高级检索

基于开源切片路径规划的机器人电弧增材制造系统

洪恩航, 刘美红, 黎振华

洪恩航, 刘美红, 黎振华. 基于开源切片路径规划的机器人电弧增材制造系统[J]. 焊接学报, 2021, 42(11): 65-69. DOI: 10.12073/j.hjxb.20210312004
引用本文: 洪恩航, 刘美红, 黎振华. 基于开源切片路径规划的机器人电弧增材制造系统[J]. 焊接学报, 2021, 42(11): 65-69. DOI: 10.12073/j.hjxb.20210312004
HONG Enhang, LIU Meihong, LI Zhenhua. Development of wire arc additive manufacturing robotic system based on open source slicing software for path planning[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2021, 42(11): 65-69. DOI: 10.12073/j.hjxb.20210312004
Citation: HONG Enhang, LIU Meihong, LI Zhenhua. Development of wire arc additive manufacturing robotic system based on open source slicing software for path planning[J]. TRANSACTIONS OF THE CHINA WELDING INSTITUTION, 2021, 42(11): 65-69. DOI: 10.12073/j.hjxb.20210312004

基于开源切片路径规划的机器人电弧增材制造系统

基金项目: 国家自然科学基金资助项目(51961017);云南省基础研究重点项目(202101AS070017);云南省重点研发计划(202103AN080001-002).
详细信息
    作者简介:

    洪恩航,硕士研究生;主要研究方向为电弧增材制造;Email:3188966132@qq.com.

    通讯作者:

    黎振华,博士,教授,博士研究生导师;Email:lzhkust@sina.com.

  • 中图分类号: TG 444 + .74

Development of wire arc additive manufacturing robotic system based on open source slicing software for path planning

  • 摘要: 为提高电弧增材制造的灵活性和路径规划可靠性,使用ABB IRB1410工业机器人和Fronius CMT TPS3200焊接电源,通过Python自主编程利用开源切片软件Cura,成功搭建了电弧增材制造系统,自主开发了电弧增材制造软件,并进行了4043铝合金电弧增材成形. 结果表明,自主开发的电弧增材软件能够读取开源切片软件Cura输出的二维路径数据,并进行转换和输入工业机器人,控制焊枪运行路径和焊接电源运行参数,有效实现电弧增材制造. 使用直径1.2 mm的4043铝合金焊丝,在送丝速度为3.2 m/min、焊接速度8 mm/s、层高1.65 mm、氩气保护气体流量15 L/min条件下,分别成功制备71层单道多层试样和58层单道多层壳体零件. 试样微观组织分析结果表明,成形件凝固组织为典型柱状晶,层与层之间搭接良好. 壳体零件形状完整、表面质量良好.
    Abstract: In order to improve the flexibility and path planning reliability of arc additive manufacturing, a novel arc additive manufacturing system was developed using Python based on open source slicing software Cura, with the platform of ABB IRB1410 industrial robot and Fronius CMT TPS3200 welding power supply. And 4043 aluminum alloy parts were fabricated by the system successfully. The results showed that the self developed software was reliable to read the two-dimensional path data output by the open source slicing software Cura, and convert it to identifiable controlling data of the robot. It can transfer the controlling data to the robot and control the movement of the welding torch and the operation of the welding power supply, thereby performing the wire arc additive manufacturing. A 71 layers straight wall sample and a 58 layers complex shell part were fabricated by the system with a wire of 1.2 mm diameter under the conditions of 3.2 m/min wire feeding speed, 8 mm/s welding speed, 1.65 mm layer height and 15 L/mm argon shielding gas flow rate. The results showed that solidification microstructure of the fabricated sample was a typical columnar crystal with the fine condition of overlapping between layers, and the complex shell part was complete shaped with good surface quality.
  • 自冲铆(self-piercing riveting, SPR)是一种针对薄板材料的新型机械变形连接技术.连接工艺过程中,作为连接元件的半空心铆钉在高速运行的冲头推动作用下刺入板材,铆钉脚端部产生径向扩张;同时,在底模(通常为弧形凸模或平模)的引导下,被连接材料发生大塑性变形,最终与铆钉形成紧密的机械内锁结构.自冲铆连接具有工艺过程简单、高效、材料适应性广等特点,近年来在航空航天、汽车和家电等轻量化制造领域,成为具有代表性的一种“绿色”机械变形连接技术[1-4].然而,自冲铆连接面对强度较高、塑性相对较差的材料,如7075铝合金板材、铸铝等,连接时形成的机械内锁区容易出现裂纹缺陷,导致结构体的力学性能和抗腐蚀性能下降[5].

