CN115994490A - 基于深度混合效应模型的金属增材制造过程实时监控方法 - Google Patents
基于深度混合效应模型的金属增材制造过程实时监控方法 Download PDFInfo
- Publication number
- CN115994490A CN115994490A CN202310283601.7A CN202310283601A CN115994490A CN 115994490 A CN115994490 A CN 115994490A CN 202310283601 A CN202310283601 A CN 202310283601A CN 115994490 A CN115994490 A CN 115994490A
- Authority
- CN
- China
- Prior art keywords
- additive manufacturing
- model
- metal additive
- manufacturing process
- temperature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000654 additive Substances 0.000 title claims abstract description 80
- 230000000996 additive effect Effects 0.000 title claims abstract description 80
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 78
- 239000002184 metal Substances 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000000694 effects Effects 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 9
- 238000007639 printing Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 238000010586 diagram Methods 0.000 claims abstract description 3
- 238000005457 optimization Methods 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- 239000000843 powder Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P10/00—Technologies related to metal processing
- Y02P10/25—Process efficiency
Landscapes
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Liquid Crystal (AREA)
Abstract
本发明公布了一种基于深度混合效应模型的金属增材制造过程实时监控方法，使用深度神经网络模型和混合效应模型相结合的深度混合效应模型，对金属增材制造过程中的熔池温度数据构建金属增材制造实时温度模型；利用金属增材制造历史数据对构建模型的参数进行调优；针对待监测的在线数据计算模型残差，并基于残差建立控制图模型，实现对金属增材制造过程的温度异常进行实时监控。本发明方法对金属增材制造过程中的熔池温度进行了精确建模，充分考虑温度和其他信号之间的非线性关系，以及打印过程中的随机噪声；实现了金属增材制造的实时监测，有利于及时消除增材制造过程异常、提高增材制造产品质量。
Description
技术领域
本发明涉及金属增材制造技术，具体涉及一种基于深度混合效应模型的金属增材制造过程实时监控方法，实现对金属增材制造过程中的熔池温度进行在线监测。
背景技术
激光熔融增材制造过程中，由于粉末未熔融状态下的导热性比熔融后低很多，当出现粉末熔融不充分的异常情况时，打印过程的有关数据，特别是温度数据，会出现明显的异常。光电二极管作为一种测温设备，可以同轴放置在激光路径旁边，以收集熔池中心的实时温度数据。
目前已有针对激光熔融增材制造过程中的温度进行监测的诸多工作，如2017年，Alberts等人构建了基于两个光电二极管的监测系统，并利用两个光电二极管信号的比值检测温度异常。2019年，Okaro等人采用随机奇异值分解方法对光电二极管信号进行处理，并采用带有少量标记样本的半监督学习方法建立产品质量回归模型，从而检测温度异常。2019年，Renken等人基于激光功率和光电二极管信号之间的关系建立回归模型，从而检测温度异常。2020年，foreen等人将x射线测量的孔隙位置与光电二极管信号相关联，以预测产生缺陷的概率。
