使用不完备的机械知识进行制造过程加速且低成本的机器学习

Apr, 2023

使用不完备的机械知识进行制造过程加速且低成本的机器学习

Accelerated and Inexpensive Machine Learning for Manufacturing Processes with Incomplete Mechanistic Knowledge

Jeremy Cleeman, Kian Agrawala, Rajiv Malhotra

TL;DR本研究提出了一种基于迁移学习的方法，通过使用大量来源于基于物理的流程模型的计算廉价的数据进行 ML 模型训练，然后在少量代价昂贵的实验数据上进行微调，从而降低了新工艺过程物理模型开发的高成本，并且该方法在 Fused Filament Fabrication 的印刷线宽建模中表现良好，减少了模型开发时间、实验成本、计算成本和预测误差。

Abstract

machine learning (ML) is of increasing interest for modeling parametric effects in manufacturing processes. But this approach is limited to established processes for which a deep physics-based understanding has been developed over time, since state-of-the-art approaches focus on reduci

machine learning transfer learning physics-based models fused filament fabrication cost reduction

发现论文，激发创造

金属增材制造的机器学习：使用基于物理学的神经网络预测温度和熔池流体力学

结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

Jul, 2020

机器学习在流体力学实验中的转化潜力

机器学习在实验流体力学领域具有重要的应用前景，可以提高测量技术的保真度和质量，改进实验设计和数值模型，并实现实时估计和控制。

Mar, 2023

通过转换和增强不完美的训练数据实现鲁棒机器学习

机器学习的数据敏感性和数据不完整性的研究，包括公平表示学习、对不可靠功能进行学习的问题，以及强化学习中的数据不充分覆盖问题。

Dec, 2023

为流程挖掘定制机器学习

本文探讨了在将机器学习模型整合进过程挖掘管道中所需考虑的问题，特别是数据分布的非参数性以及并发限制，提出了正确地将机器学习与过程挖掘相结合的方法学基础及在这一方向上的研究思路。

Jun, 2023

结构导向的材料和工艺设计中的机器学习

近年来，加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值，必须考虑制造过程，并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法，涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题，即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法，在金属成型过程中制造具有所需属性的晶体纹理，展示了该方法的功能。

Dec, 2023

工程中融合先验知识的机器学习路径

本研究介绍一个三级知识集成机器学习方法，在工程领域平衡整体主义和还原主义的视角，以在数据驱动的过程中转移和利用领域知识。

Jul, 2023

通过可解释性方法的整合提升制造质量预测模型

该研究提出了一种利用可解释性技术来提升机器学习模型在铣削过程质量预测中的性能的方法，通过制造业实例论证。该方法包括机器学习模型的初始训练，然后通过可解释性方法识别并消除不相关的特征，从而提高性能，为潜在的制造成本降低和对训练后的机器学习模型的更好理解铺平了道路。这项研究突出了在制造领域中，可解释性技术在解释和优化预测模型方面的实用性。

Mar, 2024

将科学知识与机器学习相结合，用于工程和环境系统

本文探讨了机器学习与传统基于物理模型的建模方法相结合解决复杂科学和工程问题的创新方法，总结了这些方法的应用领域，并描述了用于构建基于物理引导的机器学习模型和混合物理 - 机器学习框架的分类方法，提出了现有技术的分类方法，揭示了知识漏洞和不同学科间方法的潜在交叉点，可用作未来研究的思路。

Mar, 2020

可解释的人工智能用于过程建模的改进

通过使用现代 Transformer 架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及 XAI 组件提供的新见解。

Dec, 2022

机器学习化学厂模拟的可扩展性：一种微调模型以诱导稳定固定点的方法

通过将机器学习模型直接拟合到植物传感器数据上，我们采用了一种结构化的方法，将化工厂的每个单元表示为一个机器学习模型，并将这些模型连接成一个类似于流程图的有向图。我们发现，对于较小的工厂，这种方法效果良好，但对于较大的工厂，流程图中大型和嵌套循环引起的复杂动力学导致循环求解器的不稳定性。我们对这个问题进行了深入分析，并表明这不仅是一个专业性问题，而是一个更普遍的挑战，可能在应用机器学习于较大工厂时经常出现。为了解决这个问题，我们提出了一种微调机器学习模型的方法，使得使用常规方法求解循环变得稳定。

Jul, 2023