Jan, 2022

使用深度强化学习进行零缺陷智能锻造

PDF
TL;DR本文提出了一种基于数字化孪生技术的深度强化学习框架来优化模拟锻造生产线上的加热过程，为钢铁锻造等低数字化程度的产业带来了自动化与优化的解决方案。
material wastelow degree of automationdigital twin-based optimizationdeep reinforcement learningheating process
发现论文，激发创造
  • 深度神经算子支持的增材制造数字孪生建模

    通过构建数字孪生模型，利用深度神经算子和深度学习模型，结合高精度计算模型解决熔池状态和缺陷预测的问题，并通过优化算法控制激光输入来提高增材制造的质量。

    May, 2024

  • DeepForge：通过模型预测控制在金属成形中利用人工智能进行微结构控制

    本研究介绍了一种结合模型预测控制（MPC）和深度锻造（DeepForge）机器学习模型的封闭模具热锻微结构控制的新方法。DeepForge 利用包含 1D 卷积神经网络和门控循环单元的体系结构，利用工件表面温度测量值作为输入来预测锻造过程中的微结构变化。此外，研究还探讨了利用 MPC 调整间锤等待时间以对抗温度干扰以在工件的特定 2D 区域实现目标晶粒尺寸小于 35 微米。实验结果验证了方法的有效性，取得了锻造过程控制和质量改进的重要进展，其中温度作为额外的自由度被利用。

    Feb, 2024

  • 基于深度强化学习的激光粉末床熔化过程热均匀性刀路径生成

    采用深度强化学习为基础的工作路径生成框架，通过减少残余应力、实现热量均匀分布、避免过热区域，来优化激光粉床熔融（LPBF）过程中的残余应力问题。

    Feb, 2024

  • 面向增材制造的数字孪生框架：时间序列工艺优化的机器学习与贝叶斯优化

    利用数字孪生框架在实时预测控制激光直接能量熔化 (DED) 过程参数以满足特定设计目标，通过 LSTM 机器学习建立代理模型预测 DED 零件的温度，在此基础上引入贝叶斯优化 (Bayesian Optimization) 进行时间序列过程优化 (Time Series Process Optimization)，确定理想的激光功率轮廓以达到所需的力学性能。

    Feb, 2024

  • 基于区域方法的机器学习和物理约束神经网络在加热炉中的应用

    通过使用计算模型生成数据进行机器学习和深度学习模型训练，本文比较了大范围的机器学习和深度学习方法在不同炉环境下的温度预测性能，DL 方法在推理时间和模型性能方面具有综合平衡，在增强 DL 模型的外域概括能力方面，提出了一种基于物理知识的神经网络（PINN），该设置适用于任何标准的 ML 回归模型，以实现基础工业向工业 4.0 的过渡。

    Aug, 2023

  • 脉冲冲击射流传热控制的深度强化学习

    这项研究旨在探讨强化学习在基于计算流体力学的热控制中的适用性。结果表明，基于深度 Q 网络的 DRL 方法在热控制中具有较高的效率和可行性，其中软化双重 DQN 方法在各种变体中表现最佳，可以在控制周期的 98％以上将温度保持在期望的阈值范围内，这些发现证明了 DRL 在有效解决热控制系统方面的潜力。

    Sep, 2023

  • 基于物理的数字孪生技术在自主热食品加工中的应用：高效、非侵入式的简化建模

    本文提出了一种基于物理和数据驱动的数字孪生框架，用于自主食品加工，该框架含有最小计算负载、数据存储和传感器数据要求的精益数字孪生概念，并采用一个节俭的实验设计用于训练热处理的非侵入式降阶模型，其最佳模型的测试均方根误差小于 1 开尔文（0.2％平均百分比误差），模拟速度加快达到 1.8E4 Sp，可用于设备内的模型预测控制。

    Sep, 2022

  • 基于 MOOSE 的先进制造模型的降阶建模与操作员学习

    通过深度强化学习技术在先进制造中，开发一个高精确性且快速运行的简化模型，以用于过程控制和优化，同时通过运算学习方法与传统深度神经网络简化模型进行性能比较。

    Aug, 2023

  • 面向焊接工艺的基于深度学习的在线质量预测系统

    这篇论文介绍了基于深度学习的预测质量系统的概念，在制造业的数字化过程中利用机器学习实现质量保证，特别针对 GMAW 焊接过程进行复杂的数据关系分析和预测质量建模。

    Oct, 2023

  • TranDRL: 基于 Transformer 的深度强化学习驱动的预防性维护框架

    基于变压器神经网络和深度强化学习算法的集成框架，通过有效捕捉传感器数据中的复杂时间模式来准确预测设备的剩余寿命，并提供成本效益和及时的维护建议，从而为产业运营中存在的关键挑战提供创新的数据驱动方法，实现更高效、更经济、更可靠的系统。

    Sep, 2023