基于SLM3D打印制品预测及优化方法及装置

技术领域

本发明涉及3D打印技术领域，具体涉及一种基于SLM3D打印制品预测及优化方法及装置。

背景技术

选区激光熔化(SLM)是一种典型的金属3D打印技术，可以将金属粉末完全融化并逐层堆积成形，制造出具有复杂形状和高性能的金属零件。SLM技术在汽车、医疗、航空航天、模具等领域有着广泛的应用前景。然而，SLM3D打印由于材料种类、粉末质量、工艺参数等因素的影响，常常会形成各种缺陷。缺陷的存在会降低打印件的密度、强度、韧性、耐磨性等性能，甚至导致打印件的失效或断裂。

传统的解决SLM3D打印缺陷的方法主要有以下几种：(1)有损检测。利用光学、电子显微镜等技术，对打印后的零件切割，进行缺陷观察，根据缺陷情况调整工艺。该方法可以直观地观察到缺陷信息。但是，该方法只能事后通过破坏打印件进行检测，造成浪费，而且检测效率低、费用高、分辨率有限、准确度无法保证等。(2)无损检测。利用X射线或超声波等技术，对打印后的零件进行缺陷检测，根据缺陷信息进行修复或报废。该方法可以直观地获取缺陷信息，从而提高检测效率和准确度。但是，该方法只能事后检测，打印失败会造成大量浪费，而且设备昂贵、费用高、检测分辨率有限、检测深度受限等。(3)数值模拟。利用有限元分析、分子动力学、蒙特卡罗模拟等数值模拟技术，对SLM打印过程中的温度场、应力场、相变等物理现象进行模拟，从而预测缺陷的位置、形状和大小。该方法可以在打印前进行缺陷预测，从而优化打印参数和扫描策略，减少缺陷产生。但是，该方法只能针对特定条件进行仿真，每次条件变更都要重新模拟，而且建模复杂、计算量大、计算时间长、参数难以确定导致模拟结果准确性差等。

综上所述，这些预测和解决SLM3D打印缺陷的方法均存在明显不足，需要进一步改进和优化。

发明内容

针对上述问题，本发明的一个目的是提供一种基于SLM3D打印制品预测及优化方法。

本发明的第二个目的是提供一种基于SLM3D打印制品预测及优化装置。

本发明所采用的第一个技术方案是：S1、获取SLM3D打印数据并构建SLM3D打印数据集；S2、利用所述SLM3D打印数据集对算法进行训练，得到深度关联模型；S3、更新所述SLM3D打印数据集并对所述深度关联模型进行验证和优化；S4、接收任务信息并进行分析，得到分析结果；S5、通过所述分析结果，确认任务属性；S6、根据所述任务属性，利用所述深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。

可选的，所述S2包括：S21、对所述数据集中的缺陷数据进行识别和标注；S22、对深度学习算法进行训练，得到SLM3D打印材料数据和工艺数据与缺陷数据和制品性能数据之间的所述深度关联模型。

可选的，所述S5包括：S51、通过所述分析结果判断所述任务属性为A属性或B属性，其中，所述A属性为根据性能优化工艺，所述B属性为根据工艺优化性能，其中，所述根据工艺优化性能包括根据工艺预测性能。

可选的，所述S6包括：S61A、若判断所述任务属性为A属性；S62A、根据用户输入的所述材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据，生成筛选后工艺数据和筛选后性能数据；S63A、将所述材料数据、所述筛选后工艺数据、所述缺陷数据和所述筛选后性能数据输入所述深度关联模型，生成优化后工艺及优化后工艺条件下的制品性能；S64A、输出所述优化后工艺及优化后工艺条件下的制品性能。

可选的，所述S6还包括：S61B、若判断所述任务属性为B属性；S62B、根据所述任务信息中的所述材料数据、所述工艺数据预测制品缺陷和制品性能信息；S63B、将所述材料数据、所述工艺数据输入所述深度关联模型，生成对应的缺陷数据和图像，并给出对应的制品性能；S64B、弹出提示用户是否继续优化；S65B、接收响应信息；S66B、若所述响应信息为需要，则跳转执行S61A；S67B、若所述响应信息为不需要，则结束进程。