但是，上述现有方法都属于离线方法，无法实现在线监测。这些方法必须得到完整的光电二极管数据，才能对激光熔融增材制造产品的质量做出判断，对异常做出检测。此外，这些方法对于光电二极管信号和其他信号（如激光功率、激光位置、设备参数）的关系建模较为简单，多为线性模型，不能精确刻画实际上光电二极管信号的产生模型，导致对激光熔融增材制造生产过程中的异常检测准确率较低。
发明内容
为了克服上述现有技术的不足，本发明提供一种基于深度混合效应模型的金属增材制造过程实时监控方法，对金属增材制造过程中熔池温度进行实时在线的异常监测，并解决现有方法存在的模型简单、监测结果准确率不高的技术问题。
本发明首先使用深度神经网络模型和混合效应模型相结合的深度混合效应模型，对金属增材制造过程中的温度数据进行建模，构建金属增材制造实时温度模型；再利用金属增材制造过程的历史数据对构建模型的参数进行调优；随后，对于待监测的金属增材制造过程的在线数据，计算模型残差，并基于残差建立控制图模型，对金属增材制造过程的温度异常进行实时监控。
本发明提供的技术方案包括以下步骤：
A.离线部分：
A1. 基于深度混合效应模型对金属增材制造过程的熔池温度数据进行建模，构建得到金属增材制造实时温度模型；表示为：
其中，为金属增材制造打印层的序号，共存在层金属增材制造打印层；为第层收集的第个时刻的数据，第层共收集个时刻的数据；为金属增材制造第层、第个时刻的熔池温度数据；为第层、第个时刻的激光功率、激光位置、设备参数等信号数据；表示利用深度神经网络进行拟合，为模型参数；为第层温度整体偏移量，是一个服从高斯分布的随机效应项，为高斯分布的方差；为第层、第个时刻的噪声项，服从一阶自回归过程（Auto Regressive process）：，为自回归参数，为方差，该项对温度数据的时空关系进行建模。
A2. 结合EM算法（期望最大算法）与块坐标下降算法，利用金属增材制造过程熔池温度的历史数据对深度混合效应模型参数进行调优。包括：
首先，对参数进行初始化；
设置；其中，为的集合，；参数的上标代表模型迭代次数序号；设置损失函数为均方误差，优化神经网络作为模型参数的初始化，记为，计算残差方差作为方差的初始化，记为；初始化设置自回归参数为：。
然后，采用EM算法（期望最大算法），将视为隐变量进行优化，并采用块坐标下降算法对四项参数分别迭代优化，直至收敛。在第次迭代中：
其中，分别是数据的集合，；表示求解令目标公式最大化的参数值；为参数的后验概率；为参数的似然函数；为对数运算。
A21.在E步，固定，通过最大后验概率方法，第次迭代优化第层温度整体偏移量，即优化隐变量。通过简化，优化方程为：
其中，是历史数据收集到的打印层层数；为求解令目标公式最小化的参数值；为的向量转置；，是第
i层对噪声项的拟合的所有数据；是第
i层、第个时刻对噪声项的拟合数据；
其中，是根据一阶自回归过程的自回归参数得到的第层噪声项的协方差矩阵。
优化方程(1)有显式最优解，表示为：
其中，为第个时刻；下标jk表示是时刻j和时刻k的相关系数，也就是矩阵的第j行第k列元素；
四项参数。通过简化，优化方程为：
其中，是根据待优化的一阶自回归过程的自回归参数得到的第层噪声项的协方差矩阵：
优化时，将优化方程(2)作为神经网络的损失函数，对神经网络参数进行优化。
优化时，优化方程(2)有显式最优解，表示为：
优化时，使用数值算法，对拟合残差值的一阶自回归系数进行拟合。
当拟合参数的更新程度较低，一般设置为更新前后差值绝对值小于设定阈值（如0.001）时，认为算法收敛，停止迭代。
上述离线部分通过构建金属增材制造实时温度模型并进行模型优化，求解得到模型参数调优，基于可以得到调优后的金属增材制造实时温度模型。
B.在线部分，包括如下过程：
B1. 对于待监测的金属增材制造的在线数据，基于步骤A2调优后的模型，对每一个收集到的数据点，计算模型残差：
其中，为时刻；为待监测打印层时刻前的所有时刻；为第
i层时刻前的所有温度残差数据；为第
i层时刻的温度残差数据；
B2.提出在线（霍特林）控制图模型，基于残差和步骤A2调优参数，计算时刻下的（霍特林）统计量：
其中，，为根据一阶自回归过程的自回归参数得到的噪声项的协方差矩阵，表示为：
其中，为的t-1次幂；
B3.根据得到的，通过设置控制阈值，对当前层金属增材制造过程中熔池温度进行识别；
设置控制阈值，其中为卡方分布上侧分位数，为第一类错误率，一般设置为0.01。若，表明当前层金属增材制造过程中熔池温度出现异常。
通过上述步骤，即可实现基于深度混合效应模型对金属增材制造过程中的熔池温度进行实时监控。
与现有技术相比，本发明的有益效果：
本发明通过结合深度神经网络和混合效应模型，增强了对金属增材制造过程中熔池温度建模的准确性，通过提出在线异常监测算法，实现了金属增材制造的实时监测，为及时消除异常、提高增材制造产品质量提供了技术支撑。本发明的技术创新主要体现在：
