用于预测将被增材制造的零件的材料性能的系统和方法与流程

本公开大体涉及增材制造，并且更具体地涉及用于预测将被增材制造的零件(例如航空航天零件)的材料性能的系统和方法。

背景技术：

1、使用增材制造技术制作的零件是通过逐层添加材料制造的。增材制造是一种基于材料进料和沉积过程/工艺(process)的制造技术。在增材制造过程期间，在被制造零件的不同位置处，热特性可显著变化。增材制造过程期间热特性的这些变化可导致遍布制造零件的材料性能的变化，尤其是在零件具有复杂几何形状的情况下。尽管已经取得了进展，本领域技术人员仍在增材制造领域继续进行研发工作，以制造不同类型的零件。

技术实现思路

1、在一个方面，提供一种用于预测将被增材制造的零件的材料性能的方法。该方法包括增材制造多个标准零件，以及在多个标准零件的增材制造期间获得多个标准零件的物理样本的选定预定位置处的热分布(profiles)。该方法还包括将多个标准零件的物理样本的热分布和相应的材料性能存储在数据库中。该方法还包括运行机器学习算法，以基于被存储在数据库中的多个标准零件的物理样本的热分布和相应的材料性能来预测将被增材制造的零件的材料性能。

2、在另一个方面，提供一种用于预测将被增材制造的零件的材料性能的系统。该系统包括第一装置，第一装置用于收集与增材制造的标准零件相关联的热数据。该系统还包括第二装置，用于基于所收集的与增材制造的标准零件相关联的热数据来预测将被增材制造的零件的材料性能。

3、在又一个方面，提供一种用于预测将被增材制造的零件的材料性能的系统。该系统包括一个或多个红外相机，用于收集与增材制造的标准零件相关联的热数据。所收集的与每个增材制造的零件相关联的热数据包括与该特定增材制造的零件相关联的唯一热特征和历史。该系统还包括计算机处理器，用于基于所收集的与增材制造的标准零件相关联的热数据来预测与将被增材制造的零件相关联的材料性能和微观结构性能的组合。

4、根据一个实施例所述的方法，其中链接所识别的一个或多个像素和所指定的一个或多个体素包括：

5、基于与所述多个激光位置坐标相关联的时间数据和与所述机器轴坐标相关联的时间数据的对准，链接所识别的一个或多个像素和所指定的一个或多个体素。

6、根据一个实施例所述的方法，其中链接所识别的一个或多个像素和所指定的一个或多个体素包括：将每个体素的颜色与其相关联的一个或多个像素的颜色相匹配。

7、根据一个实施例所述的方法，其中所述方法的至少一部分由具有存储器的计算机执行，所述计算机执行一个或多个指令程序，所述一个或多个指令程序被有形地实施在计算机可读的程序存储介质中。

8、根据一个实施例所述的方法，其中所述预定位置基于在这些位置处发现的一个或多个几何特性。

9、一种根据以上所述的方法制造的航空航天零件。

10、一种用于预测将被增材制造的零件的材料性能的系统，所述系统包括：第一装置，其用于收集与增材制造的标准零件相关联的热数据；和第二装置，其用于基于与所述增材制造的标准零件相关联的所收集的热数据来预测所述将被增材制造的零件的材料性能。

11、根据一个实施例所述的系统，其中所述第一装置包括红外相机、单波长高温计、多波长高温计、具有一个或多个热电偶传感器的基板和激光头的组合。

12、根据一个实施例所述的系统，其中所述第二装置包括计算机的处理器。

13、根据一个实施例所述的系统，其中用于预测所述将被增材制造的零件的材料性能的所述第二装置预测与所述将被增材制造的零件相关联的材料性能和微观结构性能的组合。

14、根据一个实施例所述的系统，其中与所述将被增材制造的零件相关联的材料性能和微观结构性能的所述组合包括屈服强度、拉伸强度和伸长强度的组合。

15、根据一个实施例所述的系统，其中所述第二装置包括机器学习算法，所述机器学习算法已经使用被包含在与每个增材制造的标准零件的特定位置相关联的温度-时间曲线中的多个特征作为输入来训练。