    针对这一问题,国内外学者提出了不同的解决方案.一方面,通过材料处理的方法,提升基板的延展性,从而改善自冲铆接头的成形质量.Ying等人[6]研究了准静态加载条件下AA7075-T6铝合金板材热自冲铆接的连接质量,通过将铆接温度提高到400 ℃,可以大大提高T-SPR对AA7075-T6铝合金的连接质量.Durandet[7]和Easton[8]等人提出激光-自冲铆接复合工艺,在自冲铆接之前通过激光对镁合金预加热以改善其延展性.Jäckel等人[9]利用底模直径为10 mm、底模深度为1.5 mm的球形模具对6016和7075铝合金进行局部加热并进行自冲铆接,有效地避免了裂纹的产生.另一方面,通过优化底(凹)模结构,降低材料形变过程中局部应力集中.Ma等人[10]探究不同工艺参数对异种板材自冲铆接性能的影响规律,为获得较好的接头强度和避免接头底部开裂可选取较软和较长的铆钉,且模具与铆钉体积比大于1.0的组合.Drossel等人[11]通过优化模具形状且降低模具深度可避免铆接裂纹的产生,但模具深度降低会带来内锁长度过低,并且接头底部也会有裂纹产生.Neuser等人[12]通过减小底模深度,解决了6014铝合金和铸铝在自冲铆接过程中的裂纹问题.Mori等人[13]通过有限元模拟优化了模具的形状,成功将超高强度钢板与铝合金板接合在一起.Li等人[14]研究了模具轮廓对接头质量的影响,具有深角和尖角的模具会使某些材料产生严重的裂纹.

    文中提出了一种基于球形底模的自冲铆连接工艺;同时,针对延展性相对较低的7075铝合金,应用响应面法建立自冲铆接头失效载荷和能量吸收值的多元回归模型,以探究自冲铆成形过程中各影响因素及其交互作用对力学性能的影响规律.

    图1为所选用的自冲铆接试验设备,铆接对象为高强度7075-T6铝合金,铆钉管腿内径为3.5 mm,外径为5.3 mm,硬度均为H4(330 HV)的半空心铆钉.预试验分析后发现使用传统底膜均有裂纹产生(图2),选用底模深度为1 mm,直径为10 mm的球形模具没有裂纹产生,其实物图、截面尺寸和成形接头底部如图3所示. 采用不同底模和相同铆接参数成形的接头强度数据对比如图4所示. 7075-T6铝合金板材的力学性能如表1所示.被连接板材的厚度为1.5 mm + 2 mm,试件尺寸均为110 mm × 20 mm,采用单搭铆接,搭接区域为20 mm × 20 mm,试件几何形状和尺寸如图5所示.

    图  1  自冲铆接设备
    Figure  1.  Self-piercing riveting equipment
    图  2  传统底模的实物图、截面尺寸和成形接头底部(mm)
    Figure  2.  Dies, sectional dimensions, and the bottom of the joints formed with conventional dies. (a) pip die; (b) flat die
    图  3  球形底模实物图、截面尺寸和成形接头底部(mm)
    Figure  3.  Dies, sectional dimensions, and the bottom of the joint formed with ball-shaped die
    图  4  不同模具成形的接头强度数据对比
    Figure  4.  Comparison of joint strength data formed with different dies
    表  1  7075-T6铝合金力学性能参数
    Table  1.  Mechanical property parameters of 7075-T6 aluminium alloy
    材料弹性模量E/GPa屈服强度ReL/MPa抗拉强度Rm/MPa断后伸长率A(%)
    7075-T67132543013
    下载: 导出CSV 
    | 显示表格
    图  5  自冲铆接接头搭接示意图 (mm)
    Figure  5.  Schematic diagram of self-piercing riveting joint lap

    BBD法是通过试验设计并借助试验得到一定的试验数据,采用多元回归方程建立响应值与输入变量之间的函数关系式,通过分析变量与响应值之间的变化趋势,从而进行工艺调控与参数预测. 文中分别以自冲铆接头的失效载荷、能量吸收值为响应值,以铆钉长度、冲头速度和冲头行程为影响因素,利用Box-Behnken试验设计中的三因素三水平试验设计方法,试验因素水平设计如表2所示,利用Design Expert10.0.1软件得到表3中的BBD试验组合.为减小误差,每组试件制备四个,取其中任意一个进行实际剖切,测量内锁长度、残余底厚等机械内锁结构尺寸,其余三个在MTSlandmark100材料试验机上进行拉伸速率为5 mm/min的拉伸-剪切试验(图6),以探究各工艺参数对接头静力学性能的影响.考虑到试件两端未在同一水平面上,因此在两端夹持与试件等厚的垫片来消除扭矩.

