具体实施方式

下面结合附图与实施例对本发明作进一步的说明。

本发明的实施例参考图1-2所示。

一种金属材料加工系统，包括可见光摄像机、红外摄像机、发光二极管、沉积平台、计算机、压电驱动器、喷嘴、感应加热线圈、压电管、注射器、金属粉料箱和开关阀，金属粉料箱在注射器的推动下由金属粉料箱箱进入压电管，通过调节注射器，将金属粉料泵入压电管中，压电管中的液位将反映施加到金属粉料上的压力，压电管中的金属粉料箱进入喷嘴后，在感应加热线圈的作用下形成液滴，滴向沉积平台上的界面，沉积平台在计算机的控制下进行三维运动，以形成期望的零件；计算机通过红外摄像机采集液滴的温度并控制感应加热线圈对喷嘴进行加热使金属粉料变为金属液体，计算机控制注射器的推进压力；计算机生成两个脉冲，第一脉冲作为梯形波形的驱动电压信号控制压电驱动器对压电管施加压力使金属液体从喷嘴喷射，形成液滴，第二脉冲用于控制选通发光二极管的发光，第二脉冲与第一脉冲周期相同，第一脉冲与第二脉冲之间的延迟时间可调，以便在所需时刻捕获图像，在触发发光二极管发光的时候，可见光摄像机捕获由喷嘴喷射的图像，计算机基于喷射的图像进行图像处理和分析；当延长第一脉冲与第二脉冲之间的延迟时间时，图像将显示掉落后稍后时间的液滴，通过连续扫描延迟时间，从一系列图像中相应地获得动态液滴行为，喷嘴和可见光摄像机位置固定，沉积平台相对移动，液滴特性不会受到喷嘴移动的影响。

其中，液滴的喷射状态取决于包括驱动电压、喷嘴孔口、推进压力、液体粘度以及表面张力，为了控制制造过程以最大程度地减少缺陷，计算机内构建了将图像处理和神经网络集成的闭环控制器，闭环控制器包括特征映射模块、神经网络模型、PID单元以及图像处理模块，参考液滴特征输入特征映射模块形成目标特征，神经网络模型建立作为输出值的电压水平与作为输出值的液滴特征之间的关系，将喷射行为映射到可控制电压值，无需人工干预，可见光摄像机捕获的液滴的图像序列被反馈到图像处理模块，提取液滴特征，通过使用神经网络模型将液滴特征到电压水平，然后与目标特征进行比较，使用PID单元来调整驱动电压，施加到压电驱动器上，调整液滴的喷射，重复上述过程，直到到达理想喷射行为。

理想喷射行为是输入信号的每个脉冲仅生成一个具有足够体积的单个液滴，并且后面没有散点跟随。

其中，可见光摄像机捕获喷射的液滴图像形成液滴图像序列，图像处理模块分别对每个液滴图像进行分析，从每个液滴图像中提取液滴特征，通过一组规则将在不同时间步长中从液滴图像中提取的特征汇总为属性；对于给定液滴图像，在液滴图像的喷嘴下方定义一个兴趣区域，通过直方图选择阈值，将液滴图像的前景和背景进行区分，并获取在前景中液滴的图像特征，多幅液滴图像构成图像序列；图像处理模块提取液滴特征，液滴特征包括散点、韧度、速度以及体积，体积和韧度表达液滴的几何信息，散点表达液滴的形态状态，速度表达液滴的运动行为，单个特征不足以确定过程状态，利用多个特征来表征随机缺陷，提高系统的灵敏度和准确性。

其中，当驱动电压的幅度增加时，液滴的体积和速度都会增加，其中，V_p是压电管的体积，ΔV_p是压电管的体积变化，d_ε是压电应变常数，U是驱动电压，t_n是压电管的厚度，压电驱动器安装在压电管上，更高的电压会导致压电管的体积变化增大，挤压压电管导致金属液体喷出。

