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.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115994490A(43)申请公布日2023.04.21(21)申请号202310283601.7(22)申请日2023.03.22(71)申请人北京大学地址100871北京市海淀区颐和园路5号(72)发明人徐瑞宇宋喆人吴建国(74)专利代理机构北京万象新悦知识产权代理有限公司11360专利代理师黄凤茹(51)Int.Cl.G06F30/27(2020.01)G06N3/04(2023.01)G06N3/08(2023.01)G06F113/10(2020.01)G06F119/08(2020.01)权利要求书4页说明书7页附图1页(54)发明名称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(57)摘要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。CN115994490ACN115994490A权利要求书1/4页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2CN115994490A权利要求书2/4页值；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：3CN115994490A权利要求书3/4页其中，，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；B