公开(公告)号：CN115081329B

公开(公告)日：2024-08-13

申请号：CN202210720195.1

申请日：2022-06-23

Applicant: 华南理工大学

Inventor： 韩昌骏 ,  严佛宝 ,  杨永强 ,  王迪 ,  宋长辉

IPC: G06F30/27 ,  B22F10/28 ,  B22F10/85 ,  B33Y50/02 ,  G06F113/10 ,  G06F119/14

Abstract: 本发明公开了一种基于stacking的多能量场增材制造金属零件的力学性能预测方法，通过采集多能量场增材制造技术制备金属零件过程的工艺参数进行数据处理，选用皮尔逊相关度分析方法筛选关键特征量，筛选后的数据集划分成训练集和测试集，划分后的数据集用于训练和检验预测模型；对拆分后的数据集进行缺失值填补、剔除异常值、归一化数据处理，初级学习器对数据集进行k折交叉验证，构造新的数据集；将新数据集输入次级学习器进行训练，得到最终的预测模型；基于stacking集成学习方法融合不同机器学习模型，提高预测精度及稳定性，用少量数据实现金属材料的力学性能预测，为研究和优化多能量场增材制造装备的工艺参数提供有力的工具，减轻实验时耗费的人力物力。

公开(公告)号：CN116740005A

公开(公告)日：2023-09-12

申请号：CN202310641513.X

申请日：2023-05-31

Applicant: 华南理工大学

Inventor： 韩昌骏 ,  严佛宝 ,  黎凯 ,  袁道林 ,  王迪 ,  胡高令 ,  董志 ,  杨永强

IPC: G06T7/00 ,  G06V10/30 ,  G06V10/56 ,  G06V10/44 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/092

Abstract: 本发明涉及一种基于强化学习的粉末床熔融增材制造缺陷检测及抑制方法，包括如下步骤S1实时获取粉末床熔融增材制造过程中的图像及状态数据，并对所述图像及所述状态数据进行预处理；S2搭建基于D3QN的强化学习模型，包括定义环境、奖惩机制定义、搭建神经网络和经验回放过程；S3将步骤S1经预处理后获取的所述粉末床熔融增材制造过程中的图像信息以及状态数据输入至所述基于D3QN的强化学习模型中进行训练，获取粉末床熔融增材制造过程中的最佳决策信息，并获得相应的训练模型；S4利用基于D3QN的强化学习模型获取的所述训练模型实现粉末床熔融增材制造过程缺陷检测及抑制，以此提高粉末床熔融增材制造的零件品质。

公开(公告)号：CN115081329A

公开(公告)日：2022-09-20

申请号：CN202210720195.1

申请日：2022-06-23

Applicant: 华南理工大学

Inventor： 韩昌骏 ,  严佛宝 ,  杨永强 ,  王迪 ,  宋长辉

IPC: G06F30/27 ,  B22F10/28 ,  B22F10/85 ,  B33Y50/02 ,  G06F113/10 ,  G06F119/14

Abstract: 本发明公开了一种基于stacking的多能量场增材制造金属零件的力学性能预测方法，通过采集多能量场增材制造技术制备金属零件过程的工艺参数进行数据处理，选用皮尔逊相关度分析方法筛选关键特征量，筛选后的数据集划分成训练集和测试集，划分后的数据集用于训练和检验预测模型；对拆分后的数据集进行缺失值填补、剔除异常值、归一化数据处理，初级学习器对数据集进行k折交叉验证，构造新的数据集；将新数据集输入次级学习器进行训练，得到最终的预测模型；基于stacking集成学习方法融合不同机器学习模型，提高预测精度及稳定性，用少量数据实现金属材料的力学性能预测，为研究和优化多能量场增材制造装备的工艺参数提供有力的工具，减轻实验时耗费的人力物力。