本发明所采用的第二个技术方案是：数据获取模块，获取SLM3D打印数据并构建SLM3D打印数据集；训练模块，利用所述SLM3D打印数据集对算法进行训练，得到深度关联模型；更新模块，更新所述SLM3D打印数据集并对所述深度关联模型进行验证和优化；分析模块，接收任务信息并进行分析，得到分析结果；任务属性确认模块，通过所述分析结果，确认任务属性；优化模块，根据所述任务属性，利用所述深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。

可选的，所述训练模块还包括：检测模块，对所述数据集中的缺陷数据进行识别和标注；训练子模块，对深度学习算法进行训练，得到所述SLM3D打印材料数据、所述工艺数据、所述缺陷数据、所述制品性能数据之间的所述深度关联模型。

可选的，所述任务属性确认模块还包括：判断模块，通过所述分析结果判断所述任务属性为A属性或B属性，其中，所述A属性为根据性能优化工艺，所述B属性为根据工艺优化性能，其中，所述根据工艺优化性能包括根据工艺预测性能。

可选的，所述优化模块还包括：A属性确认模块，若判断所述任务属性为A属性；筛选模块，根据用户输入的所述材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据，生成筛选后工艺数据和筛选后性能数据；优化子模块，将所述任务信息中的材料数据、所述筛选后工艺数据、所述缺陷数据和所述筛选后性能数据筛选后性能数据输入所述深度关联模型，模型生成优化后工艺及优化后工艺条件下的制品性能；输出模块，输出所述优化后工艺及优化后工艺条件下的制品性能。

可选的，所述优化模块还包括：B属性确认模块，若判断所述任务属性为B属性；预测模块，根据所述任务信息中的所述材料数据、所述工艺数据预测制品缺陷和制品性能信息；缺陷生成模块，将所述材料数据、所述工艺数据输入所述深度关联模型，生成对应的缺陷数据和图像，并给出对应的制品性能；弹窗模块，弹出提示用户是否继续优化；响应模块，接收响应信息；跳转模块，若所述响应信息为需要，则跳转执行A属性确认模块；结束模块，若所述响应信息为不需要，则结束进程。

上述技术方案的有益效果：

(1)应用效果好，使用深度学习扩充数据库计算，提高准确率，一次应用的缺陷检测准确率和性能优化率就可以达到95％以上，满足高端金属3D打印需求。

(2)应用效率高，缺陷检测和性能优化每次所需时间短。

(3)材料有效使用率高，经过算法优化，本发明的材料有效使用率95-100％。

(4)兼容度高，能够灵活适应不同的材料、设计、设备和工艺参数等变化不需要重新评估。

(5)对打印进行预测和打印前工艺优化，避免了打印质量的不合格、打印工艺的反复调试及由此造成的巨大浪费，大大提高了效率，降低了成本。

附图说明

图1为本发明的一个实施例提供的基于SLM3D打印制品预测及优化方法流程图；

图2为图1提供的步骤S6流程图A；

图3为图1提供的步骤S6流程图B；

图4为本发明的一个实施例提供的基于SLM3D打印制品预测及优化装置结构示意图；

图5为图4提供的优化模块结构示意图A；

图6为图4提供的优化模块结构示意图B；

图7(a)为缺陷数据的表面形貌图一a；

图7(b)为缺陷数据的表面形貌图一b；

图7(c)为缺陷数据的表面形貌图一c；

图7(d)为缺陷数据的表面形貌图一d；

图7(e)为缺陷数据的表面形貌图一e；

图8(a)为缺陷数据的表面形貌图二a；

图8(b)为缺陷数据的表面形貌图二b；

图8(c)为缺陷数据的表面形貌图二c；

图8(d)为缺陷数据的表面形貌图二d；

图8(e)为缺陷数据的表面形貌图二e；

图9(a)为缺陷数据的致密度和孔洞型缺陷图一a；

图9(b)为缺陷数据的致密度和孔洞型缺陷图一b；

图9(c)为缺陷数据的致密度和孔洞型缺陷图一c；

图9(d)为缺陷数据的致密度和孔洞型缺陷图一d；

图9(e)为缺陷数据的致密度和孔洞型缺陷图一e；

图10(a)为缺陷数据的致密度和孔洞型缺陷图二a；

图10(b)为缺陷数据的致密度和孔洞型缺陷图二b；

图10(c)为缺陷数据的致密度和孔洞型缺陷图二c；

图10(d)为缺陷数据的致密度和孔洞型缺陷图二d；

图10(e)为缺陷数据的致密度和孔洞型缺陷图二e；

图11为缺陷图像中的孔洞型缺陷的三维分布图。

具体实施方式

下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本发明的原理，但不能用来限制本发明的范围，即本发明不限于所描述的优选实施例，本发明的范围由权利要求书限定。

