基于强化学习的增材制造质量保证缺陷缓解方法
机器学习
2022-11-01 v1 应用统计
摘要
增材制造(AM)是一项强大的技术，能够以逐层方式使用多种材料生产复杂的3D几何形状。然而，由于AM过程中可能出现时变的加工条件，质量保证是AM行业的主要挑战。值得注意的是，打印过程中可能出现新缺陷，而这些缺陷无法通过专注于已有缺陷的离线分析工具来缓解。这一挑战促使本研究开发基于在线学习的方法来处理打印过程中的新缺陷。由于AM通常制造少量定制化产品，本文旨在创建一种基于在线学习的策略，以缓解AM过程中的新缺陷，同时最小化所需样本数量。所提方法基于无模型强化学习(RL)。它被称为Continual G-learning，因为它迁移多个来源的先验知识以减少AM过程中所需的训练样本。离线知识来源于文献，而在线知识在打印过程中学习。所提方法开发了一种新算法用于学习最优缺陷缓解策略，在利用两种知识来源时证明了最佳性能。在熔融丝材制造(FFF)平台上进行的数值和真实案例研究证明了所提方法的有效性。
引用
@article{arxiv.2210.17272,
title = {Reinforcement Learning-based Defect Mitigation for Quality Assurance of Additive Manufacturing},
author = {Jihoon Chung and Bo Shen and Andrew Chung Chee Law and Zhenyu and Kong},
journal= {arXiv preprint arXiv:2210.17272},
year = {2022}
}