1）结合深度神经网络与混合效应模型，对金属增材制造过程中的熔池温度进行了更精确的建模，充分考虑了温度和其他信号之间的非线性关系，以及打印过程中的随机噪声；
2）设计了有效的迭代优化算法，对构建模型的参数进行优化；
3）设计了相应的在线监测算法，实现了对熔池温度信号的实时监测，填补了当前熔池温度监测模型在在线领域的空缺。
附图说明
图1为本发明提供的基于深度混合效应模型的金属增材制造过程实时监控方法的流程框图。
图2为本发明方法离线部分对构建的金属增材制造过程实时监控模型进行参数优化的流程框图。
具体实施方式
下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。
本发明提供一种基于深度混合效应模型对金属增材制造过程中的熔池温度进行实时监控的方法，结合深度神经网络与混合效应模型，对金属增材制造过程中的熔池温度进行了更精确的建模，充分考虑了温度和其他信号之间的非线性关系，以及打印过程中的随机噪声；设计了有效的迭代优化算法，对构建模型的参数进行优化；设计了相应的在线监测算法，实现了对熔池温度信号的实时监测。
图1所示为本发明提供的基于深度混合效应模型的金属增材制造过程实时监控方法的流程，本发明的具体实施方式包括如下步骤：
A.离线部分：
图2所示为本发明方法离线部分的流程，离线部分包括构建金属增材制造过程实时监控模型并进行参数优化；
A1. 基于深度混合效应模型对金属增材制造过程的熔池温度数据进行建模，构建得到金属增材制造实时温度模型；表示为：
A2. 结合EM算法（期望最大算法）与块坐标下降算法，利用金属增材制造过程熔池温度的历史数据对深度混合效应模型参数进行调优。如附件图2所示，历史数据包含若干层打印层的熔池温度数据作为深度混合效应模型的因变量，时间数据、激光位置数据、激光功率数据作为深度混合效应模型的自变量。参数调优过程包括以下步骤：
首先，如附件图2所示，对参数进行初始化，参数上标代表模型迭代次数序号。
设置；设置损失函数为均方误差，优化神经网络作为的初始化，计算残差方差作为的初始化；设置。
然后，采用EM算法（期望最大算法），将视为隐变量进行优化，并采用块坐标下降算法分别迭代优化，直至收敛。如附件图2所示，在第次迭代中：
在E步，固定，通过最大后验概率方法，优化隐变量。
在M步，固定，通过块坐标下降算法逐个优化四项参数。
优化时，将上述优化方程作为神经网络的损失函数，对神经网络参数进行优化。
优化时，
优化时，使用数值算法，对拟合残差值的一阶自回归系数进行拟合。
如附件图2所示，当拟合参数的更新程度较低，一般设置为更新前后差值绝对值小于设定阈值（如0.001）时，认为算法收敛，停止迭代。
如附件图1所示，上述离线部分通过构建金属增材制造实时温度模型并进行模型优化，求解得到模型参数调优，基于可以得到调优后的金属增材制造实时温度模型。
B.在线部分：
B1. 对于待监测的金属增材制造的在线数据，包含待监测打印层的熔池温度数据作为深度混合效应模型的因变量，时间数据、激光位置数据、激光功率数据作为深度混合效应模型的自变量，基于步骤A2调优后的模型，对时刻收集到的所有数据点，计算模型残差：
其中，为时刻；为待监测打印层时刻前的所有时刻；为第
i层时刻前的所有残差数据；为第
i层时刻的残差数据；
B2.提出在线（霍特林）控制图模型，基于残差和步骤A2调优参数，如附件图1所示，计算时刻下的（霍特林）统计量：
其中，，为根据一阶自回归过程的自回归参数得到的噪声项的协方差矩阵，表示为：
其中，为的t-1次幂；
B3.根据得到的，通过设置控制阈值，对当前层金属增材制造过程中熔池温度进行识别；
设置控制阈值，其中为卡方分布上侧分位数，为第一类错误率，一般设置为0.01。如附件图1所示，若，表明当前层金属增材制造过程中熔池温度出现异常。
下面通过实例对本发明做进一步说明。
具体实施时，在离线阶段，历史训练数据共存在10层打印层，每层收集约30000个数据点，每个数据点包括时间信息、当时时刻激光的位置信息、激光功率信息，作为；数据点还包括当时时刻熔池温度信息，作为。设置神经网络结构为三层全连接神经网络。
基于步骤A2，通过10次迭代过程，模型参数收敛，完成参数调优。调优参数为，表明在正常情况下，随机效应项服从高斯分布，服从的一阶自回归过程AR（1）的自回归参数为0.9，方差为900。
在在线阶段，假设在当前打印层的时刻之前，尚未检测到异常，即时刻之前所有时刻下的（霍特林）统计量都小于等于阈值。在时刻，数据收集完毕后，更新时刻下的（霍特林）统计量，若（霍特林）统计量大于时刻的阈值，则报警，表明当前层金属增材制造过程中熔池温度出现异常，可以停止打印并清除异常位置；若（霍特林）统计量小于等于时刻的阈值，则是正常情况，表明当前层金属增材制造过程中熔池温度未出现异常，继续监测。
需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。
Claims (7)