在本发明的描述中，需要说明的是，除非另有说明，“多个”的含义是两个或两个以上；术语“第一”“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性；对于本领域的普通技术人员而言，可视具体情况理解上述术语在本发明中的具体含义。

实施例一

本发明的一个实施例提供了一种基于SLM3D打印制品预测及优化方法，如图1所示，包括获取SLM3D打印数据集，利用所述SLM3D打印数据集对算法进行训练，得到深度关联模型，更新所述SLM3D打印数据集并对所述深度关联模型进行验证和优化，接收任务信息并进行分析，得到分析结果，通过所述分析结果，确认任务属性，根据所述任务属性，利用所述深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。

S1、获取SLM3D打印数据并构建SLM3D打印数据集。

收集SLM3D打印材料、工艺及相应的缺陷和制品性能等数据，获得多元融合的SLM3D打印数据集。

需要说明的是，材料数据包括但不限于材料种类、牌号、粉末球度、粉末粒径大小及分布，工艺数据包括但不限于激光功率、光斑大小、扫描速率、扫描间距、铺粉层厚；缺陷数据包括但不限于表面缺陷、尺寸偏差、微观组织缺陷、孔隙率、孔洞型缺陷的大小和分布、裂纹的大小及分布、球化的程度和分布、夹杂的大小及分布；制品性能数据包括但不限于弹性模量、屈服强度、抗拉强度、延伸率、弯曲模量、弯曲强度、冲击韧性、硬度、摩擦系数；多元融合的SLM3D打印数据集包括但不限于数据、表格、曲线、光学图像、SEM图像、TEM图像、CT图像、基于CT的三维图像、动画、视频。

S2、利用所述SLM3D打印数据集对算法进行训练，得到深度关联模型。

S21、对所述数据集中的缺陷数据进行识别和标注。

对数据集中的缺陷通过识别和标注来进行检测，确认缺陷的种类、形态、尺寸和数量等数据。

S22、对深度学习算法进行训练，得到所述SLM3D打印材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据之间的所述深度关联模型。

运用数据集对深度学习算法进行训练，得到关于材料、工艺与缺陷、性能之间的深度关联模型。

深度学习算法为CNN、YOLO、OpenCV和DET2中的一种或多种的组合；所述的关于材料、工艺与缺陷、性能之间的深度关联模型，其参数数量大于10万个，各个参数的具体数值通过运用第S10步收集的数据集进行训练确定。

S3、更新所述SLM3D打印数据集并对所述深度关联模型进行验证和优化。

通过不断加入新的数据，对模型进行验证和改进。

进一步的，数据来源可以通过用户使用过程中输入的信息，在经过用户允许后进行收集，起到数据扩充和模型改进的作用。

S4、接收任务信息并进行分析，得到分析结果。

任务信息为用户使用时输入的材料信息，对输入的材料信息进行分析。确认数据，方便后续划分任务属性。

S5、通过所述分析结果，确认任务属性。

S51、通过所述分析结果判断所述任务属性为A属性或B属性，其中，所述A属性为根据性能优化工艺，所述B属性为根据工艺预测性能。

按照不同的材料数据需求，将材料进行划分，节省优化时间，提高效率。

S6、根据所述任务属性，利用所述深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。

S61A、若判断所述任务属性为A属性；

S62A、根据用户输入的所述材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据，生成筛选后工艺数据和筛选后性能数据。

将所述任务信息中的所述材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据，根据SLM3D打印数据集中信息进行合理性筛选，当筛选出不合理的信息，提示用户进行校验和确认。