    表  2  三因素三水平设计表
    Table  2.  Design table of three factors and levels
    影响因素因子水平
    −101
    铆钉长度L/mm55.56
    冲头速度V/(mm·s−1)204060
    冲头行程D/mm646566
    下载: 导出CSV 
    | 显示表格
    表  3  自冲铆接头拉伸试验结果
    Table  3.  Tensile test results of self-piercing riveting joints
    组数铆钉长度L/mm冲头速度V/(mm·s−1)冲头行程D/mm失效载荷F/N能量吸收值W/J
    1540664667.6144.673
    25.540655286.16011.845
    3640645259.39419.826
    4520654395.8524.320
    55.540655386.50511.941
    6640665232.43416.000
    7560654196.8943.955
    85.520644600.11611.527
    95.520665381.42810.946
    105.540655218.26410.174
    115.560665390.00714.960
    125.560644895.33314.012
    13660655064.89517.496
    14540644376.3585.617
    15620655353.07520.230
    下载: 导出CSV 
    | 显示表格
    图  6  静力学试验拉伸设备
    Figure  6.  Static test tensile equipment

    通过对试验数据采用多元二次回归方程拟合,剔除显著性较低项,优化后得到接头的失效载荷和能量吸收值的响应面回归模型如式(1)、式(2)所示,并通过方差分析对模型显著性进行检验,$P$值反映模型中各因素的显著性,当$P < 0.01$时,认为该因素高度显著;当$0.01 < P < 0.05$时,则该因素显著,并根据各因素$P$值进行模型优化.

    失效载荷模型:

    $$ \begin{split} {y_1} = &- 122\;626 + 27\;077.652\;69{x_1} + 279.406\;62{x_2} +\\& 1\;210.958\;75{x_3} - 2.230\;55{x_1}{x_2} - 159.110\;00{x_1}{x_3} - \\& 3.582\;97{x_2}{x_3} - 1\;438.910\;15x_1^2 - 0.442\;39x_2^2 \end{split} $$ (1)

    能量吸收值模型:

    $$\begin{split} {y_2} =& - 639.685\;84 + 139.968\;68{x_1} + 0.346\;99{x_2} + \\& 7.375\;13{x_3} - 0.059\;225{x_1}{x_2} - 1.441\;00{x_1}{x_3} - \\& 2.744\;36x_1^2 \end{split} $$ (2)

    式中:${y_1}$、${y_2}$为响应值,分别表示失效载荷和能量吸收值,${x_1}$、${x_2}$、${x_3}$为输入变量,分别表示铆钉长度、冲头速度和冲头行程.其中失效载荷是评价构件抵抗外力破坏能力最直接的手段,也是评价自冲铆接头质量的重要衡量指标.由表4单因素方差分析可知,失效载荷和能量吸收值均受铆钉长度的影响最为显著,冲头行程次之,冲头速度影响最弱.各组铆接接头对应的载荷—位移曲线和截面如图7图8所示.

    表  4  方差分析表
    Table  4.  Analysis of variance table
    响应值项目平方和自由度均方误差F值P值显著性
    失效载荷模型2.254 × 10682.817 × 1056.830.0154显著
    $ {x}_{1} $1.339 × 10611.339 × 10632.490.0013
    $ {x}_{2} $4.202 × 10314.202 × 1030.100.7603
    $ {x}_{3} $2.966 × 10512.966 × 1057.190.0364
    $ {x}_{1}{x}_{2} $1.990 × 10311.990 × 1030.050.8334
    $ {x}_{1}{x}_{3} $2.532 × 10412.532 × 1040.610.4630
    $ {x}_{2}{x}_{3} $2.054 × 10412.054 × 1040.500.5067
    $ {x}_{1}^{2} $4.806 × 10514.806 × 10511.660.0142
    $ {x}_{2}^{2} $1.163 × 10511.163 × 1052.820.1440
    失拟项2.330 × 10545.825 × 1048.130.1125不显著
    能量吸收值模型387.05664.5122.090.0001显著
    $ {x}_{1} $377.951377.95129.42<0.0001
    $ {x}_{2} $1.4411.440.490.5017
    $ {x}_{3} $2.4212.420.830.3890
    $ {x}_{1}{x}_{2} $1.4011.400.480.5078
    $ {x}_{1}{x}_{3} $2.0812.080.710.4236
    $ {x}_{1}^{2} $1.7611.760.600.4602
    失拟项21.3963.563.610.2327不显著
    下载: 导出CSV 
    | 显示表格
    图  7  各组接头载荷—位移曲线
    Figure  7.  Load-displacement curve of each group joints
    图  8  接头内锁区钉脚张开度 (mm)
    Figure  8.  Opening degree of rivet in the locking area of joint

