[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

权利要求书

1.基于机器学习的多层电弧增材制造过程热历史预测方法，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；

在步骤1)中，建立多层电弧增材制造过程热历史数据库，具体过程如下：

1.1)生成多层电弧增材制造过程，包括：设定电弧增材制造过程参数，建立多层电弧增材制造制件模型和选择多层电弧增材制造路径模式；

1.2)确定电弧增材制造空间；

1.3)建立电弧增材制造热分析仿真模型：在所述电弧增材制造空间中为每一个多层电弧增材制造过程建立热分析仿真模型；

1.4)建立热分析有限元模型并计算：在有限元软件中，为每一热分析仿真模型建立热分析有限元模型并计算，得到热分析仿真模型每一仿真步对应的温度场，即多层电弧增材制造过程热历史的有限元计算结果；

1.5)设计数据结构：提取热分析仿真模型的每一仿真步时刻的制造状态数据和温度场数据，制造状态数据和温度场数据通过热分析仿真模型单元集的激活顺序数据和温度数据来表示；

1.6)构建热分析仿真模型的热历史数据对集；

1.7)提取所有电弧增材制造过程的热分析仿真模型的热历史数据对集并合并，得到多层电弧增材制造过程热历史数据库；

所述的步骤1.5)中，所述的数据结构的设计步骤如下：

1.5.1)定义单元的激活时间t_activation：单元的激活时间t_activation为激活该单元的仿真步的开始时间t_begin，所有单元的激活时间用三维矩阵P表示，阶数为n_x×n_y×n_z，n_x、n_y、n_z分别为热分析仿真模型单元集在x维度、y维度、z维度上的单元数；

1.5.2)定义单元集激活顺序数据和单元集温度数据：第m个仿真步的单元集激活顺序数据和单元集温度数据分别由三维矩阵S_m和三维矩阵T_m表示，阶数为n_x×n_y×n_z，i,j,k为单元集中位于x方向第i、y方向第j、z方向第k个的单元的索引，S_m和T_m的定义如下：

第m个仿真步的单元集激活顺序数据S_m的计算式如下：

读取有限元模型计算结果文件，得到每一仿真步中每一单元的八个顶点的温度值，第m个仿真步的所有单元顶点的温度数据用三维矩阵N_m表示，阶数为(n_x+1)×(n_y+1)×(n_z+1)；

第m个仿真步的单元集温度数据T_m的计算式如下：

在步骤2)中，所述的集成学习模型的设计具体步骤如下:

2.2.1)集成学习模型由一个归一化层、三个基学习器、一个卷积层和一个过滤层构成，每个基学习器由一个双向长短时记忆网络和多个全连接层构成；

2.2.2)将输入数据I归一化处理，如下公式所示：

H_{normalization}＝exp(-k_{normalization}×I)

其中，k_{normalization}为归一化系数；H_{normalization}为归一化层的输出；

2.2.3)将所述H_{normalization}分解得到三个基学习器的输入矩阵序列；

2.2.4)所有基学习器均由一个双向长短时记忆网络和多个全连接层组成，基学习器的输入矩阵序列通过双向长短时记忆网络和全连接层，得到基学习器的输出矩阵序列；

2.2.5)将单一基学习器的输出矩阵序列通过连接得到的三维矩阵作为卷积层单一通道的输入，三个卷积层通道输出矩阵的平均值即为卷积层的输出矩阵；

2.2.6)通过过滤层对卷积层的输出矩阵进行过滤后得到集成学习模型的输出O。