与变化机理研究，找出影响选择性激光熔化零件质量的关键因素并采集与质量相关的关键信号，为使用多传感器在线监测零件质量提供可靠的理论依据。
步骤5、构建激光熔化过程中多场耦合的热力学模型：
建立基于激光凝固多场耦合的热力学与动力学解析模型，揭示粉末演化过程中的各种现象，如孔洞形成、熔池流动等，并提出一种新的思路，将基于物理过程的数值模型与基于多源数据的监测系统进行相互印证，实现更准确更可靠的在线监测。激光沿着分形路径在粉床上进行扫描，热传递过程包括辐射，粉层和环境之间的对流和粉层和基台之间的热传导、熔化的潜伏热非常大。粉末状态的变化和与之对应的热属性的变化都会使得热传递过程变得复杂。
步骤5.1、建立以粉末床的一个顶角为原点o，以与原点o相连接的两条边分别为x轴和y轴，建立直角坐标系o-xy；
步骤5.2、利用式(5)建立激光熔化过程中的温度场有限元模型：
式(5)中，a为金属粉末材料的热扩散率，t(t)为t时刻金属粉末材料的瞬时温度，
步骤5.3、利用式(6)得到在激光照射区域沿法线方向n的温度梯度
根据实际条件对焓值和边界条件进行变化，研究熔池温度场的变化对激光熔化零件均匀性和热应力的影响。这样，通过对激光熔化过程的热力学建模与监测的声音、温度、图像信号进行互相印证，可以增强激光熔化过程监测的可靠性，并且为今后实现选择性激光熔化过程的反馈控制与熔化补偿提供理论依据。
步骤6、多源异构数据的稀疏编码：
稀疏编码的研究获取多源异构监测信息的一致性表示，同时实现数据压缩，提高深度网络的学习速度和识别精度。依照传统采样定理，对于监测中常见的高频特征信息，如声发射信号、超声波信号等高谐波分量需要以几兆赫的采样频率来获取，为监测系统的实时性带来困难。另外，温度图像等高维数据处理的计算量大、速度慢，不利于深度dbn模型的训练。
根据candes和donoho于2006年提出的压缩传感理论，将信号压缩与采样合并进行，通过冗余字典的学习，获取信号的稀疏表示(测量值)，这样信号的测量数据量将远小于传统采样方法所需要的数据量，提高实时处理速度。由于监测信号在时域内几乎都是不稀疏的，因而该述理论不能直接应用于监测信号的压缩采样。但是我们可以通过快速傅里叶变换进行稀疏表示，然后通过一个超适定方程(冗余字典)，求解一个最优范数问题来重构稀疏信号。
步骤6.1、通过传感器组分别获得温度、声音和图像信号所构成的多源异构数据，记为f；
步骤6.2、对多源异构数据f进行快速傅里叶变换得到变换后的多源异构数据ft；
步骤6.3、利用冗余字典φ对变换后的多源异构数据ft进行重构，得到式(8)所示的变换后的多源异构数据ft的稀疏表示，并通过式(7)所示的最优l0范数来约束稀疏因子f′t的个数：
s.t.ft＝φf′t,ft∈rk(8)
式(8)中，rk表示k维的实数域；φf′t表示稀疏编码后得到的信号原子集合，并有：
多传感器采集的选择性激光熔化过程的信息是复杂多样的。零件的选择性激光熔化质量与熔化过程的状态有直接的关系，球化、孔隙和裂纹等相对应的状态变化会蕴含在温度、声音和图像信息中。利用人工智能最新发展成果，建立具有联想记忆、自适应处理能力的深度置信神经网络(dbn)，以便能够获得全面、完整的信息，对选择性激光熔化的零件质量进行快速准确的在线状态监测。
步骤7、对稀疏编码后得到的信号原子集合
步骤8、利用式(8)得到在线监测模型e(v,h|θ)，并以在线监测模型e(v,h|θ)实现对激光增材制造过程的在线监测：
式(8)中，θ＝{wij,ai,bj}是关于rbm神经网络模型的参数，其中，wij表示第i个可见层与第j个隐层的连接权值，ai表示第i个可见层的偏置，bj表示第j个隐藏层的偏置，hj表示第j个隐藏层；h表示隐藏层的集合，m表示隐藏层的层数。