在实践中液滴特征要复杂得多，并且相同的液滴特征可能是由不同的可分配因素和随机干扰引起的，比如：由背压的不稳定和不可控制的随机偏斜引起的液滴异常速度是；由于驱动电压较低以及沉积速率较低，是液滴的体积不足以形成急剧的下降导致散点数量的增加，无法形成一个液滴；液滴受到流体动力学的作用，相同的液滴在不同的时间会有具有不同的体积特征。

其中，对于m个在不同时刻的液滴图像，其时间序列为{t_m}，并且在每个静态图像中按从上到下的顺序排序的个连接组件，连接组件表示图像中出现的单个液滴，则液滴特征表示为：

散点San等于第t时刻所有静态图像中连接组件的数#seg_t的最大值，即 San＝max{#seg_t}；

韧度Ren的大小定义为所有图像中每个连接组件的高宽比的最大值，即 Ren＝max{h_i,t/w_i,t},其中h_i,t表示t时刻第i个连接组件的高度，w_i,t表示t时刻第i个连接组件的宽度；

液滴的总体积Vol是所有图像中的组件总面积的最大值，即 Vol＝max{∑_iA_i,1,∑_iA_i,2,...,∑_iA_i,t}。其中A_i,t示t时刻第i个连接组件的体积；

上述步骤中的评估值用于筛选目的，当散点和喷射速度随时间t突然降低时，液滴离开兴趣区域，当散点突然减少、韧度突然增加、体积突然增大或速度突然加快，则表明出现了无法控制的随机扰动。

其中，为了分析液滴特征，可见光摄像机捕获以300Hz频率连续喷射的液滴图像，连续的液滴在短时间内具有相同的行为，捕获更多图像更鲁棒，捕获图像的最小数量为3。

其中，神经网络模型调整驱动电压，最大程度减少随机变量引起的缺陷，神经网络模型建立液滴特征与驱动电压之间的关系，在神经网络模型训练过程中，所有输入值都是从训练数据集中的液滴图像中提取的特征，目标数据是在其下捕获每个液滴图像的驱动电压电平。使用经过训练的神经网络模型基于获取的液滴图像表征偏移电压值，进而来调整施加在压电驱动器上的驱动电压。

其中，为了训练神经网络模型，收集不同驱动电压下的液滴图像，进行逐一标注，首先，作为初始化步骤，设置以获得标准液滴模式，标准液滴模式为 San＝1且Ren＝1，驱动电压电压为45V，喷射频率为300Hz；可见光摄像机捕获液滴图像并调整驱动电压，电压通过偏移值逐步调整，例如±1V，±2V，±3，…，±10V，并标记相应的液滴图像，形成输出；最后，从液滴图像中提取四个特征，包括散点、韧度、体积和速度，这些特征被用作网络的输入；重复此过程几次，以最小化不正确的初始设置的影响；重复上述过程，收集800套数据，其中70％用于训练，15％用于验证，另外15％用于测试。

其中，神经网络模块的输出是偏移电压值，用于表征喷射行为，输入给 PID单元调节施加到压电驱动器的驱动电压，PID控制方程为：

其中,err(t)是从神经网络输出的反馈值，op为输出电压，K_P、K_I和K_D分别为比例系数、积分系数和微分系数，调整PID参数后，PID单元控制驱动电压实现稳定的液滴喷射。

其中，加工过程中，计算机通过红外摄像机获取各个温度，并控制加热线圈对液滴进行温度控制，使得计算无量纲温度参数能够在形成平坦表面的情况下，避免孔洞的产生，使得产生的工件表面较为光滑，对液滴的温度进行检测和控制具体为：

第一，建立液滴模型，液滴撞击界面前的速度是恒定的，液滴在撞击界面前的温度是均匀且恒定的，液滴是不可压缩的液体，忽略液滴的对流和辐射，忽略液滴沉积后凝固过程中的收缩和变形；使用函数F代表每个网格单元的流体体积分数，F＝1表示栅格单元充满液体；而F＝0表示网格单元为空，函数F满足：