    为验证所建立响应面模型的准确性,对回归模型进行试验验证,在所设定的铆接工艺参数范围内随机选取两组参数进行试验设计,并将设计的铆接工艺参数分别代入失效载荷和能量吸收值回归模型计算公式中.表5为输入参数下试验结果的均值、模型预测值以及误差率.第Ⅰ组的失效载荷和能量吸收值试验均值与模型预测值误差分别为2.45%、9.51%;第Ⅱ组的失效载荷和能量吸收值试验均值与模型预测值误差分别为4.64%、7.45%,误差均在合理范围内,表明所建立的回归模型具有较高的可靠性,可据此进行基于球形底模的铝合金自冲铆接工艺调控及参数预测.

    表  5  回归模型验证
    Table  5.  Regression model verification
    组号铆钉长度
    L/mm
    冲头速度
    V/(mm·s−1)
    冲头行程
    D/mm
    失效载荷试验均值
    Fx/N
    失效载荷预测值
    Fy/N
    误差
    ef (%)
    能量吸收值试验均值
    Wx/J
    能量吸收值预测值
    Wy/J
    误差
    ew (%)
    5.530655108.7275233.7672.4513.24811.9889.51
    5.550644830.0335054.1484.6414.00812.9647.45
    下载: 导出CSV 
    | 显示表格

    为探究各单因素对失效载荷的影响规律,可把其余两个因素固定在中间值.如图9(a)所示,铆钉长度的增加,接头的失效载荷会先增大后减小,当铆钉长度达到5.7 mm左右,失效载荷达到最大值.冲头速度对失效载荷的影响呈现先上升后下降的变化规律,变化幅度不大,在40 mm/s左右时,失效载荷达到最大值.不同冲头行程下的失效载荷变化趋势呈线性增加.交互作用方差分析中Px1x3(0.4630)<Px2x3(0.5067)<Px1x2(0.8334),即铆钉长度与冲头行程的交互作用对失效载荷的影响最显著,冲头速度与冲头行程的交互作用影响次之,而铆钉长度和冲头速度的交互作用影响最弱. 图9(b)、(c)对铆钉长度和冲头行程的交互作用分析,可以看出左侧等高线比右侧稠密,且上半部分等高线比下半部分稠密.表明铆钉长度和冲头行程对失效载荷的影响都比较明显,当冲头行程处于设定范围内的最大值,铆钉长度位于5.7 mm左右时,失效载荷可达到峰值.这是因为较长的铆钉搭配合适的冲头行程使铆钉下行越充分,更容易促进铆钉与板材之间的塑性流动,致使较长的铆钉可以在上下板之间充分扩张,形成更加显著的机械内锁结构.

    图  9  铆接参数对失效载荷的影响
    Figure  9.  Influence of riveting parameters on failure load. (a) the influence of single factor on failure load; (b) response surface plot; (c) contour plot

    能量吸收值大小是评价构件的缓冲吸震能力,能量吸收值愈大,构件抵抗弹塑性变形的能力愈大. 铆接参数对能量吸收值的影响见图10.由图10(a)可以看出,铆钉长度对能量吸收值的影响最为显著,且随着铆钉长度的不断增大,能量吸收值呈现线性增加.冲头速度的变化对能量吸收值的影响较小,其变化趋势近似为一条直线.随着冲头行程的增加能量吸收值逐渐减小,但总体变化幅度不大.方差分析结果Px1x3(0.4236)<Px1x2(0.5078),冲头速度为40 mm/s时,铆钉长度与冲头行程的交互作用对能量吸收值的影响规律如图10(b)、(c)所示,可以看到能量吸收值会随着铆钉长度的增大而显著增加,且能量吸收值的最高点出现在铆钉长度为最大值,冲头行程为最小值处.结合等高线图可知,冲头行程的改变对能量吸收值的影响并不显著,但是,随着铆钉长度的增大,能量吸收值呈线性增加,这是由于铆钉长度的增大增加了接头的内锁长度,接头抵抗变形的能力也随之增大.因此为获得较高的能量吸收值,应优先考虑合适的铆钉长度.

