一种选区激光熔融过程熔池尺寸的实时预测方法

1.本发明涉及激光增材制造过程监测技术领域，具体涉及一种选区激光熔融过程熔池尺寸实时预测方法。


背景技术：

2.选区激光熔融技术由于其在制造高性能复杂结构件方面的优势，已成为发展最快的金属增材制造工艺之一。由于制造过程中缺乏稳定性和可重复性，难以保证产品质量，限制了其广泛应用，尤其是在航空航天、医疗等对成形精度和性能要求较高的行业。熔池是在增材制造最基本的子过程中形成的，其动态变化不仅反映了制造过程的稳定性，也是产生气孔、球化等缺陷的底层原因。因此，如果可以实时准确预测熔池的尺寸，就可以在形成异常熔池之前调整工艺参数，从而保持相对稳定的熔融状态，这样可以减少成形过程缺陷，并显著提高零件的最终质量。
3.针对选区激光熔融过程熔池尺寸预测的问题，目前有基于物理的建模方法，如有限元分析和计算流体动力学等方法，但是这些物理模型具有固有的假设、简化与近似，降低了其准确性，而且需要大量的计算时间，很难应用于实时监控过程。另外也有采用高斯过程、多层感知机等机器学习模型来预测成形过程的熔池尺寸，但是主要是以工艺参数作为输入，对单道或多道的平均熔池尺寸进行预测。一般来说，根据三维模型自动生成的扫描策略可能非常复杂。改变扫描策略、激光功率和扫描速度等制造条件将导致不同的热历史，而选区激光熔融过程中的熔池尺寸直接受到热历史的影响。另外，选区激光熔融过程具有内在的随机性。例如，同一组输入(工艺参数)可能会导致不同的结果，这可能与环境因素、长时间制造引起的系统漂移、飞溅产生等有关。因此，需要研究一种可以根据历史扫描情况来实时捕捉选区激光熔融过程熔池尺寸变化的方法。


技术实现要素：

4.本发明是为了解决上述现有技术存在的不足之处，提出一种选区激光熔融过程熔池尺寸实时预测方法，以期能实现复杂扫描策略下的选区激光熔融整个过程中熔池尺寸的实时准确预测，从而为熔池尺寸的控制并保持熔融过程的稳定提供基础，进而能减少甚至消除成形过程缺陷，并能提高制造零部件的几何精度、表面质量和力学性能，保证最终产品的质量。
5.本发明为达到上述发明目的，采用如下技术方案：
6.本发明一种选区激光熔融过程中熔池尺寸的实时预测方法的特点在于，包括以下步骤：
7.步骤1：利用近红外高速摄像机以固定频率采集选区激光熔融过程中的熔池图像，并构建熔池图像数据集i＝{i1,i2,
…
,ii,
…in0
}；其中，ii∈r
l
×h表示第i时刻的熔池图像，n0为熔池图像样本数量；l和h分别为图像的长度和高度；
8.步骤2：通过对熔池图像进行处理，提取熔池的长度、宽度和面积；
9.步骤2.1：设置一个初始阈值，并对第i时刻熔池图像ii进行二值化处理，得到图像ii中的熔池边界；
10.根据熔池边界得到熔池图像ii中的熔池宽度，并与实际扫描轨道的宽度进行对比，从而确定熔池边界的最优阈值；
11.根据所述最优阈值对所有熔池图像进行二值化处理，得到每个熔池图像的最优熔池边界；
12.步骤2.2：利用最小二乘法将所有最优熔池边界拟合成椭圆，并根据近红外高速摄像机的瞬时视场角，对椭圆的长轴长、短轴长、椭圆面积进行换算后，分别得到熔池的长度、宽度和面积，并作为熔池的尺寸；
13.将第i时刻熔池图像ii到第i+k-1时刻熔池图像i
i+k-1
作为一个样本，将第i时刻熔池图像ii到第i+k-1时刻熔池图像i
i+k-1
的熔池尺寸序列作为样本的标签y
i,i+k-1
；
14.步骤3：提取激光功率、扫描速度、功率密度和扫描策略相关的工艺特征；
15.步骤3.1：分别利用式(1)～式(3)计算标签y
i,i+k-1