1.一种基于深度混合效应模型的金属增材制造过程实时监控方法，其特征是，首先使用深度神经网络模型和混合效应模型相结合的深度混合效应模型，对金属增材制造过程中的熔池温度数据进行建模，构建金属增材制造实时温度模型；然后利用金属增材制造过程的历史数据对构建模型的参数进行调优；再针对待监测的金属增材制造过程的在线数据，计算模型残差，并基于残差建立控制图模型，实现对金属增材制造过程的温度异常进行实时监控；包括以下步骤：
A.离线部分：
A1. 基于深度混合效应模型对金属增材制造过程的熔池温度数据进行建模，构建得到金属增材制造实时温度模型；表示为：
其中，为金属增材制造第层、第个时刻的熔池温度数据；为第层第个时刻的信号数据，包括激光功率、激光位置、设备参数；为金属增材制造打印层的序号，共层金属增材制造打印层；为第层收集的第个时刻的数据，第层共收集个时刻的数据；表示利用深度神经网络进行拟合，为模型参数；为第层温度整体偏移量，是服从高斯分布的随机效应项；为高斯分布的方差；为第层、第个时刻的噪声项，服从一阶自回归过程，其中为自回归参数，为方差；
A2. 基于期望最大算法即EM算法与块坐标下降算法，利用金属增材制造过程熔池温度的历史数据对深度混合效应模型参数进行调优；包括：
首先，对参数进行初始化；
对进行初始化：设置；其中，为的集合，；参数上标为模型迭代次数序号；
设置损失函数为均方误差，优化神经网络模型；得到模型参数的初始化，记为；计算残差方差作为方差的初始化，记为；初始化自回归参数为：；
然后，采用EM算法将进行优化，并采用块坐标下降算法迭代优化，直至收敛；在第次迭代中，E步和M步分别为：
A21.在E步，固定第步的深度混合效应模型参数：，通过最大后验概率方法，第次迭代优化第层温度整体偏移量即优化隐变量；E步的优化方程表示为：
其中，是历史数据收集到的打印层层数；为求解令目标公式最小化的参数值；为的向量转置；，是第i层对噪声项的拟合的所有数据；是第i层、第个时刻对噪声项的拟合数据；是根据一阶自回归过程的自回归参数得到的第层噪声项的协方差矩阵；其中；
优化方程(1)的显式最优解表示为：
其中，为第个时刻；
A22.在M步，固定，通过块坐标下降算法逐个优化四项参数；M步的优化方程表示为：
其中，是根据待优化的一阶自回归过程的自回归参数得到的第层噪声项的协方差矩阵；
优化时，将优化方程作为神经网络的损失函数，对神经网络参数进行优化；优化时，优化方程(2)有显式最优解；优化时，使用数值算法，对拟合残差值的一阶自回归系数进行拟合；
当拟合参数更新前后差值绝对值小于设定阈值时，停止迭代；即通过模型优化求解得到模型参数调优；基于得到调优后的金属增材制造实时温度模型；
B.在线部分，包括如下过程：
B1. 对于待监测的金属增材制造的在线数据，利用调优后的模型，计算模型残差，表示为：
其中，为时刻；为待监测打印层时刻前的所有时刻；为第i层时刻前的所有温度残差数据；为第i层时刻的温度残差数据；
B2.构建在线霍特林控制图模型，基于残差和调优参数，计算时刻的霍特林统计量，表示为：
其中，，为根据一阶自回归过程的自回归参数得到的噪声项的协方差矩阵；
B3.根据得到的，通过设置控制阈值，对当前层金属增材制造过程中熔池温度是否异常进行识别；
通过上述步骤，即可实现基于深度混合效应模型对金属增材制造过程中的熔池温度进行实时监控。
2.如权利要求1所述基于深度混合效应模型的金属增材制造过程实时监控方法，其特征是，步骤A2采用EM算法将进行优化，并采用块坐标下降算法迭代优化；在第次迭代中，E步和M步分别表示为：
其中，分别是数据的集合，；表示求解得到令目标公式最大化的参数值；为参数的后验概率；为参数的似然函数；为对数运算。
3.如权利要求1所述基于深度混合效应模型的金属增材制造过程实时监控方法，其特征是，步骤A21在E步中，表示为：
步骤A22中，表示为：
。
4.如权利要求1所述基于深度混合效应模型的金属增材制造过程实时监控方法，其特征是，优化时，优化方程(2)的显式最优解表示为：
。
5.如权利要求1所述基于深度混合效应模型的金属增材制造过程实时监控方法，其特征是，表示为：
其中，为的t-1次幂。
6.如权利要求1所述基于深度混合效应模型的金属增材制造过程实时监控方法，其特征是，步骤B3具体是：
设置控制阈值，其中为卡方分布上侧分位数，为第一类错误率；当时，当前层金属增材制造过程中熔池温度出现异常。
7.如权利要求6所述基于深度混合效应模型的金属增材制造过程实时监控方法，其特征是，第一类错误率设置为0.01。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283601.7A CN115994490B (zh) | 2023-03-22 | 2023-03-22 | 基于深度混合效应模型的金属增材制造过程实时监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310283601.7A CN115994490B (zh) | 2023-03-22 | 2023-03-22 | 基于深度混合效应模型的金属增材制造过程实时监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115994490A true CN115994490A (zh) | 2023-04-21 |
