CN115994490B - 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 PDF

Info

Publication number
CN115994490B
CN115994490B CN202310283601.7A CN202310283601A CN115994490B CN 115994490 B CN115994490 B CN 115994490B CN 202310283601 A CN202310283601 A CN 202310283601A CN 115994490 B CN115994490 B CN 115994490B
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.)
Active
Application number
CN202310283601.7A
Other languages
English (en)
Other versions
CN115994490A (zh
Inventor
徐瑞宇
宋喆人
吴建国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peking University
Original Assignee
Peking University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peking University filed Critical Peking University
Priority to CN202310283601.7A priority Critical patent/CN115994490B/zh
Publication of CN115994490A publication Critical patent/CN115994490A/zh
Application granted granted Critical
Publication of CN115994490B publication Critical patent/CN115994490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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
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：
Figure SMS_1
/>
Figure SMS_2
其中，
Figure SMS_17
为金属增材制造打印层的序号，共存在/>
Figure SMS_19
层金属增材制造打印层；/>
Figure SMS_26
为第/>
Figure SMS_4
层收集的第/>
Figure SMS_8
个时刻的数据，第/>
Figure SMS_11
层共收集/>
Figure SMS_13
个时刻的数据；/>
Figure SMS_12
为金属增材制造第/>
Figure SMS_14
层、第/>
Figure SMS_15
个时刻的熔池温度数据；/>
Figure SMS_18
为第/>
Figure SMS_20
层、第/>
Figure SMS_25
个时刻的激光功率、激光位置、设备参数等信号数据；
Figure SMS_27
表示利用深度神经网络进行拟合，/>
Figure SMS_28
为模型参数；/>
Figure SMS_7
为第/>
Figure SMS_22
层温度整体偏移量，是一个服从高斯分布/>
Figure SMS_23
的随机效应项，/>
Figure SMS_24
为高斯分布的方差；/>
Figure SMS_3
为第/>
Figure SMS_5
层、第/>
Figure SMS_9
个时刻的噪声项，服从一阶自回归过程（Auto Regressive process）：/>
Figure SMS_10
，/>
Figure SMS_6
为自回归参数，/>
Figure SMS_16
为方差，该项/>
Figure SMS_21
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
Figure SMS_29
进行调优。包括：
首先，对参数进行初始化；
设置
Figure SMS_30
；其中，/>
Figure SMS_31
为/>
Figure SMS_32
的集合，/>
Figure SMS_33
；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/>
Figure SMS_34
，计算残差方差作为方差的初始化，记为/>
Figure SMS_35
；初始化设置自回归参数为：/>
Figure SMS_36
。
然后，采用EM算法（期望最大算法），将
Figure SMS_37
视为隐变量进行优化，并采用块坐标下降算法对/>
Figure SMS_38
四项参数分别迭代优化，直至收敛。在第/>
Figure SMS_39
次迭代中：
Figure SMS_40
Figure SMS_41
其中，
Figure SMS_42
分别是数据/>
Figure SMS_45
的集合，/>
Figure SMS_46
；
Figure SMS_43
表示求解令目标公式最大化的参数值；/>
Figure SMS_47
为参数/>
Figure SMS_48
的后验概率；/>
Figure SMS_49
为参数/>
Figure SMS_44
的似然函数；
Figure SMS_50
为对数运算。
A21.在E步，固定
Figure SMS_51
，通过最大后验概率方法，第
Figure SMS_52
次迭代优化第/>
Figure SMS_53
层温度整体偏移量，即优化隐变量/>
Figure SMS_54
。通过简化，优化方程为：
Figure SMS_55
其中，
Figure SMS_57
是历史数据收集到的打印层层数；/>
Figure SMS_59
为求解令目标公式最小化的参数值；/>
Figure SMS_62
为/>
Figure SMS_58
的向量转置；/>
Figure SMS_60
，/>
Figure SMS_64
是第i层对噪声项/>
Figure SMS_65
的拟合的所有数据；/>
Figure SMS_56
是第i层、第/>
Figure SMS_61
个时刻对噪声项/>
Figure SMS_63
的拟合数据；
Figure SMS_66
其中，
Figure SMS_67
是根据一阶自回归过程的自回归参数/>
Figure SMS_68
得到的第/>
Figure SMS_69
层噪声项
Figure SMS_70
的协方差矩阵。/>
优化方程(1)有显式最优解，表示为：
Figure SMS_71
其中，
Figure SMS_72
为第/>
Figure SMS_73
个时刻；下标jk表示是时刻j和时刻k的相关系数，也就是/>
Figure SMS_74
矩阵的第j行第k列元素；
Figure SMS_75
四项参数。通过简化，优化方程为：
Figure SMS_76
其中，
Figure SMS_77
是根据待优化的一阶自回归过程的自回归参数/>
Figure SMS_78
得到的第/>
Figure SMS_79
层噪声项
Figure SMS_80
的协方差矩阵：
Figure SMS_81
优化
Figure SMS_82
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
Figure SMS_83
时，优化方程(2)有显式最优解，表示为：
Figure SMS_84
优化
Figure SMS_85
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
Figure SMS_86
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
Figure SMS_87
，基于/>
Figure SMS_88
可以得到调优后的金属增材制造实时温度模型/>
Figure SMS_89
。
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
Figure SMS_90
，对每一个收集到的数据点，计算模型残差/>
Figure SMS_91
：
Figure SMS_92
其中，
