一种用于增材制造工艺参数优化的强化学习方法
机器学习
2022-11-18 v1 人工智能
数值分析
数值分析
最优化与控制
机器学习
摘要
金属增材制造(AM)的工艺优化对于确保可重复性、控制微观结构和最小化缺陷至关重要。尽管已通过传统实验设计和统计过程映射做出努力,但关于可集成到金属AM系统中的实时优化框架的见解有限。此外,由于预算限制,大多数这些方法数据密集,无法由金属AM合金或系统支持。为解决此问题,本文引入一种转化为金属AM领域优化问题的强化学习(RL)方法。提出一种基于Q学习的离策略RL框架,以寻找最优激光功率()-扫描速度()组合,目标是维持稳态熔池深度。为此,使用经实验验证的Eagar-Tsai公式来模拟激光定向能量沉积环境,其中激光作为智能体在空间中行动,以最大化熔池深度接近最优值时的奖励。训练过程最终产生一个Q表,其中具有最高Q值的状态()对应于优化后的工艺参数。所得熔池深度以及Q值到空间的映射与实验观测一致。因此,该框架提供了一种无需任何先验的免模型学习方法。
引用
@article{arxiv.2211.09545,
title = {A Reinforcement Learning Approach for Process Parameter Optimization in Additive Manufacturing},
author = {Susheel Dharmadhikari and Nandana Menon and Amrita Basak},
journal= {arXiv preprint arXiv:2211.09545},
year = {2022}
}