| CN115994490B CN115994490B (zh) | 2023-06-02 |
Family
ID=85992415
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310283601.7A Active CN115994490B (zh) | 2023-03-22 | 2023-03-22 | 基于深度混合效应模型的金属增材制造过程实时监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115994490B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111266583A (zh) * | 2020-04-03 | 2020-06-12 | 厦门大学 | 一种金属增材制造的在线检测系统和金属增材制造装置 |
| CN111504980A (zh) * | 2020-04-26 | 2020-08-07 | 长春工业大学 | 一种金属增材制造过程的libs在线监测装置及方法 |
| CN112557445A (zh) * | 2020-11-17 | 2021-03-26 | 华中科技大学 | 一种基于增材制造的缺陷在线检测方法、装置和系统 |
| CN112836582A (zh) * | 2021-01-05 | 2021-05-25 | 北京大学 | 基于动态稀疏子空间的高维流系统结构变点在线检测方法 |
| US20220032376A1 (en) * | 2020-07-29 | 2022-02-03 | University Of South Florida | Metals-based additive manufacturing methods and systems with thermal monitoring and control |
| WO2022057260A1 (zh) * | 2020-09-15 | 2022-03-24 | 浙江大学 | 一种工业控制系统通信网络异常分类方法 |
| CN114757245A (zh) * | 2020-12-28 | 2022-07-15 | 江苏师范大学 | 一种半监督鉴别混合概率主元分析的多模态监测方法 |
| CN115081040A (zh) * | 2022-06-15 | 2022-09-20 | 西安增材制造国家研究院有限公司 | 一种激光熔丝金属增材制造在线监测装置及方法 |
| CN115302759A (zh) * | 2022-08-08 | 2022-11-08 | 西北工业大学 | 增材制造监测及调控方法、系统及存储介质 |
-
2023
- 2023-03-22 CN CN202310283601.7A patent/CN115994490B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111266583A (zh) * | 2020-04-03 | 2020-06-12 | 厦门大学 | 一种金属增材制造的在线检测系统和金属增材制造装置 |
| CN111504980A (zh) * | 2020-04-26 | 2020-08-07 | 长春工业大学 | 一种金属增材制造过程的libs在线监测装置及方法 |
| US20220032376A1 (en) * | 2020-07-29 | 2022-02-03 | University Of South Florida | Metals-based additive manufacturing methods and systems with thermal monitoring and control |
| WO2022057260A1 (zh) * | 2020-09-15 | 2022-03-24 | 浙江大学 | 一种工业控制系统通信网络异常分类方法 |
| CN112557445A (zh) * | 2020-11-17 | 2021-03-26 | 华中科技大学 | 一种基于增材制造的缺陷在线检测方法、装置和系统 |
| CN114757245A (zh) * | 2020-12-28 | 2022-07-15 | 江苏师范大学 | 一种半监督鉴别混合概率主元分析的多模态监测方法 |
| CN112836582A (zh) * | 2021-01-05 | 2021-05-25 | 北京大学 | 基于动态稀疏子空间的高维流系统结构变点在线检测方法 |