对应的第i-1时刻下的激光功率p
i-1
、第i-1时刻下的扫描速度v
i-1
、第i-1时刻下的功率密度e
i-1
：
[0016][0017][0018][0019]
式(1)-式(3)中，n为第i-1时刻与第i时刻之间激光扫描点数量，和分别为第i-1时刻下第j个扫描点的激光功率和激光入射角，和分别为第i-1时刻下第j-1到第j+1个扫描点之间的距离和扫描时间；
[0020]
步骤3.2：利用式(4)-式(9)计算标签y
i,i+k-1
对应的第i-1时刻下的激光移动方向第i-1时刻下的x方向距离第i-1时刻下的y方向距离第i-1时刻下的欧式距离第i-1时刻下的加入扫描距离权重的激光功率特征第i-1时刻下的加入扫描距离权重的激光功率密度特征
[0021][0022][0023][0024]
[0025][0026][0027]
式(4)-式(9)中，为第i-1时刻下第j个扫描点的激光移动单位方向向量，e0为工作坐标系的x轴单位方向向量，g为计算夹角的函数，为第i-1时刻下第j个扫描点在工作坐标系x轴方向的位置，为第i-1时刻下第j个扫描点在工作坐标系y轴方向的位置；为第i时刻下第1个扫描点在工作坐标系x轴方向的位置，为第i时刻下第1个扫描点在工作坐标系y轴方向的位置；
[0028]
步骤3.3：令标签y
i,i+k-1
对应的第i-1时刻下的所有工艺特征为按照步骤3.1～步骤3.2的过程计算第i-n时刻到第i-2时刻的工艺特征，从而得到标签y
i,i+k-1
对应的第i-n时刻到第i-1时刻的工艺特征序列为
[0029]
步骤4：构建熔池尺寸预测模型，包括：熔池感兴趣区域的提取模块、提取熔池图像特征的cnn模块、融合工艺特征与熔池特征的informer模块；
[0030]
步骤4.1：所述提取模块计算标签y
i,i+k-1
对应的第i-n时刻到第i-1时刻的熔池图像序列i
i-n,i-1
＝{i
i-n
,i
i-(n-1)
,
…
,i
i-1
}的熔池质心，并以熔池质心为中心在熔池图像序列i
i-n,i-1
中确定边长为l
×
h的矩形区域作为熔池感兴趣区域序列
[0031]
步骤4.2：所述cnn模块依次包含：两层卷积池化层以及一层全连接层；
[0032]
将第i-n时刻到第i-1时刻的熔池感兴趣区域序列输入cnn模块中进行处理，并获得标签y
i,i+k-1
对应的熔池图像特征序列其中，表示第i-1时刻的熔池感兴趣区域特征；
[0033]
步骤4.3：所述informer模块用于对和进行处理后，得到解码特征
[0034]
步骤4.4：解码特征通过一个全连接层后，输出预测的熔池尺寸序列
[0035]
步骤5：利用式(10)构建损失函数loss：
[0036][0037]
式(10)中，为中的熔池长度序列的预测值、为中的熔池宽度序列的预测值，为中的熔池面积序列的预测值，λ为确定该损失项相对重要性的参数；
[0038]
利用梯度下降法对所述熔池尺寸预测模型进行训练，并计算所述总损失函数loss
以更新模型参数，当所述总损失函数loss收敛时，得到训练后的熔池尺寸预测模型，用于对选区激光熔融过程中未来多个时刻的熔池尺寸进行实时预测。
[0039]
本发明所述的一种选区激光熔融过程中熔池尺寸的实时预测方法的特点也在于，所述步骤4.3中的informer模块包括：编码器模块、解码器模块；
[0040]
步骤4.3.1：所述编码器模块包括：预处理模块、多头概率稀疏自注意力机制模块和蒸馏模块；
[0041]
步骤a、所述预处理模块将标签y
i,i+k-1
