机构名称：
¥ 1.0
背景和目标 激光粉末床熔合 (LPBF) 被广泛认为是金属合金增材制造 (AM) 领域最有前途的制造工艺之一。AM 提供的设计自由度和复杂性是独一无二的，并且非常有益，尤其是对于工具应用而言。由于创新的 AM 设计解决方案，现在可以大大缩短工艺周期并提高零件质量。尽管有上述好处，但在大型复杂的制造任务中，LPBF 工艺容易出现缺陷和工艺稳定性相关问题。此类故障一旦发生，会严重影响所生产材料的质量和工艺的整体前景。因此，利用可监控工艺及其偏差的手段非常重要。如今，提供 LPBF 工艺现场监测功能的系统已在商业上存在，尽管其在后处理能力和数据评估方面的成熟度仍然有限。本研究的目的是研究并可能开发一个基于机器学习 (ML) 算法的框架，该框架可以对为 LPBF 工艺开发的现场监测系统生成的原始数据进行后处理。感兴趣的监测系统主要是光学断层扫描 (OT) 和熔池 (MP) 分析。这项工作的重点是识别和实施基于图像分析的学习模型，该模型可以关联来自监测系统的输入，以便记录和聚类潜在的材料和工艺异常。
硕士论文提案（AM 中的 AI）- UAB KaU 2020
主要关键词
相关文件推荐