    图  10  铆接参数对能量吸收值的影响
    Figure  10.  Influence of riveting parameters on energy absorption value. (a) the influence of single factor on energy absorption value; (b) response surface plot; (c) contour plot

    基于响应面模型,运用NSGA-II遗传算法对目标函数进行迭代优化.设置交叉概率80%,变异概率20%,种群规模为50,迭代次数为200.结合试验结果可知,由于铆钉尺寸已标准化,选取5.5 mm长的铆钉时自冲铆接头有较大的内锁长度和接头强度,故铆钉长度选取5.5 mm.为获得较优的失效载荷和能量吸收值,建立多目标优化的目标函数和约束条件为

    $$ \begin{gathered} g(x) = min{\text{ }}[{y_1},{y_2}] \\ {\text{ }}s.t.\left\{ {\begin{array}{*{20}{c}} {{x_1} = 5.5} \\ {20 \leqslant {x_2} \leqslant 60} \\ {64 \leqslant {x_3} \leqslant 66} \end{array}} \right. \\ \end{gathered} $$ (3)

    式中:${y_1}$、${y_2}$分别为失效载荷和能量吸收值,${x_1}$、${x_2}$、${x_3}$分别对应为铆钉长度、冲头速度和冲头行程.

    经运算后得到了目标函数的Pareto最优解解集,Pareto最优解解集是指在可行决策空间内,一组各目标都较优的参数解的集合[15].图11为Pareto前沿图,每个点对应了一个Pareto最优解.最优参数解的选取应使接头有较高的失效载荷和能量吸收值.因此选择图11中的M点作为最优工艺参数:铆钉长度5.5 mm,冲头速度36.6 m/s,冲头行程66 mm.对应的失效载荷为5438.820 N,能量吸收值为11.662 J, 并对最优工艺参数进行试验验证.失效载荷和能量吸收值的试验值分别为5191.482 N、12.376 J.试验值与模型预测值误差分别为4.76%、5.77%.通过工艺参数优化,不仅抑制自冲铆接头机械内锁区裂纹的产生,而且在保证连接质量的情况下获得较高的失效载荷和能量吸收值.

    图  11  Pareto前沿图
    Figure  11.  Pareto frontier map

    (1) 对于低延展性铝合金薄板材料,采用球形底模在保证接头强度下可以抑制接头机械内锁区裂纹的产生.

    (2) 采用BBD响应面法,建立基于球形底模的铝合金自冲铆接工艺参数多元非线性回归模型.实际应用中可以选用铆钉长度、冲头速度以及冲头行程实现自冲铆接工艺参数优化和接头质量调控.

    (3) 铆钉长度对失效载荷和能量吸收值的影响最为显著,冲头行程影响次之,冲头速度影响最弱;多因素交互影响中,铆钉长度和冲头行程的交互作用对失效载荷和能量吸收值的影响最大,应优先进行铆钉长度和冲头行程的调控.

  • 图  1   电弧增材制造系统的硬件构成

    Figure  1.   Hardware of the WAAM system

    图  2   电弧增材软件系统流程图

    Figure  2.   Flow chart of the WAAM software system

    图  3   软件运行界面

    Figure  3.   Interface of the software

    图  4   工艺参数高级选项界面

    Figure  4.   Interface of process parameters setting

    图  5   路径规划高级选项界面

    Figure  5.   Interface of path planning

    图  6   直壁制件试样

    Figure  6.   Sample for straight wall part

    图  7   微观组织形貌

    Figure  7.   Microstructure morphology. (a) adjacent fusion lines;(b) inter-layer

    图  8   铝合金壳体零件

    Figure  8.   Aluminum shell part. (a) 3D model;(b) additive aluminum shell part fabricated by WAAM;(c) representation of radial error by cloud chart

  • [1] 刘理想, 柏兴旺, 周祥曼, 等. 电弧增材制造多层单道堆积的焊道轮廓模型函数[J]. 焊接学报, 2020, 41(6): 24 − 29,36. doi: 10.12073/j.hjxb.20191230001

    Liu Lixiang, Bai Xingwang, Zhou Xiangman, et al. Study on the weld profile model function of multi-layer single-pass deposition in wire and arc additive manufacturing[J]. Transactions of the China Welding Institution, 2020, 41(6): 24 − 29,36. doi: 10.12073/j.hjxb.20191230001