对应的工艺特征序列进行归一化处理后，得到归一化后的工艺特征序列其中，表示第i-1时刻下归一化后的工艺特征；
[0042]
将与熔池图像特征序列拼接后得到融合特征序列并依次进行embedding操作和位置编码后，获得嵌入位置信息后的高维融合特征向量
[0043]
步骤b、所述多头概率稀疏自注意力机制模块对进行多头概率稀疏自注意力机制操作后，获得融入注意力机制的融合特征并与输入进行残差连接后再进行层正则化运算，最后输入到前馈神经网络中，并输出注意力模块特征
[0044]
步骤c、所述蒸馏模块在时间维度上对注意力模块特征进行一维卷积操作后，再利用elu激活函数进行非线性转换，然后进行最大池化操作，最终获得编码器输出的编码特征
[0045]
步骤4.3.2：将标签y
i,i+k-1
对应的第i-m时刻到第i-1时刻的融合特征序列和第i时刻到第i+k-1时刻的融合特征序列进行拼接后得到的特征并输入到所述解码器模块中，依次进行embedding操作、位置编码、掩码多头概率稀疏自注意力机制的处理后，再与编码特征一起进行多头注意力机制操作，最终获得解码器输出的解码特征
[0046]
本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述实时预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
[0047]
本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述实时预测方法的步骤。
[0048]
与现有技术相比，本发明的有益效果在于：
[0049]
1、本发明通过提取与激光功率、扫描速度、功率密度以及扫描策略相关的蕴含扫描过程复杂特性的工艺特征，并结合机器学习方法对熔池尺寸进行预测，克服了现有技术中只能预测单道或多道平均熔池尺寸的问题，从而极大的提升了熔池预测的实时性能。
[0050]
2、本发明通过将包含成形过程内在随机性的熔池图像特征和工艺特征进行融合对熔池尺寸进行预测，克服了现有技术中无法考虑选区激光熔融过程内在随机性的问题，从而提高了熔池尺寸的预测准确性。
[0051]
3、本发明通过利用机器学习领域的先进技术，通过cnn模块提取熔池图像特征，并与工艺特征融合输入到informer模块对熔池尺寸序列进行预测，避免了通过有限元分析方法预测熔池尺寸，极大的降低了计算时间。同时利用了informer网络在长时间序列依赖方面以及长时间序列预测方面的独特优势，进一步提高了熔池尺寸序列预测模型的准确度。
附图说明
[0052]
图1是不同扫描策略示意图；
[0053]
图2是熔池图像监测示意图；
[0054]
图3是本发明熔池尺寸预测模型图；
[0055]
图4是cnn模块结构图。
具体实施方式
[0056]
本实施例中，一种选区激光熔融过程熔池尺寸实时预测方法，包括以下步骤：
[0057]
步骤1：利用近红外高速摄像机以固定频率采集选区激光熔融过程中的熔池图像，并构建熔池图像数据集其中，ii∈r
l
×h表示第i时刻的熔池图像，n0为熔池图像样本数量；l和h分别为图像的长度和高度；本实施例中，l和h分别为120和128；
[0058]
本实施例中，所使用的图像数据集由带有近红外波段带通滤光片的高速摄像机通过同轴监测的方式进行采集。高速摄像机的型号为mikrotroneosenss 3cl，采样频率为2khz。
[0059]
具体实例中，选区激光熔融系统的激光波长为1070nm，激光光斑直径85μm。实验中的粉末材料为锻造镍合金625，平均粉末尺寸为30.6μm。在实验中，采用不同的扫描策略制作了12个尺寸为10mm