其中，V_F是流动的体积分数，u，v和w分别是笛卡尔坐标系在x，y和z 方向上的速度分量。A_x，A_y和A_z分别是流体在x，y和z方向上的分数区域；液滴的不可压缩流体连续性方程为：

其中，ρ_d是熔滴的密度。

流体速度分量(u，v，w)的动量守恒方程表示为：

其中G_x、G_y和G_z是体积力加速度。S_x、S_y和S_z是表面张力，K是凝固阻力，

其中F_s是流体的固体含量：

其中T_液，T_固和T分别为液相线温度，固相线温度和瞬时温度；

表面张力S(S_x,S_y,S_z)表示为：S＝σκδn；

其中，σ和κ分别是表面张力系数和自由表面的曲率，分布函数δ表示集中在液滴自由表面上的表面张力，n是液滴自由表面的单位法向向量，则：

节能方程为：

其中，I是表示为的宏观内部能量，则：I＝C_lgT+(1-F_s)gCLHT

其中，C_l和CLHT分别是比热容的和熔化潜热；

T_DIF是热传导扩散，表示为：其中k是流体的热导率。

由于液滴在空气滞留和局部凝固，熔融的液滴在界面表面上形成了孔洞，在可溶芯支撑的液滴沉积中，空气截留是内表面形态的影响因素。

第二、建立相邻液滴间冶金结合的参数关系分析相邻液滴之间的相互作用。液滴撞击界面表面的动力学行为通过一系列无量纲参数来表征，包括韦博数 (We)，奥格数(Oh)和雷诺数(Re)，定义为：

V_d、σ、μ和D_d分别表示液滴的速度、表面张力系数、动态粘度以及液滴直径，液滴撞击界面分为三种不同的情况：回弹，沉积和飞溅。这三个液滴行为通过索菲参数K来表征，参数定义为：当K的值等于K≈7时，液滴沉积而没有回弹或飞溅。

其中，为了获取光滑的表面而避免产生孔洞缺陷，应该在相邻的液滴之间实现良好的冶金结合，在连续的沉积过程中，相邻液滴之间的界面应重熔并熔合在一起，通过界面温度T_界来估计重熔行为：

其中，T_d为初始液滴温度；R_c；k_s为导热系数，

T_表和α_s分别是表面温度与热扩散率，t是传热时间，通过设置T_界＝T_固和 T_界＝T_液形成的参数映射来预测相邻金属滴之间的重熔温度条件；当T_界≥T_固时，相邻的金属液滴之间的重熔和接合开始；当T_界≥T_液时，界面区域相邻的液滴在融合过程中保持完整的液体状态，从而导致过度的重熔的条件。

第三、分析孔洞的形成，建立无量纲温度参数β和无量纲时间t^*，定义如下

其中T_m表示金属的熔合点温度，T_s表示界面温度，T_d表示液滴温度；

无量纲时间t^*计算为：

t^*＝0表示第一液滴和第二液滴之间的瞬态接触，V_d表示液滴平均统计速度，D_d表示液滴直径。根据上述参数映射分析，参数集(T_d＝1423K,T_s＝323K)位于重熔区域中，表明相邻的液滴的界面区域将在连续的沉积过程中重熔并融合在一起。

