[发明专利]基于机器学习的多层电弧增材制造过程热历史预测方法

说明书

本发明公开了一种基于机器学习的多层电弧增材制造过程热历史的预测方法，包括：1)建立多层电弧增材制造过程热分析仿真模型，进行有限元模拟分析，提取每一仿真步时刻的制造状态数据和温度数据，建立多层电弧增材制造过程热历史数据库；2)建立基于双向长短时记忆网络的集成学习模型并训练；3)完成集成学习模型的训练及测试并保存后，对新的电弧增材制造过程热历史进行预测。本发明采用基于多个以双向长短时记忆网络为主的基学习器的集成学习模型来拟合单元集激活顺序数据与单元集温度数据的映射关系，得到的实际输出数据与理想输出数据的吻合度较高，预测精度较高且预测速度快，占用内存小。

技术领域

本发明涉及电弧增材制造技术领域，具体的是基于机器学习的多层电弧增材制造热历史预测方法。

背景技术

电弧增材制造是一种快速成型技术，该技术以焊接电弧为热源，焊丝为原材料，通过焊接沉积工艺形成零件。与传统的减材制造技术相比，该技术可以提高制造效率，减少设计限制并减少材料浪费。电弧增材制造过程的热历史对最终制件的残余应力分布、基板变形等具有重要影响。因此，为了对制件进行质量控制，需要对电弧增材制造过程中的热场变化进行准确且快速的预测，以反馈指导制造参数的选择。

常用的多层电弧增材制造过程热历史预测方法有有限元方法、解析方法和半解析方法。有限元方法采用生死单元技术来模拟增材制造过程材料的堆积，预测精度较高，但由于热源的高能量密度将导致当前沉积区域周围的温度梯度较大，因此需要精细的时空离散化以确保结果的准确性，这将导致较高的计算成本。

一些解析方法相比于有限元方法避免了网格带来的高计算成本，效率较高，但这些方法往往基于许多假设和简化，例如假设基板为半无限域、简设材料热物理参数和温度无关等，这些假设和简化将影响最终的预测精度。

一些解析方法或半解析方法将整个增材制造过程离散为一系列不连续点制造过程或一系列连续线段制造过程，并基于解析方法获得每个子制造过程的热场，整个增材制造过程的温度场即为每一子制造过程温度场顺序作用的结果。较前述一类解析方法，该类方法的预测精度更好且适用范围更广，但过程离散化对应的迭代计算将不可避免地增加时间成本。

公开号为CN110363289A的专利说明书公开了一种基于机器学习的工业蒸汽量预测方法，该预测方法基于锅炉传感器采集的历史工况数据和实际排放的蒸汽量，通过对历史工况数据进行时间序列分解来获得历史工况数据的内在趋势和周期信息两项特征数据，还通过长短时记忆网络(LSTM)算法学习历史工况数据的内在趋势、周期信息、以及与历史工况数据相对应的实际排放量，最终训练构建LSTM算法预测模型，锅炉传感器新采集的工况数据经过时间序列分解后输入LSTM算法预测模型，即可输出锅炉的预测蒸汽量。

数据驱动方法基于一个数据库，该数据库包含一定数量的数据对，每个数据对均由沉积过程的描述数据和相应的热场数据组成，并选择模型，例如代理模型(J.Li,R.Jin,H.Z.Yu,Integration of physically-based and data-driven approaches for thermalfield prediction in additive manufacturing,Mater.Des.139(2018)473–485.https://doi.org/10.1016/j.matdes.2017.11.028.)和神经网络模型(K.Ren,Y.Chew,Y.F.Zhang,J.Y.H.Fuh,G.J.Bi,Thermal field prediction for laser scanningpaths in laser aided additive manufacturing by physics-based machinelearning,Comput.Methods Appl.Mech.Eng.362(2020).https://doi.org/10.1016/j.cma.2019.112734.)，以挖掘数据对元素之间的映射关系，该类方法在预测精度和预测效率方面的表现良好，但是，目前仅存在关于单层增材过程热场预测的数据驱动方法的研究。

发明内容