×
10mm
×
5mm的矩形零件。不同的扫描策略是基于图1中的3种基本扫描策略，通过改变扫描间距、激光功率、单轨扫描方向和重熔策略获得的。考虑到镍合金在固相线温度(1500℃)处的灰体辐射情况以及需要避免的激光波长。选择850nm(
±
20nm)带通滤光片来尽可能准确地捕捉熔池区域。图2为该实例采用的高速摄像机过程监测示意图。
[0060]
步骤2：通过对熔池图像进行处理，提取熔池的长度、宽度和面积；
[0061]
步骤2.1：设置一个初始阈值，并对第i时刻熔池图像ii进行二值化处理，得到图像ii中的熔池边界；
[0062]
根据熔池边界得到熔池图像ii中的熔池宽度，并与实际扫描轨道的宽度进行对比，从而确定熔池边界的最优阈值，本实施例中，确定的最优阈值为0.5；
[0063]
根据最优阈值对所有熔池图像进行二值化处理，得到每个熔池图像的最优熔池边界；
[0064]
步骤2.2：利用最小二乘法将所有最优熔池边界拟合成椭圆，并根据近红外高速摄像机的瞬时视场角，对椭圆的长轴长、短轴长、椭圆面积进行换算后，分别得到熔池的长度、宽度和面积，并作为熔池的尺寸；
[0065]
将第i时刻熔池图像ii到第i+k-1时刻熔池图像i
i+k-1
作为一个样本，将第i时刻熔池图像ii到第i+k-1时刻熔池图像i
i+k-1
的熔池尺寸序列作为样本的标签y
i,i+k-1
，本实施例中，k的值为10；
[0066]
步骤3：提取激光功率、扫描速度、功率密度和扫描策略相关的工艺特征；
[0067]
步骤3.1：分别利用式(1)～式(3)计算标签y
i,i+k-1
对应的第i-1时刻下的激光功率p
i-1
、第i-1时刻下的扫描速度v
i-1
、第i-1时刻下的功率密度e
i-1
：
[0068][0069][0070][0071]
式(1)-式(3)中，n为第i-1时刻与第i时刻之间激光扫描点数量，本实例中，n为50，和分别为第i-1时刻下第j个扫描点的激光功率和激光入射角，和分别为第i-1时刻下第j-1到第j+1个扫描点之间的距离和扫描时间；
[0072]
步骤3.2：利用式(4)-式(9)计算标签y
i,i+k-1
对应的第i-1时刻下的激光移动方向第i-1时刻下的x方向距离第i-1时刻下的y方向距离第i-1时刻下的欧式距离第i-1时刻下的加入扫描距离权重的激光功率特征第i-1时刻下的加入扫描距离权重的激光功率密度特征
[0073][0074][0075][0076][0077][0078][0079]
式(4)-式(9)中，为第i-1时刻下第j个扫描点的激光移动单位方向向量，e0为工作坐标系的x轴单位方向向量，g为计算夹角的函数，其中工作坐标系由机器生产产家确定，在水平方向首先确定一个原点，然后竖直向上为z轴方向，在水平面两个方向相互垂直的轴为x轴和y轴；为第i-1时刻下第j个扫描点在工作坐标系x方向的位置，为第i-1时刻下第j个扫描点在工作坐标系y方向的位置；为第i时刻下第1个扫描点在工作坐标系x方向的位置，为第i时刻下第1个扫描点在工作坐标系y方向的位置；
[0080]
步骤3.3：令标签y
i,i+k-1
对应的第i-1时刻下的所有工艺特征为
按照步骤3.1～步骤3.2的过程计算第i-n时刻到第i-2时刻的工艺特征，从而得到标签y
i,i+k-1
对应的第i-n时刻到第i-1时刻的工艺特征序列为本实施例中，n为50；
[0081]
步骤4：构建熔池尺寸预测模型，图3为构建的预测模型，包括：熔池感兴趣区域提取模块、提取熔池图像特征的cnn模块、融合工艺特征与熔池特征的informer模块；
