面向增材制造的数字孪生框架：用于时间序列工艺优化的机器学习与贝叶斯优化
机器学习
2024-02-28 v1 信号处理
摘要
激光定向能量沉积 (DED) 在增材制造 (AM) 中具有创建复杂几何形状和材料梯度的优势。然而，由于其逐层制造的特性，材料不一致性和零件可变性等挑战依然存在。一个关键问题是 DED 过程中的热量积累，这会影响材料的微观结构和性能。尽管 DED 研究中常见的热量管理闭环控制方法，但很少有研究将实时监测、基于物理的建模和控制整合到一个统一的框架中。我们的工作提出了一种数字孪生 (DT) 框架，用于 DED 工艺参数的实时预测控制，以满足特定的设计目标。我们开发了一个基于长短期记忆 (LSTM) 机器学习并结合贝叶斯推断的代理模型，以预测 DED 零件的温度。该模型可实时预测未来的温度状态。我们还引入了用于时间序列工艺优化的贝叶斯优化 (BOTSPO)，该方法基于传统贝叶斯优化，但具有独特的降维时间序列工艺剖面生成器。BOTSPO 能够动态优化工艺，识别实现所需机械性能的最佳激光功率剖面。建立的工艺轨迹指导在线优化，旨在提升性能。本文概述了数字孪生框架的组成部分，推动其集成到 AM 的综合系统中。
引用
@article{arxiv.2402.17718,
title = {Towards a Digital Twin Framework in Additive Manufacturing: Machine Learning and Bayesian Optimization for Time Series Process Optimization},
author = {Vispi Karkaria and Anthony Goeckner and Rujing Zha and Jie Chen and Jianjing Zhang and Qi Zhu and Jian Cao and Robert X. Gao and Wei Chen},
journal= {arXiv preprint arXiv:2402.17718},
year = {2024}
}
备注
12 Pages, 10 Figures, 1 Table, NAMRC Conference