利用人工智能的表面处理过程中的故障预测制造技术

一种用于表面处理过程的故障分类的计算机实现的方法，该方法包括：接收表面处理过程的影响一个或多个故障模式的一个或多个过程参数；并且接收与表面处理过程相关的一个或多个过程状态的测量相关的传感器数据。该方法包括由部署在控制表面处理过程的边缘计算装置上的机器学习模型处理接收到的一个或多个过程参数和传感器数据，以产生输出，该输出借由一个或多个故障模式实时地指示过程故障的概率。该述机器学习模型在监督学习机制下，基于过程数据、和从表面处理过程的物理模拟获得的故障分类标签、以及与所述表面处理过程相关的历史数据而训练。历史数据而训练。历史数据而训练。

【技术实现步骤摘要】
【国外来华专利技术】利用人工智能的表面处理过程中的故障预测
[0001]关于联邦资助的开发的声明
[0002]本专利技术的开发部分地由次级授予协议号ARM
‑
TEC
‑
18
‑
01
‑
F
‑
21支持，由先进机器人制造研究所(ARM)授予，该研究所根据美国陆军合约管理指挥部的技术投资协议号W911NF
‑
17
‑3‑
0004运作。因此，美国政府对这项专利技术可以拥有一定的权利。


[0003]本公开内容总体涉及表面处理过程中的故障预测领域。

技术介绍

[0004]各行各业对不同尺寸、几何形状和材料的部件采用了广泛的表面处理过程。这些表面处理过程涉及能量和/或材料沉积到工件上，并且可能需要高度专业化的设备。这些表面处理过程的示例包括金属的直接能量沉积、电子束金属沉积、基于聚合物的增材制造等。当今行业的一个问题是，这些过程需要精确校准过程参数(例如沉积率、沉积头速度、沉积物的温度和基础温度)，以防止部件过热，并防止温度梯度，这反过来会导致残余应力。这些残余应力可能导致部件的退化和缺陷。

