将塔古奇的实验设计与深度自适应学习相结合,增强了人工智能过程模型,以节省制造过程开发中的实验成本

科学领域:

• 材料科学与工程 材料科学与工程
• 制造过程 制造过程 制造过程
• 在工程领域的人工智能.

背景情况:

• 对像AA7075这样的合金的加工优化对于成本有效的制造至关重要.
• 传统的实验设计可能是资源密集型,需要更高效的方法.

研究的目的:

• 调查深度适应性学习增强的人工智能 (AI) 过程模型的潜力,以优化干加工加工.
• 评估AI模型理解低分辨率实验设计和确定因果关系的能力.
• 为了在加工过程优化方面实现显著的成本节约.

主要方法:

• 使用L18 (6^13^3) 塔古奇直角阵列实验,使用6个工具插件和3个操作参数 (切割深度,料率,切割速度).
• 训练有素的人工智能模型,包括多层感知器人工神经网络 (MLP-ANNs),支持矢量机器 (SVM) 和决策树,使用实验数据.
• 对比AI模型,以了解低分辨率实验设计的有效性和确定输入和输出变量之间的因果关系.

主要成果:

• 人工智能模型成功地确定了工件表面粗度和工具寿命的最佳操作输入范围.
• 人工智能响应表面揭示了基于合金和非合金涂层工具插件的不同工具寿命行为.
• 人工智能-塔古奇混合建模实现了26%的实验节约,与传统的塔古奇设计与全因数实验相比.

结论:

• 深度适应性学习增强的人工智能模型提供了一个有前途的方法,可以在减少实验力度的情况下优化加工过程.
• 人工智能模型可以有效地从低分辨率的实验数据中提取因果关系,从而大幅节省成本.
• 人工智能-塔古奇混合技术为使用合金的工业中高效的加工过程优化提供了强大的工具.