[0082]
步骤4.1：提取模块计算标签y
i,i+k-1
对应的第i-n时刻到第i-1时刻的熔池图像序列i
i-n,i-1
＝{i
i-n
,i
i-(n-1)
,
…
,i
i-1
}的熔池质心，并以熔池质心为中心在熔池图像序列i
i-n,i-1
中确定边长为l
×
h的矩形区域作为熔池感兴趣区域序列本实施例中，l和h均为60；
[0083]
步骤4.2：cnn模块如图4所示，依次包含：两层卷积池化层以及一层全连接层，本实施例中，卷积核尺寸为5
×
5，个数为32；将第i-n时刻到第i-1时刻的熔池感兴趣区域序列输入cnn模块中进行处理，并获得标签y
i,i+k-1
对应的熔池图像特征序列其中，表示第i-1时刻的熔池感兴趣区域特征，每幅图像的感兴趣区域特征维数为d，本实施例中，d为64；
[0084]
步骤4.3：informer模块，包括：编码器模块、解码器模块；
[0085]
步骤4.3.1：编码器模块包括：预处理模块、多头概率稀疏自注意力机制模块和蒸馏模块；
[0086]
步骤a、预处理模块将标签y
i,i+k-1
对应的工艺特征序列进行归一化处理后，得到归一化后的工艺特征序列其中，表示第i-1时刻下归一化后的工艺特征；
[0087]
将与熔池图像特征序列拼接后得到融合特征序列并依次进行embedding操作和位置编码后，获得嵌入位置信息后的高维融合特征向量
[0088]
步骤b、多头概率稀疏自注意力机制模块对进行多头概率稀疏自注意力机制操作后，获得融入注意力机制的融合特征并与输入进行残差连接后再进行层正则化运算，最后输入到前馈神经网络中，并输出注意力模块特征
[0089]
步骤c、蒸馏模块在时间维度上对注意力模块特征进行一维卷积操作后，再利用elu激活函数进行非线性转换，然后进行最大池化操作，最终获得编码器输出的编码特征
[0090]
步骤4.3.2：将标签y
i,i+k-1
对应的第i-m时刻到第i-1时刻的融合特征序列和第i时刻到第i+k-1时刻的融合特征序列进行拼接得到的输入到解码器模块中，其中使用0进行占位，依次进行embedding操作、位置编码、掩码多头概率稀疏自注意力机制的处理后，再与编码特征一起进行多头注意力机制操作，最终获得解码器输出的解码
特征其中两个注意力机制模块中均包含残差连接、层正则化运算以及前馈神经网络；
[0091]
步骤4.3.3：解码特征通过一个全连接层后，输出预测的熔池尺寸序列
[0092]
步骤5：利用式(10)构建损失函数loss：
[0093][0094]
式(10)中，第1项是熔池长度、宽度和面积的平均绝对百分比误差，第2项是约束熔池长度、宽度和面积几何关系的损失项，用来提高预测结果的几何关系一致性。为中的熔池长度序列的预测值、为中的熔池宽度序列的预测值，为中的熔池面积序列的预测值，λ为确定该损失项相对重要性的参数，本实例中，λ为0.4；
[0095]
利用梯度下降法对熔池尺寸预测模型进行训练，并计算总损失函数loss以更新模型参数，当总损失函数loss收敛时，得到训练后的熔池尺寸预测模型，用于对选区激光熔融过程中未来多个时刻的熔池尺寸进行实时预测。
[0096]
本实施例中，一种电子设备，包括存储器以及处理器，该存储器用于存储支持处理器执行上述方法的程序，该处理器被配置为用于执行该存储器中存储的程序。
[0097]
本实施例中，一种计算机可读存储介质，是在计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
[0098]