Figure SMS_93
为时刻；/>
Figure SMS_94
为待监测打印层/>
Figure SMS_95
时刻前的所有时刻；/>
Figure SMS_96
为第i层/>
Figure SMS_97
时刻前的所有温度残差数据；/>
Figure SMS_98
为第i层/>
Figure SMS_99
时刻的温度残差数据；
B2.提出在线
Figure SMS_100
（霍特林）控制图模型，基于残差和步骤A2调优参数
Figure SMS_101
，计算/>
Figure SMS_102
时刻下的/>
Figure SMS_103
（霍特林）统计量：/>
Figure SMS_104
其中，
Figure SMS_105
，/>
Figure SMS_106
为根据一阶自回归过程的自回归参数
Figure SMS_107
得到的噪声项/>
Figure SMS_108
的协方差矩阵，表示为：
Figure SMS_109
其中，
Figure SMS_110
为/>
Figure SMS_111
的t-1次幂；
B3.根据得到的
Figure SMS_112
，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
Figure SMS_113
，其中/>
Figure SMS_114
为卡方分布上侧/>
Figure SMS_115
分位数，/>
Figure SMS_116
为第一类错误率，一般设置为0.01。若/>
Figure SMS_117
，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：
Figure SMS_118
Figure SMS_119
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
Figure SMS_120
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/>
Figure SMS_121
，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/>
Figure SMS_122
。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
Figure SMS_123
；设置损失函数为均方误差，优化神经网络作为/>
Figure SMS_124
的初始化，计算残差方差作为/>
Figure SMS_125
的初始化；设置/>
Figure SMS_126
。
然后，采用EM算法（期望最大算法），将
Figure SMS_127
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/>
Figure SMS_128
次迭代中：
在E步，固定
Figure SMS_129
，通过最大后验概率方法，优化隐变量/>
Figure SMS_130
。
Figure SMS_131
在M步，固定
Figure SMS_132
，通过块坐标下降算法逐个优化/>
Figure SMS_133
四项参数。
优化
Figure SMS_134
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
Figure SMS_135
时，
Figure SMS_136
优化
Figure SMS_137
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
Figure SMS_138
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
Figure SMS_139
，基于/>
Figure SMS_140
可以得到调优后的金属增材制造实时温度模型/>
Figure SMS_141
。
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
Figure SMS_142
，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/>
Figure SMS_143
，基于步骤A2调优后的模型/>
Figure SMS_144
，对/>
Figure SMS_145
时刻收集到的所有数据点，计算模型残差/>
Figure SMS_146
：
Figure SMS_147
其中，
Figure SMS_148
为时刻；/>
Figure SMS_149
为待监测打印层/>
Figure SMS_150
时刻前的所有时刻；/>
Figure SMS_151
为第i层/>
Figure SMS_152
时刻前的所有残差数据；/>
Figure SMS_153
为第i层/>
Figure SMS_154
时刻的残差数据；
B2.提出在线
Figure SMS_155
（霍特林）控制图模型，基于残差和步骤A2调优参数
Figure SMS_156
，如附件图1所示，计算/>
Figure SMS_157
时刻下的/>
Figure SMS_158
（霍特林）统计量：
Figure SMS_159
其中，
Figure SMS_160
，/>
Figure SMS_161
为根据一阶自回归过程的自回归参数
Figure SMS_162
得到的噪声项/>
Figure SMS_163
的协方差矩阵，表示为：
Figure SMS_164
其中，
Figure SMS_165
为/>
Figure SMS_166
的t-1次幂；
B3.根据得到的
Figure SMS_167
，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
Figure SMS_168
，其中/>
Figure SMS_169
为卡方分布上侧/>
Figure SMS_170
分位数，/>
Figure SMS_171
为第一类错误率，一般设置为0.01。如附件图1所示，若/>
Figure SMS_172
，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
Figure SMS_173
；数据点还包括当时时刻熔池温度信息，作为/>
Figure SMS_174
。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
Figure SMS_175
，表明在正常情况下，随机效应项/>
Figure SMS_176
服从高斯分布/>
Figure SMS_177
，/>
Figure SMS_178
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
Figure SMS_179
之前，尚未检测到异常，即时刻/>
Figure SMS_182
之前所有时刻下的/>
Figure SMS_184
（霍特林）统计量都小于等于阈值。在时刻/>
Figure SMS_180
，数据/>
Figure SMS_183
收集完毕后，更新/>
Figure SMS_186
时刻下的/>
Figure SMS_188
（霍特林）统计量，若/>
Figure SMS_181
（霍特林）统计量大于时刻/>
Figure SMS_185
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/>
Figure SMS_187
（霍特林）统计量小于等于时刻/>
Figure SMS_189
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：
Figure QLYQS_1
Figure QLYQS_2
其中，
Figure QLYQS_3
为金属增材制造第/>
Figure QLYQS_5
层、第/>
Figure QLYQS_8
个时刻的熔池温度数据；/>
Figure QLYQS_9
为第/>
Figure QLYQS_11
层第/>
Figure QLYQS_13
个时刻的信号数据，包括激光功率、激光位置、设备参数；/>
Figure QLYQS_15
为金属增材制造打印层的序号，共/>
Figure QLYQS_20
层金属增材制造打印层；/>
Figure QLYQS_21
为第/>
Figure QLYQS_22
层收集的第/>
Figure QLYQS_23
个时刻的数据，第/>
Figure QLYQS_24
层共收集/>