需要说明的是，上述不合理信息包括材料写错或者数据输入错误等。

还需要说明的是，即便系统筛选出不合理信息用户也可以选择不－更改而直接确认。

S63A、将所述材料数据、所述筛选后工艺数据、所述缺陷数据和所述筛选后性能数据输入所述深度关联模型，生成优化后工艺及优化后工艺条件下的制品性能。

其中，任务信息的获取方式包括，用户通过终端向模型上传、导入、键入、手写写入、语音写入。

缺陷图像是缺陷数据的光学图像、光学显微图像、扫描电子显微图像、透射电子显微图像、CT图像、基于CT的三维图像、动画、视频。

S64A、输出所述优化后工艺及优化后工艺条件下的制品性能。

优化后工艺，是模型经过运算筛选出的关于输入材料SLM3D打印缺陷最少、性能最优的工艺。

S61B、若判断所述任务属性为B属性；

S62B、根据所述任务信息中的所述材料数据、所述工艺数据预测制品缺陷和制品性能信息。

其中，任务信息的获取方式包括，用户通过终端向模型上传、导入、键入、手写写入、语音写入。

S63B、将所述材料数据、所述工艺数据输入所述深度关联模型，生成对应的缺陷数据和图像，并给出对应的制品性能。

S64B、弹出提示用户是否继续优化。

S65B、接收响应信息。

响应信息为用户选择需要或者不需要的返回信号。

S66B、若所述响应信息为需要，则跳转执行S61A。

S67B、若所述响应信息为不需要，则结束进程。

本实施例为一种基于SLM3D打印制品预测及优化方法，通过获取SLM3D打印数据并构建SLM3D打印数据集，利用SLM3D打印数据集对算法进行训练，得到深度关联模型，更新SLM3D打印数据集并对深度关联模型进行验证和优化，接收任务信息并进行分析，得到分析结果，通过分析结果，确认任务属性，根据任务属性，利用深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。本发明不仅可以根据用户输入的材料和工艺等数据预测缺陷情况和制品性能，还可以根据用户输入的材料、缺陷和性能等数据推荐优化后工艺、获得优化后制品性能，应用效果好，一次应用的缺陷检测准确率和性能优化率就可以达到95％以上，满足高端金属3D打印需求。应用效率高，缺陷检测和性能优化每次所需时间少于1分钟。材料有效使用率高，本发明的材料有效使用率95－100％，而传统方法只有20－50％，浪费严重；适应能力强，能够灵活适应不同的材料、设计、设备和工艺参数等变化，而传统方法针对不同设计、材料、设备和工艺参数等情况需要重新评估。本发明不仅可以根据用户输入的材料和工艺等数据预测缺陷情况和制品性能，还可以根据用户输入的材料、缺陷和性能等数据推荐优化后工艺、获得最优制品性能，使3D打印真正成为“智能”制造技术，避免了打印质量的不合格、打印工艺的反复调试及由此造成的巨大浪费，大大提高了效率，降低了成本。

实施例二

本发明的一个实施例提供了一种基于SLM3D打印制品预测及优化装置200，如图4所示，包括：

数据获取模块201，获取SLM3D打印数据并构建SLM3D打印数据集；

训练模块202，利用所述SLM3D打印数据集对算法进行训练，得到深度关联模型；

更新模块203，更新所述SLM3D打印数据集并对所述深度关联模型进行验证和优化；

分析模块204，接收任务信息并进行分析，得到分析结果；

任务属性确认模块205，通过所述分析结果，确认任务属性；

优化模块206，根据所述任务属性，利用所述深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。

进一步的，训练模块202还包括：

检测模块2021，对所述数据集中的缺陷数据进行识别和标注；

训练子模块2022，对深度学习算法进行训练，得到所述SLM3D打印材料数据、所述工艺数据、所述缺陷数据、所述制品性能数据之间的所述深度关联模型。

进一步的，任务属性确认模块205还包括：

判断模块2051，通过所述分析结果判断所述任务属性为A属性或B属性，其中，所述A属性为根据性能优化工艺，所述B属性为根据工艺预测性能。

进一步的，如图5所示，优化模块206包括：

A属性确认模块2061A，若判断所述任务属性为A属性；

筛选模块，根据用户输入的所述材料数据、所述工艺数据、所述缺陷数据和所述制品性能数据，生成筛选后工艺数据和筛选后性能数据；

优化子模块2062A，将所述任务信息中的材料数据、所述筛选后工艺数据、所述缺陷数据和所述筛选后性能数据输入所述深度关联模型，模型生成优化后工艺及优化后工艺条件下的制品性能；