技术实现思路

[0005]简而言之，本公开内容的各个方面与一种利用部署在边缘装置上的人工智能算法实时预测表面处理过程中的一个或多个故障模式的技术相关。
[0006]本公开的第一方面提出了一种用于表面处理过程的故障分类的计算机实现的方法。该方法包括接收影响表面处理过程的一个或多个故障模式的一个或多个过程参数。该方法还包括接收与表面处理过程相关的一个或多个过程状态的测量相关的传感器数据。该方法包括通过在控制表面处理过程的边缘计算装置上部署的机器学习模型处理接收到的一个或多个过程参数和传感器数据，以产生输出，借由一个或多个故障模式实时指示过程故障的概率。基于从表面处理过程的物理模拟得到的过程数据和故障分类标签，结合与表面处理过程相关的历史数据，在监督学习机制下对机器学习模型进行训练。
[0007]本公开的第二方面提出了一种用于表面处理过程的故障分类的系统。该系统包括传感器模块，被配置为生成与表面处理过程相关的一个或多个过程状态的测量相关的传感器数据。该系统还包括边缘计算装置，用于控制表面处理过程，边缘计算装置被配置为处理机器学习模型，机器学习模型接收影响一个或多个故障模式的表面处理过程的一个或多个过程参数以及在表面处理过程期间通过测量获得的传感器数据作为输入，以产生输出，该输出借由一个或多个故障模式实时地指示过程故障的概率。基于从表面处理过程的物理模拟得到的过程数据和故障分类标签，结合与表面处理过程相关的历史数据，在监督学习机制下对机器学习模型进行训练。
[0008]本公开的其他方面在于计算系统和计算机程序产品中实现上述方法的特征。
[0009]通过本公开的技术可以实现额外的技术特征和优点。本文详细描述了本公开的实
Engineers,Part B:Journal of Engineering Manufacture 229.10(2015):1803
‑
1813.)描述了电子束沉积中的故障建模方法。这些技术使研究人员能够在模拟环境中对过程进行建模，并推断出过程参数和故障之间的关系。这些建模技术的一些关键挑战是：1)过程参数和故障之间的关系是高度非线性的，很难准确地模拟所有的物理效应；2)这些模型需要高保真的多物理模拟，可能需要巨大的计算资源；3)很难将这些结果与关于真实过程的历史实验数据结合。
[0020]最近，深度学习技术被用于解决复杂非线性关系的建模问题。例如，见Francis等人(Francis,J.,&Bian,L.(2019).Deep Learning for Distortion Prediction in Laser
‑
Based Additive Manufacturing using Big Data.Manufacturing Letters,20,10
‑
14.)。虽然这些技术非常适合对复杂的关系进行建模，但它们需要大量的训练数据和专用硬件，这限制了它们在制造环境中的适用性。
[0021]使用现有技术，用户可能仍然不得不求助于离线过程建模和广泛的实验相结合，以实现可接受的解决方案。
[0022]本公开的各方面旨在简化用户的校准工作，提出表面处理过程的实时监测和故障预测的解决方案，同时不需要大量的实验数据。所公开的实施方式采用了基于人工智能(AI)的算法，该算法可在边缘计算硬件上运行，实时分析制造部件的过程参数和过程状态，以预测过程故障的概率。在此，故障被定义为存在部件缺陷，它可以借由一个或多个故障模式发生，例如翘曲、脱层、裂缝等。人工智能算法是使用模拟和实验数据的组合来训练的。这可以减少训练数据的数量，也可以让系统校准到特定的实验设置。
[0023]图2示意性地示出了根据本公开的一个方面的故障预测软件200。故障预测软件200并入有经过训练的机器学习模型(例如人工神经网络)，该机器学习模型接收与一个或多个过程状态的测量相关的传感器数据202、以及一个或多个过程参数204作为输入。基于接收到的输入202、204，机器学习模型产生输出206，该输出206借由一个或多个故障模式实时地指示过程故障的概率。在部署之前，基于从表面处理过程的物理模拟、以及与表面处理过程相关的历史数据中获得的过程数据和故障分类标签，对机器学习模型进行监督学习训练。所提出的故障预测软件200在计算上是高效的，这使得其能够被部署在靠近表面处理过程的边缘计算装置上，以确保实时运行，如图3所示。在一个实施方式中，所提出的故障预测软件200可以作为预知和健康监测应用程序部署，并可以与边缘AI硬件协调工作，以提供表面处理过程的实时预知。
[0024]一个或多个过程状态可以包括通过表面处理过程而构建或修改的部件的材料状态。材料状态可以通过在表面处理过程期间在离散的时间步(time step)中测量被制造的部件的热力学参数来测量。在本实施方式中，所考虑的热力学参数是部件的应力和温度。具体地，传感器数据可以指示所制造的部件中的应力分布和/或温度分布，例如，在部件的限定表面区域或体积上。温度分布可以通过使用一个或多个红外相机、高温温度计或其他类型的温度传感器来测量。应力分布可以通过例如一个或多个声发射传感器、加速度计(例如压电传感器)以及其他类型的应力传感器来测量。本专利技术人认识到，具体地，所制造的部件内的温度分布和应力分布的时变演化对过程故障具有高度的预测性。因此，在一个实施方式中，与材料状态(例如，温度和/或应力分布)相关的传感器数据被机器学习模型处理为序列数据，该序列数据包括表面处理过程期间的当前时间步的测量和表面处理过程期间的
(多个)进程(proceeding)时间步的测量。
[0025]一个或多个过程状态还可以包括与表面处理过程相关的环境状态(例如，环境温度)。环境状态可以静态测量或者可以在过程期间借由各本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于表面处理过程的故障分类的计算机实现的方法，所述方法包括：接收所述表面处理过程的影响一个或多个故障模式的一个或多个过程参数，接收与一个或多个过程状态的测量相关的传感器数据，所述过程状态与所述表面处理过程相关，由部署在控制所述表面处理过程的边缘计算装置上的机器学习模型来处理接收到的所述一个或多个过程参数和所述传感器数据，以产生输出，所述输出借由所述一个或多个故障模式实时地指示过程故障的概率，其中，所述机器学习模型在监督学习机制下，基于过程数据、以及从所述表面处理过程的物理模拟的故障分类标签、以及与所述表面处理过程相关的历史数据而训练。2.根据权利要求1所述的方法，其中，所述一个或多个过程参数包括工具路径、沉积头速度、所沉积的材料的温度、或者所述工具路径、沉积头速度、所沉积的材料的温度的任何组合。3.根据权利要求1或2中任一项所述的方法，其中，所述一个或多个过程状态包括通过所述表面处理过程而构建或修改的部件的材料状态。4.根据权利要求3所述的方法，其中，与所述材料状态相关的所述传感器数据被处理为序列数据，所述序列数据包括所述表面处理过程期间的当前时间步的测量、以及所述表面处理过程期间的进程时间步的测量。5.根据权利要求4所述的方法，其中，所述机器学习模型包括循环神经网络。6.根据权利要求3至5中任一项所述的方法，其中，所述材料状态包括通过所述表面处理过程而构建或修改的部件的应力分布和/或温度分布。7.根据权利要求3至6中任一项所述的方法，其中，所述一个或多个过程状态还包括与所述表面处理过程相关的环境状态。8.根据权利要求1至7中任一项所述的方法，其中，所述一个或多个故障模式包括多个故障模式，并且其中，所述机器学习模型的输出借由所述多个故障模式中的每一个指示所述过程故障的概率。9.根据权利要求1至8中任一项所述的方法，其中，所述一个或多个故障模式包括翘曲、脱层、裂纹形成、或者所述翘曲、脱层、裂纹形成的组合。10.根据权利要求1至9中任一项所述的方法，包括：当所述机器学习模型的输出中借由所述一个或多个故障模式的所述过程故障的概率超过阈值时，动态地调整过程参数。11.根据权利要求1至9中任一项所述的方法，包括：当所述机器学习模型的输出中借由所述一个或多个故障模式的过程故障的概率超过阈值时，停止所述表面处理过程或者输出警告通知，以使得能够静态地调整所述一个或...

【专利技术属性】
技术研发人员：沙尚克，
申请(专利权)人：西门子公司，
类型：发明
国别省市：