    [2] 夏然飞, 樊建勋, 李新宇, 等. 电弧增材制造与铣削复合加工系统与工艺研究[J]. 制造业自动化, 2016, 38(9): 79 − 83,105. doi: 10.3969/j.issn.1009-0134.2016.09.021

    Xia Ranfei, Fan Jianxun, Li Xinyu, et al. Research on a hybrid maching system and process based on wire arc additive manufacturing and milling[J]. Manufacturing Automation, 2016, 38(9): 79 − 83,105. doi: 10.3969/j.issn.1009-0134.2016.09.021

    [3]

    Wang H, Jiang W, Ouyang J, et al. Rapid prototyping of 4043 Al-alloy parts by VP-GTAW[J]. Journal of Materials Processing Technology, 2004, 148(1): 93 − 102. doi: 10.1016/j.jmatprotec.2004.01.058

    [4]

    Zhuo Y, Yang C, Fan C, et al. Grain refinement of wire arc additive manufacture titanium alloy by the combined method of boron addition and low frequency pulse arc[J]. Materials Science and Engineering:A, 2021, 805: 1 − 12.

    [5]

    Martina F, Mehnen J, Williams S, et al. Investigation of the benefits of plasma deposition for the additive layer manufacture of Ti-6Al-4V[J]. Journal of Materials Processing Technology, 2012, 212(6): 1377 − 1386. doi: 10.1016/j.jmatprotec.2012.02.002

    [6]

    Li R, Wang L, Ding Y, et al. Optimization of the geometry for the end lateral extension path strategy to fabricate intersections using laser and cold metal transfer hybrid additive manufacturing[J]. Additive Manufacturing, 2020, 36: 1 − 16.

    [7]

    Bandari Y, Williams S, Ding J, et al. Additive manufacture of large structures: robotic or CNC systems[C]//26th International Solid Freeform Fabrication Symposium. Austin, Texas, 2015: 17−25.

    [8]

    Martinec T, Mlýnek J, Petrŭ M. Calculation of the robot trajectory for the optimum directional orientation of fibre placement in the manufacture of composite profile frames[J]. Robotics and Computer-Integrated Manufacturing, 2015, 35: 42 − 54. doi: 10.1016/j.rcim.2015.02.004

    [9] 陈树君, 赵昀, 肖珺, 等. 铝合金电弧熔积成形机器人增材制造系统[J]. 焊接, 2016(4): 9 − 12. doi: 10.3969/j.issn.1001-1382.2016.04.003

    Chen Shujun, Zhao Yun, Xiao Jun, et al. Robotic wire-arc additive manufacturing for aluminum components[J]. Welding & Joining, 2016(4): 9 − 12. doi: 10.3969/j.issn.1001-1382.2016.04.003

    [10] 张瑞, 王克鸿. 氩氦混合气对铝合金CMT电弧增材制造过程成形质量的影响[J]. 机械制造与自动化, 2018, 47(1): 36 − 39.

    Zhang Rui, Wang Kehong. Effect of Argon helium mixed gas on forming quality of aluminum alloy in CMT arc additive manufacturing process[J]. Machine Building & Automation, 2018, 47(1): 36 − 39.

    [11] 巢海远, 刘景, 童晶, 等. 一种处理带有边界的非封闭STL模型的切片算法[J]. 计算机集成制造统, 2015, 21(10): 2587 − 2595.

    Chao Haiyuan, Liu Jing, Tong Jing, et al. Slicing algorithm for non-closed STL model with border[J]. Computer Integrated Manufacturing Systems, 2015, 21(10): 2587 − 2595.

    [12]

    Pardal G, Martina F, Williams S. Laser stabilization of GMAW additive manufacturing of Ti-6Al-4V components[J]. Journal of Materials Processing Technology, 2019, 272: 1 − 8. doi: 10.1016/j.jmatprotec.2019.04.036

    [13] 余道洋. 3D打印机G代码预处理优化算法[J]. 中国机械工程, 2019, 30(1): 85 − 89,112.

    Yu Daoyang. G code preprocessing optimization algorithm for 3D printers[J]. China Mechanical Engineering, 2019, 30(1): 85 − 89,112.

图(8)
计量
  • 文章访问数:  471
  • HTML全文浏览量:  75
  • PDF下载量:  67
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-11
  • 网络出版日期:  2021-12-27
  • 刊出日期:  2021-11-24

目录

/

返回文章
返回