输出模块2063A，输出所述优化后工艺及优化后工艺条件下的制品性能。

进一步的，如图6所示，优化模块206还包括：

B属性确认模块2061B，若判断所述任务属性为B属性；

预测模块2062B，根据所述任务信息中的所述材料数据、所述工艺数据预测制品缺陷和制品性能信息；

缺陷生成模块2063B，将所述材料数据、所述工艺数据输入所述深度关联模型，生成对应的缺陷数据和图像，并给出对应的制品性能；

弹窗模块2064B，弹出提示用户是否继续优化；

响应模块2065B，接收响应信息；

跳转模块2066B，若所述响应信息为需要，则跳转执行A属性确认模块；

结束模块2067B，若所述响应信息为不需要，则结束进程。

本实施例为一种基于SLM3D打印制品预测及优化装置，通过获取SLM3D打印数据并构建SLM3D打印数据集，利用SLM3D打印数据集对算法进行训练，得到深度关联模型，更新SLM3D打印数据集并对深度关联模型进行验证和优化，接收任务信息并进行分析，得到分析结果，通过分析结果，确认任务属性，根据任务属性，利用深度关联模型执行预测或/和优化，得到预测结果或/和优化后方案。本发明不仅可以根据用户输入的材料和工艺等数据预测缺陷情况和制品性能，还可以根据用户输入的材料、缺陷和性能等数据推荐优化后工艺、获得优化后制品性能，避免了打印质量的不合格、打印工艺的反复调试及由此造成的巨大浪费，大大提高了效率，降低了成本。

实施例三

a)收集SLM3D打印15－5PH不锈钢材料、对应工艺及相应孔洞型缺陷和制品性能数据，获得15－5PH不锈钢SLM3D打印孔洞型数据集，其中孔洞型缺陷的OM和SEM图片共计8527张，性能数据5389条；

b)对数据集中的孔洞型缺陷进行识别和标注，运用数据集对深度学习算法进行训练，得到关于15－5PH不锈钢SLM3D打印工艺与孔洞型缺陷及制品性能之间的深度关联模型，加入新的数据(孔洞型缺陷的OM和SEM图片共计2000张，性能数据1349条)作为验证集对模型进行验证和改进；

c)根据提示，输入：

材料数据：15－5PH不锈钢，球形度为96％，氧含量380ppm，粉末的粒径分布情况为D10：17.98μm；D50：30.58μm；D90：51.56μm，粉末粒径尺寸在15～45μm间的比例为93.50％。

缺陷数据：孔隙率为10.7％。

d)模型创造性地生成优化后工艺及优化后工艺条件下的制品性能：

优化后工艺：在预热至80℃的316L不锈钢基板上打印，激光功率160W，激光光斑直径60μm，扫描速度0.9m/s，扫描间距65μm，铺粉层厚35μm，扫描策略为Z字形，每层打印结束后激光扫描方向旋转66.7°再进行下一层打印，打印腔室氩气保护，并控制氧含量低于200ppm。

优化后工艺条件下的制品性能：致密度接近100％，平均晶粒尺寸4μm，弹性模量190GPa，抗拉强度1250MPa，屈服强度1050MPa，延伸率20％，硬度为340HV。

e)本实施例的缺陷检测准确率99.5％，缺陷检测所需时间0.008秒，性能优化率99.6％，性能优化时间0.002s，材料有效使用率99.8％。

实施例2：

a)收集SLM3D打印AlSi10Mg铝合金材料、对应工艺及相应的球化缺陷、孔洞型缺陷和制品性能数据，获得AlSi10Mg铝合金材料SLM3D打印缺陷数据集，其中球化缺陷、孔洞型缺陷的OM和SEM图片共计4651张，性能数据3995条；

b)对数据集中的球化缺陷、孔洞型缺陷进行识别和标注，运用数据集对深度学习算法进行训练，得到关于AlSi10Mg铝合金材料SLM3D打印工艺与缺陷及制品性能之间的深度关联模型，加入新的数据(缺陷的OM和SEM图片共计1500张，性能数据1649条)作为验证集对模型进行验证和改进；

c)根据提示，输入：

材料数据：AlSi10Mg铝合金，球形度为95％，氧含量208ppm，粉末的粒径分布情况为D10：17.17μm；D50：31.83μm；D90：56.94μm，粉末粒径尺寸在15～53μm间的比例为97.30％。

缺陷数据：

激光功率200W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图7(a)；

激光功率180W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图7(b)；

激光功率160W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图7(c)；

激光功率140W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图7(d)；

激光功率120W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图7(e)；

激光功率200W，激光光斑直径60μm，扫描速度0.6m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图8(a)；