当β＝1.3时，以下是四个相邻液滴的沉积过程，在t^*＝0时，第二液滴开始沿第一液滴扩散，并且同时在第一液滴的相应表面上的接触区域内发生熔化。从t^*＝0.2开始，第二滴开始与基材接触并在基材上铺开。界面的热传导迅速冷却了第二液滴的底部区域，t^*＝0.46时，第二个液滴的底表面各处的固体分数几乎等于100％，沉积界面完全静态，液态金属的不完全填充导致在这两个相邻的液滴之间形成冷弯，当We和Oh分别为1.42和1.02×10^-3时，液滴散布是由液滴的动能和表面能的转换驱动；t^*＝0.46，第一液滴的凝固前沿以L形方式向上移动，第二个液滴中的残留液相保持倾斜振荡，直到其动能通过固化被完全消散为止。第三液滴的沉积行为类似于第二液滴的沉积行为；第三液滴大部分撞击并散布在第一液滴的底表面上；t^*＝1000.2，第三液滴开始与界面接触，并且大部分液滴流到界面上，由于液态金属的填充不完全，在第三液滴和第一液滴的底表面上会形成冷弯，第四液滴同时与第二和第三液滴部分重叠，并且第四液滴中直接流到界面上的部分最少，第四液滴的表面积最小的，由四个相邻的液滴包围的底表面的中心是最难填充的点。结果，位于中心位置的孔洞最，表明液滴之间的重熔和熔合不良。

为了防止在连续沉积的液滴的底表面上形成孔洞，需要考虑散热的更精确的温度选择。

为了定量描述连续沉积过程中液滴的扩散，将无量纲参数ξ定义为扩散因子，定义为：其中，S_底和S_顶分别是所沉积的液滴的底表面的面积和液滴的顶表面的面积。当β＝5.6时，相比β＝1.3的情况，四个连续的沉积液滴的扩散因子分别增加了13.7％，6.1％，6％和7％，第二、第三和第四液滴的底层的凝固时间分别增加0.58、0.58和0.46，表明新来的液滴的残留液态金属有更多的时间来填充由四个相邻液滴环绕的空隙，在这种情况下，由于保证了残留液态金属的完全填充，有效消除底面上的孔洞；当β＝8.2时，同样能够有效消除底面上的孔洞；

当β＝10.9的情况，相邻液滴之间的重熔度太高，无法有效地形成平坦表面。多个液滴随机融合在一起成为更大的液滴，这导致了不连续表面的形成。

第四.控制加热线圈的温度，使之满足无缺陷下的无量纲温度参数β，其中，取1.3≤β＜10.9。

优选1.3≤β≤8.2，进一步为：β＝1.3或者β＝8.2。

其中，可见光摄像机得到图像经过图像处理模块处理后得到基于液滴的二值图像，根据图像的亮度，将彩色图像转换为灰度图像，通过设置适当的阈值，将灰度图像转换为二值图像，像素的值为0或1，高于阈值的值被映射为1，低于阈值的值被映射为0，通过使用二值图像，从灰色背景图像中提取和分析液滴，液滴的像素为0或1，则背景为1或0，分析液滴的数量、大小和位置，图像区域是像素数据的2D阵列。

通过分析兴趣区域而不是整个图像区域来减少处理时间。

图像处理的算法为：确定合适的阈值k，其满足：

其中μ₁是位于0和k之间的所有像素值的平均值，μ₂是位于k+1和255 之间的所有像素值的平均值。

液滴的位置根据液滴图像中的像素位置来识别，兴趣区域定义了局部像素位置，使得兴趣区域的左上角位置成为局部原点位置，液滴位置在用户定义的兴趣区域中被局部识别，兴趣区域的左上角像素位置被添加到局部识别的位置，使得识别的液滴位置保持不变。

通过在原始图像中叠加识别出液滴位置以及直径，以检查识别出的结果是否与液滴图像相匹配。

为了计算液滴的速度，需要将分析结果转换为以μm为单位的距离。一个像素对应于大约1.03μm，计算液滴速度v：

其中(Px₁，Py₁)和(Px₂、Py₂)和分别是液滴中心在x和y方向上的在t₁和t₂时刻的像素位置，喷射方向θ从识别的液滴位置来评估，

兴趣区域中心相对于液滴喷射方向的对准，当兴趣区域中心偏离喷射方向 3°时，估计速度具有大约3％的误差率。

以上所述实施方式仅表达了本发明的一种实施方式，但并不能因此而理解为对本发明范围的限制。应当指出，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。