Oct, 2023

面向焊接工艺的基于深度学习的在线质量预测系统

PDF
TL;DR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。
digitization of manufacturing processesmachine learning-assisted quality assurancegmawdeep learningpredictive quality system
发现论文，激发创造
  • 深度学习驱动的焊接质量控制增益：预测珠焊中的焊接深度和气孔体积

    为提高焊接过程的质量保证，本研究提出一种强大的深度学习模型，能够预测两个关键焊接性能特征（KPCs）：焊缝深度和平均孔隙体积。

    Dec, 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

    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。

    Apr, 2023

  • 通过深度学习推进增材制造：现有进展与未来挑战的综述

    综述了近期对应用深度学习改进增材制造过程的研究，总结了其贡献和局限性，并指出了该领域中当前的挑战和前景，包括广泛几何类型的深度学习模型泛化、管理增材制造数据和模型的不确定性、利用生成模型克服有限和噪声的增材制造数据问题，以及揭示深度学习在增材制造中的潜力。

    Mar, 2024

  • 利用卷积神经网络和迁移学习进行制造缺陷检测和分割

    提出了一种基于掩膜区域卷积神经网络（Mask Region-based CNN）的系统，用于在 X 射线图像中识别铸造缺陷。该系统同时执行输入图像的缺陷检测和分割，并采用转移学习来减少训练数据需求并提高训练模型的预测准确性。

    Aug, 2018

  • 深度加工：车削机加工误差的在线预测

    DeepMachining 是一个基于深度学习的人工智能系统，用于在线预测车床加工操作中的加工误差。通过预训练深度学习模型来学习加工状态的显著特征，并通过微调预训练模型来适应具体的加工任务，我们证明了 DeepMachining 在涉及不同工件和切削工具的多项任务中具有较高的预测准确性。据我们所知，这项工作是使用预训练的深度学习模型来预测车床加工误差的最早的工厂实验之一。

    Mar, 2024

  • MeltpoolNet: 金属添加制造中的熔池特征预测，使用机器学习

    本文引入了一个全面的机器学习框架，利用物理感知型的 MAM 特征化、多功能机器学习模型和评估指标，预测熔池缺陷和几何形状，为熔池控制和工艺优化提供了基础。此外，还发现了基于数据驱动的显式模型，用于从工艺参数和材料性质估算熔池几何形状。

    Jan, 2022

  • 利用低质量 X 射线摄影术、通过模拟进行的合成 X 射线数据增强，以及机器学习自动检测铝合金压铸材料和纤维金属层压板中的隐藏损伤和杂质

    使用 X 射线单投影和多投影（CT）图像进行自动损伤和缺陷检测的基于数据驱动建模的方法和挑战，主要包括数据和特征的变异性，数据特征标注（用于监督机器学习），以及缺乏地面实况数据等。

    Nov, 2023

  • 使用深度强化学习进行零缺陷智能锻造

    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。

    Jan, 2022

  • 一个增强型的基于惊喜引导的顺序学习框架用于预测熔池几何形状

    利用先进的数据驱动技术在网络制造中，尤其是克服金属添加制造的传统挑战方面，展示了顺序人工智能和机器学习的巨大影响。

    Jan, 2024

  • 金属增材制造中覆盖层特性预测的混合机器学习框架

    研究使用机器学习技术结合多物理计算流体动力学模型和实验数据来预测金属添加制造过程中材料的特性和加工参数的影响，创造性地解决了数据稀缺的问题并提出了一个高效、准确和可扩展的预测和优化模型。

    Jul, 2023