激光功率200W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图8(b)；

激光功率200W，激光光斑直径60μm，扫描速度1.0m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图8(c)；

激光功率200W，激光光斑直径60μm，扫描速度1.2m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图8(d)；

激光功率200W，激光光斑直径60μm，扫描速度1.4m/s，扫描间距70μm，铺粉层厚30μm的表面形貌图8(e)；

激光功率200W，激光光斑直径60μm，扫描速度0.6m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图9(a)；

激光功率200W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图9(b)；

激光功率200W，激光光斑直径60μm，扫描速度1.0m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图9(c)；

激光功率200W，激光光斑直径60μm，扫描速度1.2m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图9(d)；

激光功率200W，激光光斑直径60μm，扫描速度1.4m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图9(e)；

激光功率200W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图10(a)；

激光功率180W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图10(b)；

激光功率160W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图10(c)；

激光功率140W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图10(d)；

激光功率120W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚30μm的致密度和孔洞型缺陷图10(e)；

d)模型创造性地生成优化后工艺及优化后工艺条件下的制品性能：

优化后工艺：在预热至100℃的6061铝合金基板上打印，激光功率180W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚35μm，扫描策略为Z字形，每层打印结束后激光扫描方向旋转66.7°再进行下一层打印，打印腔室氩气保护，并控制氧含量低于200ppm。

优化后工艺条件下的制品性能：致密度接近100％，平均晶粒尺寸11.5μm，弹性模量70GPa，抗拉强度480MPa，屈服强度330MPa，延伸率12％，硬度为125HV。

e)本实施例的缺陷检测准确率98.2％，缺陷检测所需时间0.021秒，性能优化率98.9％，性能优化时间0.005s，材料有效使用率99.5％。

实施例3：

a)收集SLM3D打印不锈钢、模具钢、铝合金、钛合金、高温合金等材料、工艺及相应的缺陷和制品性能数据，获得多元融合的SLM3D打印数据集；

b)对数据集中的缺陷进行识别和标注，运用数据集对深度学习算法进行训练，得到关于材料、工艺与缺陷、性能之间的深度关联模型，通过不断加入新的数据，对模型进行验证和改进；

c)根据提示，输入：

材料数据：P20模具钢，球形度为96％，氧含量240ppm，粉末的粒径分布情况为D10：18.70μm；D50：32.46μm；D90：54.34μm，粉末粒径尺寸在15～45μm间的比例为88.83％。

工艺数据：在预热至80℃的316L不锈钢基板上打印，激光功率150W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距80μm，铺粉层厚30μm，扫描策略为Z字形，每层打印结束后激光扫描方向旋转66.7°再进行下一层打印，打印腔室氩气保护，氧含量低于300ppm。

d)模型创造性地生成对应的缺陷数据和图像，并给出对应的制品性能：

缺陷数据：孔隙率0.7％

缺陷图像：孔洞型缺陷的三维分布图如图6所示。

制品性能：致密度接近99.3％，平均晶粒尺寸5μm，弹性模量190GPa，抗拉强度1080MPa，屈服强度920MPa，延伸率5％，硬度为55HRC。

e)根据提示，是否需要继续优化，继续优化。模型创造性地生成优化后工艺及优化后工艺条件下的制品性能：

优化后工艺：在预热至80℃的316L不锈钢基板上打印，激光功率160W，激光光斑直径60μm，扫描速度0.8m/s，扫描间距70μm，铺粉层厚35μm，扫描策略为Z字形，每层打印结束后激光扫描方向旋转66.7°再进行下一层打印，打印腔室氩气保护，并控制氧含量低于200ppm。

优化后工艺条件下的制品性能：致密度接近100％，平均晶粒尺寸5μm，弹性模量190GPa，抗拉强度1200MPa，屈服强度1120MPa，延伸率6％，硬度为56HRC。

f)本实施例的缺陷检测准确率99.7％，缺陷检测所需时间0.013秒，性能优化率99.2％，性能优化时间0.004s，材料有效使用率99.4％。

将以上不同实施例的参数列于表1中，主要参数包括缺陷检测准确率、缺陷检测所需时间、性能优化率、性能优化时间、材料有效使用率等。

表1实施例的参数

以上实施例中均未涉及热处理环节，若对打印件进行适当热处理，可以得到更好的性能。以上实施例中图片中的文字、编号和标示不影响缺陷的检测，算法在识别时会自动过滤。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。