Extrusion增材制造中基于不确定性感知的强化学习质量保证高效框架
系统与控制
2026-01-21 v1 系统与控制
摘要
尽管挤出式增材制造广泛应用，制品缺陷仍然普遍存在。尽管已提出许多AI驱动的方法来提高质量保证，但制造过程的内在动态特性仍是持续性挑战。无论训练数据集多么全面，超出分布的数据仍不可避免。因此，确定性模型在保持鲁棒性方面常常吃力，在某些情况下，当部署在新建或轻微更改的制造环境中时，甚至会完全失败。本工作引入了一个代理，可实时动态调整挤出流量和温度设定值，在优化过程控制的同时解决训练效率和不确定性管理中的瓶颈。它将基于视觉的不确定性量化模块与强化学习控制器集成，使用概率分布描述制造段。虽然底层网络是确定性的，但这些演化分布引入了决策过程的可适应性。视觉系统以一定精度对材料挤出进行分类，生成相应的分布。深度Q学习控制器与经校准到视觉系统精度的模拟环境交互，使代理能够在学习最优动作的同时，演示出适当的犹豫。通过执行异步动作并应用逐步收紧的椭圆奖励塑形，控制器开发出鲁棒、适应性强的控制策略，考虑到工艺参数之间的耦合效应。在零样本学习部署下，该代理可可靠地弥补仿真到现实的鸿沟，纠正轻微和严重的 under- 和 over-挤出。除了挤出式增材制造，本可扩展框架可实现various增材制造工艺的实用AI驱动质量保证。
引用
@article{arxiv.2503.00971,
title = {An Efficient and Uncertainty-aware Reinforcement Learning Framework for Quality Assurance in Extrusion Additive Manufacturing},
author = {Xiaohan Li and Sebastian Pattinson},
journal= {arXiv preprint arXiv:2503.00971},
year = {2026}
}