综上所述，本技术克服了现有模型只能用于单道或多道平均熔池尺寸预测的不足，可对复杂扫描策略下的选区激光熔融整个过程中熔池尺寸的进行实时准确预测。

技术特征：
1.一种选区激光熔融过程中熔池尺寸的实时预测方法，其特征在于，包括以下步骤：步骤1：利用近红外高速摄像机以固定频率采集选区激光熔融过程中的熔池图像，并构建熔池图像数据集其中，i
i
∈r
l
×
h
表示第i时刻的熔池图像，n0为熔池图像样本数量；l和h分别为图像的长度和高度；步骤2：通过对熔池图像进行处理，提取熔池的长度、宽度和面积，并作为熔池的尺寸；将第i时刻熔池图像i
i
到第i+k-1时刻熔池图像i
i+k-1
作为一个样本，将第i时刻熔池图像i
i
到第i+k-1时刻熔池图像i
i+k-1
的熔池尺寸序列作为样本的标签y
i,i+k-1
；步骤3：提取激光功率、扫描速度、功率密度和扫描策略相关的工艺特征；步骤3.1：分别利用式(1)～式(3)计算标签y
i,i+k-1
对应的第i-1时刻下的激光功率p
i-1
、第i-1时刻下的扫描速度v
i-1
、第i-1时刻下的功率密度e
i-1
：：：式(1)-式(3)中，n为第i-1时刻与第i时刻之间激光扫描点数量，和分别为第i-1时刻下第j个扫描点的激光功率和激光入射角，和分别为第i-1时刻下第j-1到第j+1个扫描点之间的距离和扫描时间；步骤3.2：利用式(4)-式(9)计算标签y
i,i+k-1
对应的第i-1时刻下的激光移动方向第i-1时刻下的x方向距离第i-1时刻下的y方向距离第i-1时刻下的欧式距离第i-1时刻下的加入扫描距离权重的激光功率特征第i-1时刻下的加入扫描距离权重的激光功率密度特征权重的激光功率密度特征权重的激光功率密度特征权重的激光功率密度特征权重的激光功率密度特征权重的激光功率密度特征
式(4)-式(9)中，为第i-1时刻下第j个扫描点的激光移动单位方向向量，e0为工作坐标系的x轴单位方向向量，g为计算夹角的函数，为第i-1时刻下第j个扫描点在工作坐标系x轴方向的位置，为第i-1时刻下第j个扫描点在工作坐标系y轴方向的位置；为第i时刻下第1个扫描点在工作坐标系x轴方向的位置，为第i时刻下第1个扫描点在工作坐标系y轴方向的位置；步骤3.3：令标签y
i,i+k-1
对应的第i-1时刻下的所有工艺特征为按照步骤3.1～步骤3.2的过程计算第i-n时刻到第i-2时刻的工艺特征，从而得到标签y
i,i+k-1
对应的第i-n时刻到第i-1时刻的工艺特征序列为步骤4：构建熔池尺寸预测模型，包括：熔池感兴趣区域的提取模块、提取熔池图像特征的cnn模块、融合工艺特征与熔池特征的informer模块；步骤4.1：所述提取模块计算标签y
i,i+k-1
对应的第i-n时刻到第i-1时刻的熔池图像序列i
i-n,i-1
＝{i
i-n
,i
i-(n-1)
,
…
,i
i-1
}的熔池质心，并以熔池质心为中心在熔池图像序列i
i-n,i-1
中确定边长为l
×
h的矩形区域作为熔池感兴趣区域序列步骤4.2：所述cnn模块依次包含：两层卷积池化层以及一层全连接层；将第i-n时刻到第i-1时刻的熔池感兴趣区域序列输入cnn模块中进行处理，并获得标签y
i,i+k-1
对应的熔池图像特征序列其中，表示第i-1时刻的熔池感兴趣区域特征；步骤4.3：所述informer模块用于对和进行处理后，得到解码特征步骤4.4：解码特征通过一个全连接层后，输出预测的熔池尺寸序列步骤5：利用式(10)构建损失函数loss：式(10)中，为中的熔池长度序列的预测值、为中的熔池宽度序列的预测值，为中的熔池面积序列的预测值，λ为确定该损失项相对重要性的参数；利用梯度下降法对所述熔池尺寸预测模型进行训练，并计算所述总损失函数loss以更新模型参数，当所述总损失函数loss收敛时，得到训练后的熔池尺寸预测模型，用于对选区激光熔融过程中未来多个时刻的熔池尺寸进行实时预测。2.根据权利要求1所述的一种选区激光熔融过程中熔池尺寸的实时预测方法，其特征
