Тип публикации: патент
Год издания: 2026
Аннотация: Изобретение относится к области аддитивного производства, в частности к способам контроля качества изделий, изготавливаемых методом селективного лазерного плавления металлических порошков. Сущность изобретения заключается в автоматизированном анализе термодинамических характеристик зон расплава посредством обработки видеоданных технологического процесса с последующей многокритериальной классификацией тепловых режимов. Метод предполагает преобразование пространственно-временных характеристик расплавленных областей в многомерные векторы признаков с последующим их отображением в редуцированном пространстве признаков для выявления скрытых закономерностей. Группировка однородных термодинамических состояний осуществляется на основе методов неконтролируемого обучения, позволяющих идентифицировать аномальные тепловые режимы, коррелирующие с дефектообразованием. Технический результат заключается в повышении точности прогнозирования структурных дефектов при селективном лазерном плавлении за счёт комплексного анализа пространственно-временной динамики тепловых полей с применением автоматизированного кластерного анализа термических изображений ванн расплава на основе алгоритмов машинного обучения, что обеспечивает возможность предикативного управления параметрами технологического процесса. Реализация предложенного метода позволяет существенно сократить долю бракованной продукции за счёт раннего обнаружения отклонений термических характеристик от оптимальных значений. Дополнительным преимуществом является возможность интеграции разработанного подхода в системы автоматизированного контроля производственных процессов без существенной модернизации существующего технологического оборудования. 2 ил., 3 табл. FIELD: additive manufacturing. SUBSTANCE: invention relates to methods for quality control of products manufactured by selective laser melting of metal powders. The essence of the invention lies in the automated analysis of the thermodynamic characteristics of melt zones by processing video data of the technological process, followed by multi-criteria classification of thermal conditions. The method involves transforming the spatiotemporal characteristics of molten regions into multidimensional feature vectors, followed by their display in a reduced feature space to identify hidden patterns. The grouping of homogeneous thermodynamic states is carried out on the basis of unsupervised learning methods, which allow the identification of anomalous thermal regimes that correlate with defect formation. The technical result consists in increasing the accuracy of predicting structural defects during selective laser melting due to a comprehensive analysis of the spatiotemporal dynamics of thermal fields using automated cluster analysis of thermal images of melt pools based on machine learning algorithms, which enables predictive control of process parameters. The implementation of the proposed method allows for a significant reduction in the proportion of defective products due to the early detection of deviations in thermal characteristics from optimal values. An additional advantage is the ability to integrate the developed approach into automated production process control systems without significant modernization of existing process equipment. EFFECT: significant reduction in the proportion of defective products and ability to integrate the developed approach into automated production process control systems without significant modernization of existing process equipment. 1 cl, 2 dwg, 3 tbl