面向增材制造数据质量的物理导向去噪网络

现代工程系统越来越多地配备传感器进行实时监控和决策。然而，这些传感器收集的数据常常噪声较大且难以解释，限制了其在控制和诊断中的实用性。本文提出一种物理信息去噪框架，将能量基模型和 Fisher 得分正则化集成在一起，以联合降低数据噪声并确保与基于物理的模型的物理一致性。该方法首先在包括简谐振子、布尔方程和拉普拉斯方程的基准问题上进行验证，覆盖 various noise levels。我们随后将去噪框架应用于激光粉末床熔融 (LPBF) 增材制造实验中的实热发射数据，使用经过训练的物理信息神经网络 (PINN) 近似模型指导去噪。结果表明，所提出的方法在 various LPBF 处理条件下优于基准神经网络去噪器，有效降低了噪声。这种物理导向去噪策略使低成本传感器数据的鲁棒、实时解释成为可能，促进了预测控制和增材制造中缺陷缓解。