一种电弧增材制造缺陷检测系统及方法

本发明涉及一种电弧增材制造缺陷检测系统及方法，属于电弧增材制造领域。

背景技术：

1、电弧增材制造技术是以电弧为热源，通过将金属丝融化后按规定路径逐层层积，得到三维实体金属构件的一种先进制造技术。电弧增材制造技术具有高层积效率、高材料利用率及低设备成本等优点，特别适用于中大型复杂构件的一体化成形，在航天、航空及船舶等领域中具有广泛的应用前景。然而，电弧增材制造过程是一个多物理场的耦合过程，增材过程中容易受到各种因素的影响，导致产生气孔，未熔合，表面成型不良等各种缺陷，使得电弧增材构件的性能，可靠性难以保证。因此，实现对电弧增材构件缺陷的有效、高精度检测成为了一项十分关键的技术。

2、近年来，随着社会数据化带来的大量数据及计算机计算能力的不断提高，深度学习得到了飞速发展，卷积神经网络被广泛用于增材制造过程缺陷检测。然而，现有技术存在以下缺陷：

3、1、大多技术方案只能对电弧增材构件表面缺陷等进行检测，而内部的气孔，未熔合等缺陷则无法检测；

4、2、大多技术方案都只利用了电弧增材过程中的一种信息对缺陷进行检测，而电弧增材是一种多参数耦合作用的复杂过程，不同的缺陷形成时对同一种信号的影响程度可能相同，某些缺陷可能对一些信号强度没有影响，因此仅通过一种信号难以对电弧增材过程缺陷进行有效检测；

5、3、电弧增材是一个动态连续的过程，缺陷的产生也是一个动态连续的过程，而目前大多技术都仅利用了一个时刻的信息对电弧增材过程缺陷进行检测，未能充分利用时间序列上的信息进行缺陷检测。

6、因此，亟需提出一种电弧增材制造缺陷检测系统及方法，以解决上述技术问题。

技术实现思路

1、本发明针对上述电弧增材制造技术的缺陷，提供一种电弧增材制造缺陷检测系统及方法，在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。

2、本发明的技术方案：

3、一种电弧增材制造缺陷检测系统，包括磁光成像仪、红外相机、高速摄像机、同步控制器、计算机和声传感器，磁光成像仪、红外相机、高速摄像机、声传感器通过同步控制器与计算机电性连接。

4、一种电弧增材制造缺陷检测方法，采用所述的一种电弧增材制造缺陷检测系统，包括以下步骤：

5、s1：用磁光成像仪、红外相机、高速摄像机、声传感器获取电弧增材过程中的多模态信息，将获得到的连续的信息按帧划分获得每一帧的信号，然后对信息数据进行标记并划分为训练、测试及验证数据；

6、s2：搭建卷积神经网络及循环神经网络框架，并设置相应的模型超参数；

7、s3：将获得到的信息分别输入到卷积神经网络中，采用adam算法对模型进行训练优化，对表面形貌信息、温度场信息、声信号、磁学信号特征进行提取；

8、s4：将s3提取到的一段时间序列的表面形貌信息、温度场信息、声信号及磁学信号特征输入到长短期记忆神经网络中，采用adam算法对模型进行优化，对时间序列方向的表面形貌信息、温度场信息、声信号、磁学信号特征进行提取，将获取到的时间序列方向的表面形貌、温度场、声信号、磁学信号特征输入到全连接层神经网络中，对全连接层进行优化，输出气孔、未熔合及表面成形不良的概率，对增材缺陷进行预测识别；

9、s5：用测试数据及验证数据输入到训练模型中，检测s1、s2、s3及s4训练模型的有效性及准确度，对其性能进行验证；

10、s6：实时采集电弧增材制造过程的多模态信息，将其输入到训练好的神经网络模型当中，输出增材制造过程是否产生缺陷，从而实现电弧增材制造过程的缺陷在线检测及定位。

11、优选的：s1中，在划分训练集、测试集和验证集之前，首先要对提取的信息图片进行过滤，去除无关信息图片，再对信息图片进行截取，略去边缘无关信息，获得主要信息部位，将处理后的信息图片进行旋转，放大，镜像的操作扩充数据规模。

12、优选的：s2、s3、s4、s5中神经网络需要确定的超参数有学习率、正则化参数、学习回合数epoch、激活函数形式及小批量数据mini-batch的大小。

13、优选的：s2中，训练神经网络时，初始学习率设置为0.1，然后倍率减小进行尝试，数据mini-batch设置为64，训练迭代次数采用了早停法确定；

14、卷积神经网络采用了relu激活函数，长短期记忆神经网络遗忘门采用了sigmoid激活函数，输出门则采用了softsign激活函数，输出层采用softmax函数进行处理，三个激活函数表达式分别如下：

15、relu：y＝max(0，x)

16、sigmoid：

17、softsign：

18、softmax：

19、优选的：s3中，神经网络训练时采用kaiming进行权重初始化，将收集到的多模态数据输入到卷积神经网络的卷积层、下采样层，进行与缺陷形成相关信息的特征提取，并对提取到的特征信息进行数据降维。

20、优选的：s4中，将卷积神经网络提取到的有关缺陷的长度时间序列多模态信息特征x(t)输入到长短期记忆神经网络中，长短期记忆神经网络的记忆块(memory block)中的输入门(input gate)、遗忘门(forget gate)及输出门(output gate)利用sigmoid及softsign激活函数共同决定一定时间序列的多模态信息x(t)中与缺陷无关的信息应该被遗忘，不被用于缺陷检测，最后输出门(output gate)输出与缺陷相关的多模态数据y(t)，最后通过全连接层对y(t)的信息特征进行计算处理，最后通过softmax输出各种缺陷的概率；

21、计算输出值与目标值之间的差值进行误差反向传播，依次求出各层神经网络的误差，通过梯度下降对神经网络的权值进行更新，当误差小于或等于期望值时结束训练过程，训练过程采用nvidia geforce 820m gpu进行加速。

22、优选的：s5中，用没有用于训练的测试集及验证集对所训练模型进行性能测试，避免训练模型出现欠拟合及过拟合，性能评定时采用f-score综合评定缺陷检测的灵敏度与精度，采用auc曲线直观表现神经网络检测缺陷的效果。

23、本发明具有以下有益效果：

24、本发明基于电弧增材过程中的多模态信息，主要包括表面形貌信息、温度场信息、声信息及磁光信息，实现了内部的气孔、未熔合等缺陷的检测，检测精度高；

25、本发明在训练神经网络时，采用了数据增强方法，大大减少了神经网络训练所需的数据量，有效的节约了获取实验数据的成本；结合多模态信息对电弧增材过程缺陷进行检测；

26、本发明采用了卷积神经网络及长短期记忆网络分别对空间维度的多模态信息及时间维度的多模态信息进行提取处理，对动态连续的过程进行缺陷检测。