Figure QLYQS_25
个时刻的数据；/>
Figure QLYQS_26
表示利用深度神经网络进行拟合，/>
Figure QLYQS_27
为模型参数；/>
Figure QLYQS_4
为第/>
Figure QLYQS_6
层温度整体偏移量，是服从高斯分布/>
Figure QLYQS_7
的随机效应项；/>
Figure QLYQS_10
为高斯分布的方差；/>
Figure QLYQS_12
为第/>
Figure QLYQS_14
层、第/>
Figure QLYQS_16
个时刻的噪声项，服从一阶自回归过程/>
Figure QLYQS_17
，其中/>
Figure QLYQS_18
为自回归参数，/>
Figure QLYQS_19
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
Figure QLYQS_28
进行调优；包括：
首先，对参数进行初始化；
对
Figure QLYQS_29
进行初始化：设置/>
Figure QLYQS_30
；其中，/>
Figure QLYQS_31
为/>
Figure QLYQS_32
的集合，/>
Figure QLYQS_33
；/>
Figure QLYQS_34
参数的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
Figure QLYQS_35
；计算残差方差作为方差的初始化，记为/>
Figure QLYQS_36
；初始化自回归参数为：/>
Figure QLYQS_37
；
然后，采用EM算法将
Figure QLYQS_38
进行优化，并采用块坐标下降算法迭代优化，直至收敛；在第/>
Figure QLYQS_39
次迭代中，E步和M步分别为：
A21.在E步，固定第
Figure QLYQS_40
步的深度混合效应模型参数/>
Figure QLYQS_41
：
Figure QLYQS_42
，通过最大后验概率方法，第/>
Figure QLYQS_43
次迭代优化第/>
Figure QLYQS_44
层温度整体偏移量即优化隐变量/>
Figure QLYQS_45
；E步的优化方程表示为：/>
Figure QLYQS_46
其中，
Figure QLYQS_55
是历史数据收集到的打印层层数；/>
Figure QLYQS_56
为求解令目标公式最小化的参数值；/>
Figure QLYQS_57
为/>
Figure QLYQS_58
的向量转置；/>
Figure QLYQS_59
，/>
Figure QLYQS_60
是第i层对噪声项/>
Figure QLYQS_61
的拟合的所有数据；/>
Figure QLYQS_47
是第i层、第/>
Figure QLYQS_48
个时刻对噪声项/>
Figure QLYQS_49
的拟合数据；/>
Figure QLYQS_50
是根据一阶自回归过程的自回归参数/>
Figure QLYQS_51
得到的第/>
Figure QLYQS_52
层噪声项/>
Figure QLYQS_53
的协方差矩阵；其中/>
Figure QLYQS_54
；
优化方程式1的显式最优解表示为：
Figure QLYQS_62
其中，
Figure QLYQS_63
为第/>
Figure QLYQS_64
个时刻；
A22.在M步，固定
Figure QLYQS_65
，通过块坐标下降算法逐个优化/>
Figure QLYQS_66
四项参数；M步的优化方程表示为：
Figure QLYQS_67
其中，
Figure QLYQS_68
是根据待优化的一阶自回归过程的自回归参数/>
Figure QLYQS_69
得到的第/>
Figure QLYQS_70
层噪声项/>
Figure QLYQS_71
的协方差矩阵；
优化
Figure QLYQS_72
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/>
Figure QLYQS_73
时，优化方程式2有显式最优解；优化/>
Figure QLYQS_74
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
Figure QLYQS_75
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/>
Figure QLYQS_76
；基于/>
Figure QLYQS_77
得到调优后的金属增材制造实时温度模型/>
Figure QLYQS_78
；
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
Figure QLYQS_79
，计算模型残差
Figure QLYQS_80
，表示为：
Figure QLYQS_81
其中，
Figure QLYQS_82
为时刻；/>
Figure QLYQS_83
为待监测打印层/>
Figure QLYQS_84
时刻前的所有时刻；/>
Figure QLYQS_85
为第i层/>
Figure QLYQS_86
时刻前的所有温度残差数据；/>
Figure QLYQS_87
为第i层/>
Figure QLYQS_88
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
Figure QLYQS_89
，计算/>
Figure QLYQS_90
时刻的霍特林统计量/>
Figure QLYQS_91
，表示为：
Figure QLYQS_92
其中，
Figure QLYQS_93
，/>
Figure QLYQS_94
为根据一阶自回归过程的自回归参数/>
Figure QLYQS_95
得到的噪声项/>
Figure QLYQS_96
的协方差矩阵；
B3.根据得到的
Figure QLYQS_97
，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
Figure QLYQS_98
进行优化，并采用块坐标下降算法迭代优化；在第/>
Figure QLYQS_99
次迭代中，E步和M步分别表示为：
Figure QLYQS_100
Figure QLYQS_101
其中，/>
Figure QLYQS_102
分别是数据/>
Figure QLYQS_103
的集合，
Figure QLYQS_106
；/>
Figure QLYQS_108
表示求解得到令目标公式最大化的参数值；/>
Figure QLYQS_109
为参数/>
Figure QLYQS_110
的后验概率；/>
Figure QLYQS_104
为参数/>
Figure QLYQS_105
的似然函数；/>
Figure QLYQS_107
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，
Figure QLYQS_111
表示为：
Figure QLYQS_112
步骤A22中，
Figure QLYQS_113
表示为：
Figure QLYQS_114
。
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
Figure QLYQS_115
时，优化方程式2的显式最优解表示为：/>
Figure QLYQS_116
。
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，
Figure QLYQS_117
表示为：
Figure QLYQS_118
其中，
Figure QLYQS_119
为/>
Figure QLYQS_120
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
Figure QLYQS_121
，其中/>
Figure QLYQS_122
为卡方分布上侧/>
Figure QLYQS_123
分位数，/>
Figure QLYQS_124
为第一类错误率；当/>
Figure QLYQS_125
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
Figure QLYQS_126
设置为0.01。/>
CN202310283601.7A 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 Active CN115994490B (zh)