| CN115081040A (zh) * | 2022-06-15 | 2022-09-20 | 西安增材制造国家研究院有限公司 | 一种激光熔丝金属增材制造在线监测装置及方法 |
| CN115302759A (zh) * | 2022-08-08 | 2022-11-08 | 西北工业大学 | 增材制造监测及调控方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| LINGFENG WANG ET AL: "XGBoost-based failure prediction method for metal additive manufacturing equipment", 《IEEE》 * |
| 王奉涛等: "金属增材制造过程熔池动态监测研究综述", 《计算机集成制造系统》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115994490B (zh) | 2023-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021138925A1 (zh) | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 | |
| CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
| Chen et al. | Artificial neural correlation analysis for performance-indicator-related nonlinear process monitoring | |
| CN108255656B (zh) | 一种应用于间歇过程的故障检测方法 | |
| Chen et al. | A long short-term memory neural network based Wiener process model for remaining useful life prediction | |
| CN106872657A (zh) | 一种多变量水质参数时序数据异常事件检测方法 | |
| CN110470259A (zh) | 基于lstm的滑坡位移动态预测方法 | |
| CN111823273B (zh) | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 | |
| CN109635318A (zh) | 一种基于keos-elm算法的航空发动机传感器智能解析余度设计方法 | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN110532620A (zh) | 一种基于递推最小二乘-核平滑粒子滤波的疲劳裂纹扩展预测方法 | |
| CN116431966A (zh) | 一种增量式特征解耦自编码器的堆芯温度异常检测方法 | |
| CN115577860A (zh) | 基于自适应调控的轨道交通智能维保方法及系统 | |
| CN115994490B (zh) | 基于深度混合效应模型的金属增材制造过程实时监控方法 | |
| Yoon et al. | Quantifying the multi-objective cost of uncertainty | |
| CN117313029A (zh) | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 | |
| CN111143968A (zh) | 一种质子交换膜燃料电池变遗忘因子递推子空间辨识方法 | |
| CN114880930B (zh) | 一种基于在线学习的实体设备数字孪生建模仿真预测方法 | |
| CN117290700A (zh) | 基于双模图特征融合的无线通信网络异常检测方法 | |
| CN110108457B (zh) | 一种基于万有引力神经网络的一次风机轴温诊断方法 | |
| CN115408483B (zh) | 一种北斗导航服务定位性能智能预测方法及装置 | |
| CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
| CN109474892B (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 | |
| Zhang et al. | State-of-charge estimation of lithium batteries using compact RBF networks and AUKF | |
| CN115933604B (zh) | 基于数据驱动的故障检测与预测控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |