[发明专利]一种增材制造过程数字孪生模块构建方法

权利要求书

1.一种增材制造过程数字孪生模块构建方法，其特征在于，包括以下步骤：

步骤1：进行增材制造实验，并收集相应工艺参数下的熔池尺寸作为实验数据，形成增材制造过程的物理实体，所述工艺参数包括激光功率和扫描速度，所述熔池尺寸包括熔池宽度和深度；

所述步骤1具体为：改变激光功率和扫描速度来获得不同工艺参数组合，为获取同一参数下多条单道，选择正方形轮廓扫作为实验的扫描策略，熔池宽度和深度通过对打印后正方形轮廓不同边上的沉积道进行测量取平均值得到；

步骤2：建立增材制造过程多物理场耦合机理模型，并对机理模型的置信度进行验证，进一步基于高置信度机理模型进行数字平台虚拟打印并获得相应打印结果与数据，形成增材制造物理过程的数字孪生体；

所述步骤2具体为：对机理模型置信度进行验证的具体验证方法是将实验所用到的多组激光功率和扫描速度组合作为机理模型的输入，取稳态时的熔池宽度和深度作为对应输出，再将输出与实验得到的熔池宽度和深度结果比较，保证偏差在要求误差范围内，保证了机理模型有效性之后，在预定的激光功率和扫描速度中取多个间隔来得到更多工艺参数组合，进而将这些参数组合输入机理模型获得更多熔池尺寸数据；

步骤3：对实验和机理模型所得数据进行分析处理后构建增材制造机器学习模型，采用实验和机理模型所得数据进行模型训练与验证，获得最优机器学习模型，并基于机器学习对工艺参数与熔池尺寸进行正向、逆向预测，实现增材制造物理实体与数字孪生体的虚实融合与数据互通；

所述步骤3具体为：将分析处理后的实验数据和机理模型所得数据划分为训练集、验证集、测试集，为避免激光功率与扫描速度量纲和变化范围不一致对预测造成影响，将训练集中的数据进行归一化处理，具体运算表达式如公式(1)：

其中：表示归一化后的数据，x_i表示原始数据，E[x_i]表示训练集中的数据平均值，表示训练集中的数据标准差，

所述的机器学习模型为多层感知器模型，所述多层感知器模型被用于工艺参数到熔池尺寸的正向预测以及由熔池尺寸到工艺参数的逆向预测中，正向预测和逆向预测中，机器学习模型将分为6类，其中正向预测2类，逆向预测4类，正向预测的2类模型为：①输入：激光功率和扫描速度，输出：熔池宽度；②输入：激光功率和扫描速度，输出：熔池深度，逆向预测的4类模型为：方案1：①输入：熔池宽度和深度，输出：激光功率；②输入：熔池宽度和深度，输出：扫描速度；方案2：①输入：熔池宽度、深度和扫描速度，输出：激光功率；②输入：熔池宽度、深度和激光功率，输出：扫描速度，

之后构建多层感知器模型，多层感知器模型的参数包括激活函数、优化算法、训练轮数、隐藏层数和隐藏层神经节点数，其中激活函数选择整流线性单元函数ReLU，优化算法选择均方根反向传播法RMSprop，正向预测训练轮数选择200，逆向预测训练轮数选择300，

隐藏层数与神经节点数利用增长法来获得，即通过逐渐增加隐藏层数和神经节点数来寻找最优机器学习模型，获取最优机器学习模型的过程为：步骤A.首先选定多层感知器模型的隐藏层数和神经节点数，采用K折交叉验证方法对训练集进行训练，步骤B.然后将验证集的输入数据导入步骤A中的多层感知器模型中，得出对应的预测输出，根据同一输入下验证集的实际输出和多层感知器的预测输出比较得到预测误差与准确率，最后逐渐增加神经节点数和隐藏层数以得到不同多层感知器模型，重复步骤A和步骤B得到不同多层感知器模型的预测误差与准确率，比较不同多层感知器模型的预测误差与准确率，找到预测性能最优的多层感知器模型，也称为最优机器学习模型，多层感知器模型的预测结果用绝对百分比误差APE和准确率AR来衡量，其表达式分别为公式(2)和公式(3)：

AR＝(1-APE) (3)

其中，为机器学习模型的预测值，y_i为实际值；

步骤4：将获得的最优机器学习模型用于实验和机理模型的新数据预测，实现增材制造实验、高置信度机理模型与机器学习融合，以及相应的工艺参数与熔池尺寸的高效与准确预测。

2.根据权利要求1所述的增材制造过程数字孪生模块构建方法，其特征在于，

所述步骤1中激光功率取值范围在220W-350W之间，扫描速度在300mm/s-1500mm/s之间。