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 CN115994490A (zh) 2023-04-21
CN115994490B true 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 (4)

* Cited by examiner, † Cited by third party
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
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220032376A1 (en) * 2020-07-29 2022-02-03 University Of South Florida Metals-based additive manufacturing methods and systems with thermal monitoring and control
CN112557445B (zh) * 2020-11-17 2022-04-12 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
CN112836582B (zh) * 2021-01-05 2023-09-26 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
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

Also Published As

Publication number Publication date
CN115994490A (zh) 2023-04-21

Similar Documents

Publication Publication Date Title
CN107480440B (zh) 一种基于两阶段随机退化建模的剩余寿命预测方法
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
CN112763929B (zh) 一种储能电站系统电池单体健康预测方法及装置
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
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
Kamal et al. Fault detection and isolation for PEM fuel cell stack with independent RBF model
CN116757534A (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
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
CN114298134A (zh) 风电功率预测方法及装置、电子设备
CN116167531A (zh) 一种基于数字孪生的光伏发电预测方法
Pattanaik et al. System identification using neuro fuzzy approach for IoT application
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
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
CN116738868A (zh) 一种滚动轴承剩余寿命预测方法
Yoon et al. Quantifying the multi-objective cost of uncertainty
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
CN114239796A (zh) 一种基于扩展卡尔曼滤波的电力系统状态估计方法
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
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
CN110515069B (zh) 一种用于分布式目标跟踪的自适应一致性信息滤波方法
CN110057742B (zh) 锂离子电池极片孔隙率在线检测方法及其应用

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