基于RNN的激光选区熔化过程声信号监测与分析任务书

 2022-01-14 09:01

全文总字数:1666字

1. 毕业设计(论文)主要内容:

激光选区熔化技术作为一种重要的金属增材制造技术,因能够制造复杂精细结构,如网状晶格结构,同时能够极大的缩短制造周期,可能对制造业带来革命性影响。然而,成形件的精度和机械性能一直是限制该技术广泛应用的最大障碍。为克服这一难题,需对激光选区熔化过程进行有效控制,而过程监测是实现过程控制的前提。

该课题旨在对激光选区过程进行监测并基于机器学习对信号进行分析,判断过程异常,对缺陷进行预测。首先,搭建激光选区熔化过程声信号监测平台,监测并记录零件成形过程的信号;其次,分析监测信号的特征,将声信号特征与成形缺陷间的关系;最后,基于机器学习方法分析声信号特征,对成形缺陷进行准确预测。

2. 毕业设计(论文)主要任务及要求

1. 查阅国内外文献资料,国内资料不少于20篇,国外资料不少于10篇,外文资料翻译基本准确,不少于5000字;开题报告不少于3000字;

2. 学习三维建模软件,对简单的成形件进行建模;

3. 学会操作SLM设备及其相关软件,实现基本零件的打印;

4. 学习深度学习框架TensorFlow,能够基于TensorFlow实现RNN模型;

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 毕业设计(论文)完成任务的计划与安排

1-2周,查阅资料,熟悉课题 3-6周学习才注意设备及应用软件7-10周,搭建激光选区熔化过程声信号监测平台

11-13 数据分析

14-15周,整理资料,撰写毕业论文16周 答辩

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 主要参考文献

[1] Ye D, Hong G S, Zhang Y, et al. Defect detection in selective laser melting technology by acoustic signals with deep belief networks[J]. International Journal of Advanced Manufacturing Technology, 2018, 96(5-8): 2791-2801.

[2] Shevchik S A, Masinelli G, Kenel C, et al. Deep learning for in situ and real-time quality monitoring in additive manufacturing using acoustic emission[J]. IEEE Transactions on Industrial Informatics, 2019, 15(9): 5194-5203.

[3] 赵德陈,林峰.金属粉末床熔融工艺在线监测技术综述[J].中国机械工程, 2018, 29(17).

[4] Shevchik S A, Kenel C, Leinenbach C, et al. Acoustic emission for in situ quality monitoring in additive manufacturing using spectral convolutional neural networks[J]. Additive Manufacturing, 2018, 21: 598-604.

[5] 杨天雨. 激光选区熔化成型件性能预测及声信号检测研究[D].兰州理工大学,2019.

[6] 魏青松,宋波,文世峰,周燕等,金属粉床激光增材制造技术[M]. 北京:化学工业出版社, 2019.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

以上是毕业论文任务书,课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。