[發(fā)明專利]基于機器學(xué)習(xí)的多層電弧增材制造過程熱歷史預(yù)測方法有效
| 申請?zhí)枺?/td> | 202011174760.6 | 申請日: | 2020-10-28 |
| 公開(公告)號: | CN112149335B | 公開(公告)日: | 2022-07-19 |
| 發(fā)明(設(shè)計)人: | 沈洪垚;周澤鈺;談學(xué)鋒 | 申請(專利權(quán))人: | 浙江大學(xué) |
| 主分類號: | G06F30/23 | 分類號: | G06F30/23;G06F30/27;G06F113/10;G06F119/08 |
| 代理公司: | 杭州天勤知識產(chǎn)權(quán)代理有限公司 33224 | 代理人: | 胡紅娟 |
| 地址: | 310013 浙江*** | 國省代碼: | 浙江;33 |
| 權(quán)利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關(guān)鍵詞: | 基于 機器 學(xué)習(xí) 多層 電弧 制造 過程 歷史 預(yù)測 方法 | ||
1.基于機器學(xué)習(xí)的多層電弧增材制造過程熱歷史預(yù)測方法,包括:
1)建立多層電弧增材制造過程熱分析仿真模型,進行有限元模擬分析,提取每一仿真步時刻的制造狀態(tài)數(shù)據(jù)和溫度數(shù)據(jù),建立多層電弧增材制造過程熱歷史數(shù)據(jù)庫;
2)建立基于雙向長短時記憶網(wǎng)絡(luò)的集成學(xué)習(xí)模型并訓(xùn)練;
3)完成集成學(xué)習(xí)模型的訓(xùn)練及測試并保存后,對新的電弧增材制造過程熱歷史進行預(yù)測;
在步驟1)中,建立多層電弧增材制造過程熱歷史數(shù)據(jù)庫,具體過程如下:
1.1)生成多層電弧增材制造過程,包括:設(shè)定電弧增材制造過程參數(shù),建立多層電弧增材制造制件模型和選擇多層電弧增材制造路徑模式;
1.2)確定電弧增材制造空間;
1.3)建立電弧增材制造熱分析仿真模型:在所述電弧增材制造空間中為每一個多層電弧增材制造過程建立熱分析仿真模型;
1.4)建立熱分析有限元模型并計算:在有限元軟件中,為每一熱分析仿真模型建立熱分析有限元模型并計算,得到熱分析仿真模型每一仿真步對應(yīng)的溫度場,即多層電弧增材制造過程熱歷史的有限元計算結(jié)果;
1.5)設(shè)計數(shù)據(jù)結(jié)構(gòu):提取熱分析仿真模型的每一仿真步時刻的制造狀態(tài)數(shù)據(jù)和溫度場數(shù)據(jù),制造狀態(tài)數(shù)據(jù)和溫度場數(shù)據(jù)通過熱分析仿真模型單元集的激活順序數(shù)據(jù)和溫度數(shù)據(jù)來表示;
1.6)構(gòu)建熱分析仿真模型的熱歷史數(shù)據(jù)對集;
1.7)提取所有電弧增材制造過程的熱分析仿真模型的熱歷史數(shù)據(jù)對集并合并,得到多層電弧增材制造過程熱歷史數(shù)據(jù)庫;
所述的步驟1.5)中,所述的數(shù)據(jù)結(jié)構(gòu)的設(shè)計步驟如下:
1.5.1)定義單元的激活時間tactivation:單元的激活時間tactivation為激活該單元的仿真步的開始時間tbegin,所有單元的激活時間用三維矩陣P表示,階數(shù)為nx×ny×nz,nx、ny、nz分別為熱分析仿真模型單元集在x維度、y維度、z維度上的單元數(shù);
1.5.2)定義單元集激活順序數(shù)據(jù)和單元集溫度數(shù)據(jù):第m個仿真步的單元集激活順序數(shù)據(jù)和單元集溫度數(shù)據(jù)分別由三維矩陣Sm和三維矩陣Tm表示,階數(shù)為nx×ny×nz,i,j,k為單元集中位于x方向第i、y方向第j、z方向第k個的單元的索引,Sm和Tm的定義如下:
第m個仿真步的單元集激活順序數(shù)據(jù)Sm的計算式如下:
讀取有限元模型計算結(jié)果文件,得到每一仿真步中每一單元的八個頂點的溫度值,第m個仿真步的所有單元頂點的溫度數(shù)據(jù)用三維矩陣Nm表示,階數(shù)為(nx+1)×(ny+1)×(nz+1);
第m個仿真步的單元集溫度數(shù)據(jù)Tm的計算式如下:
在步驟2)中,所述的集成學(xué)習(xí)模型的設(shè)計具體步驟如下:
2.2.1)集成學(xué)習(xí)模型由一個歸一化層、三個基學(xué)習(xí)器、一個卷積層和一個過濾層構(gòu)成,每個基學(xué)習(xí)器由一個雙向長短時記憶網(wǎng)絡(luò)和多個全連接層構(gòu)成;
2.2.2)將輸入數(shù)據(jù)I歸一化處理,如下公式所示:
Hnormalization=exp(-knormalization×I)
其中,knormalization為歸一化系數(shù);Hnormalization為歸一化層的輸出;
2.2.3)將所述Hnormalization分解得到三個基學(xué)習(xí)器的輸入矩陣序列;
2.2.4)所有基學(xué)習(xí)器均由一個雙向長短時記憶網(wǎng)絡(luò)和多個全連接層組成,基學(xué)習(xí)器的輸入矩陣序列通過雙向長短時記憶網(wǎng)絡(luò)和全連接層,得到基學(xué)習(xí)器的輸出矩陣序列;
2.2.5)將單一基學(xué)習(xí)器的輸出矩陣序列通過連接得到的三維矩陣作為卷積層單一通道的輸入,三個卷積層通道輸出矩陣的平均值即為卷積層的輸出矩陣;
2.2.6)通過過濾層對卷積層的輸出矩陣進行過濾后得到集成學(xué)習(xí)模型的輸出O。
該專利技術(shù)資料僅供研究查看技術(shù)是否侵權(quán)等信息,商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于浙江大學(xué),未經(jīng)浙江大學(xué)許可,擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術(shù)合作,請聯(lián)系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202011174760.6/1.html,轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
- 根據(jù)用戶學(xué)習(xí)效果動態(tài)變化下載學(xué)習(xí)數(shù)據(jù)的系統(tǒng)及方法
- 用于智能個人化學(xué)習(xí)服務(wù)的方法
- 漸進式學(xué)習(xí)管理方法及漸進式學(xué)習(xí)系統(tǒng)
- 輔助學(xué)習(xí)的方法及裝置
- 基于人工智能的課程推薦方法、裝置、設(shè)備及存儲介質(zhì)
- 基于強化學(xué)習(xí)的自適應(yīng)移動學(xué)習(xí)路徑生成方法
- 一種線上視頻學(xué)習(xí)系統(tǒng)
- 一種基于校園大數(shù)據(jù)的自適應(yīng)學(xué)習(xí)方法、裝置及設(shè)備
- 一種學(xué)習(xí)方案推薦方法、裝置、設(shè)備和存儲介質(zhì)
- 游戲?qū)W習(xí)效果評測方法及系統(tǒng)





