使用贝叶斯自适应共振的金属添加剂制造的无监督质量监测

科学领域:

• 材料科学 材料科学 材料科学
• 制造业 工程 制造工程
• 数据科学数据科学数据科学

背景情况:

• 金属增材制造 (MAM) 提供复杂形状的自动化生产,但其可再生性质量低.
• 目前的质量监测依赖于受监督的机器学习,由于广泛的数据要求,这是昂贵和耗时的.
• 开发高效的实时质量控制对于释放MAM的全部潜力至关重要.

研究的目的:

• 调查无监督机器学习的可行性,以监测金属添加剂制造中的制造制度和质量.
• 开发一种自我学习算法,减少对标记训练数据的需求.
• 为了使适应性质量控制系统能够在最小的机器修改下实现.

主要方法:

• 利用无监督机器学习,结合内核贝叶斯规则和贝叶斯自适应共振.
• 采用激光粉床聚变的空气声波排放数据作为输入.
• 将算法应用于现实生活中的制造数据,以识别不同的制度.

主要成果:

• 成功识别了关键制造模式,包括导电模式,稳定的钥匙孔和不稳定的钥匙孔.
• 在识别制造条件时,实现了超过88%的自学准确度.
• 演示了算法能够有效地构建传入数据的能力.

结论:

• 无监督机器学习为金属增材制造中的实时质量监测提供了可行的解决方案.
• 开发的方法大大减少了与算法准备和数据标签相关的时间和成本.
• 这项工作为能够适应不断变化的制造条件的插入式质量监测系统铺平了道路.