16、根据一个实施例所述的系统，其中所述机器学习算法包括监督学习算法。

17、根据一个实施例所述的系统，其中所述机器学习算法包括广义线性回归模型、神经网络模型、高斯过程模型和支持向量机模型中选定的一个。

18、根据一个实施例所述的系统，其中与每个增材制造的零件相关联的所收集的所述热数据包括与该特定增材制造的零件相关联的唯一热特征和历史。

19、根据一个实施例所述的系统，其中所述第一装置包括一个或多个红外相机，其用于收集与增材制造的标准零件相关联的热数据。

20、根据一个实施例所述的系统，其中与每个增材制造的标准零件相关联的所收集的所述热数据包括从二维热数据转换的三维热数据。

21、根据一个实施例所述的系统，其中所述第一装置在多个标准零件的增材制造期间收集所述多个标准零件的物理样本的选定预定位置处的热分布，并且其中所述预定位置基于在这些位置处发现的一个或多个几何特性。

22、一种使用以上所述的系统制造的航空航天零件。

23、一种用于预测将被增材制造的零件的材料性能的系统，所述系统包括：一个或多个红外相机，其用于收集与增材制造的标准零件相关联的热数据，其中与每个增材制造的零件相关联的所收集的所述热数据包括与该特定增材制造的零件相关联的唯一热特征和历史；和计算机处理器，其用于基于与所述增材制造的标准零件相关联的所收集的所述热数据来预测与所述将被增材制造的零件相关联的材料性能和微观结构性能的组合。

24、根据一个实施例所述的系统，其中与每个增材制造的标准零件相关联的所收集的所述热数据包括二维热数据和从所述二维热数据转换的三维热数据。

25、从以下详细描述、附图和所附权利要求，所公开的系统和方法的其他示例将变得显而易见。

技术特征：

1.一种用于预测将被增材制造的零件的材料性能的方法(600)，所述方法包括：

2.根据权利要求1所述的方法(600)，进一步包括：

3.根据权利要求2所述的方法(600)，其中确定与所述数据库中的所述多个标准零件的所述物理样本的所述热分布相关联的材料性能包括：

4.根据权利要求3所述的方法(600)，进一步包括：

5.根据权利要求1所述的方法(600)，其中所述机器学习算法包括监督学习算法。

6.根据权利要求5所述的方法(600)，其中所述监督学习算法包括广义线性回归模型、神经网络模型、高斯过程模型和支持向量机模型中选定的一个。

7.根据权利要求1所述的方法(600)，其中所述机器学习算法已经使用被包含在与所述多个标准零件的每个物理样本的特定位置相关联的温度-时间曲线中的多个特征作为输入来训练。

8.根据权利要求7所述的方法(600)，其中被包含在与所述多个标准零件的每个物理样本的特定位置相关联的温度-时间曲线中的所述多个特征包括在多个温度区中花费的一个或多个时间与温度区之间的一个或多个冷却速率的组合。

9.根据权利要求1所述的方法(600)，其中在所述多个标准零件的增材制造期间获得所述多个标准零件的物理样本的选定预定位置处的热分布包括：

10.根据权利要求9所述的方法(600)，其中在所述多个标准零件的增材制造期间将所述二维热分布转换为对应于所述多个标准零件的物理样本的所述选定预定位置的三维热分布包括：

技术总结本申请涉及用于预测将被增材制造的零件的材料性能的系统和方法。提供一种用于预测将被增材制造的零件的材料性能的方法。该方法包括增材制造多个标准零件，以及在多个标准零件的增材制造期间获得多个标准零件的物理样本的选定预定位置处的热分布。该方法还包括将多个标准零件的物理样本的热分布和相应的材料性能存储在数据库中。该方法还包括运行机器学习算法，以基于被存储在数据库中的多个标准零件的物理样本的热分布和相应的材料性能来预测将被增材制造的零件的材料性能。技术研发人员：A·H·贝克,L·A·贝里林德,L·E·帕多,J·洛特,E·麦克唐纳,B·J·托马斯受保护的技术使用者：波音公司技术研发日：技术公布日：2024/6/13