在于，所述步骤2包括：步骤2.1：设置一个初始阈值，并对第i时刻熔池图像i
i
进行二值化处理，得到图像i
i
中的熔池边界；根据熔池边界得到熔池图像i
i
中的熔池宽度，并与实际扫描轨道的宽度进行对比，从而确定熔池边界的最优阈值；根据所述最优阈值对所有熔池图像进行二值化处理，得到每个熔池图像的最优熔池边界；步骤2.2：利用最小二乘法将所有最优熔池边界拟合成椭圆，并根据近红外高速摄像机的瞬时视场角，对椭圆的长轴长、短轴长、椭圆面积进行换算后，分别得到熔池的长度、宽度和面积，并作为熔池的尺寸。3.根据权利要求2所述的一种选区激光熔融过程中熔池尺寸的实时预测方法，其特征在于，所述步骤4.3中的informer模块包括：编码器模块、解码器模块；步骤4.3.1：所述编码器模块包括：预处理模块、多头概率稀疏自注意力机制模块和蒸馏模块；步骤a、所述预处理模块将标签y
i,i+k-1
对应的工艺特征序列进行归一化处理后，得到归一化后的工艺特征序列其中，表示第i-1时刻下归一化后的工艺特征；将与熔池图像特征序列拼接后得到融合特征序列并依次进行embedding操作和位置编码后，获得嵌入位置信息后的高维融合特征向量步骤b、所述多头概率稀疏自注意力机制模块对进行多头概率稀疏自注意力机制操作后，获得融入注意力机制的融合特征并与输入进行残差连接后再进行层正则化运算，最后输入到前馈神经网络中，并输出注意力模块特征步骤c、所述蒸馏模块在时间维度上对注意力模块特征进行一维卷积操作后，再利用elu激活函数进行非线性转换，然后进行最大池化操作，最终获得编码器输出的编码特征步骤4.3.2：将标签y
i,i+k-1
对应的第i-m时刻到第i-1时刻的融合特征序列和第i时刻到第i+k-1时刻的融合特征序列进行拼接后得到的特征并输入到所述解码器模块中，依次进行embedding操作、位置编码、掩码多头概率稀疏自注意力机制的处理后，再与编码特征一起进行多头注意力机制操作，最终获得解码器输出的解码特征4.一种电子设备，包括存储器以及处理器，其特征在于，所述存储器用于存储支持处理器执行权利要求1或2或3所述实时预测方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。5.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1或2或3所述实时预测方法的步骤。

技术总结
本发明公开了一种选区激光熔融过程熔池尺寸实时预测方法，其步骤包括：1、构建熔池图像数据集；2、通过对熔池图像进行处理，提取熔池的长度、宽度和面积；3、提取与激光功率、扫描速度、功率密度和扫描策略相关的工艺特征；4、构建基于CNN和informer的熔池尺寸预测模型；5、对模型进行训练。本发明能克服现有模型只能用于单道或多道平均熔池尺寸预测的缺陷，可对具有不同热历史的复杂扫描策略下的未来多个时刻的熔池尺寸进行较为准确的实时预测。时刻的熔池尺寸进行较为准确的实时预测。时刻的熔池尺寸进行较为准确的实时预测。


技术研发人员：朱锟鹏 王齐胜 施云高 陈红
受保护的技术使用者：中国科学院合肥物质科学研究院
技术研发日：2023.06.21
技术公布日：2023/9/20