机构名称：
¥ 1.0
在增材制造领域，选择工艺参数以避免过度和不足沉积需要耗费时间和资源的反复试验。鉴于每个部件几何形状的独特特征，迫切需要推进实时过程监控和控制，以确保一致和可靠的部件尺寸精度。这项研究表明，支持向量回归 (SVR) 和卷积神经网络 (CNN) 模型为实时过程控制提供了一种有前途的解决方案，因为这些模型能够高精度地识别复杂的非线性模式。我们设计了一个新颖的实验来比较 SVR 和 CNN 模型的性能，以从单层单珠构造的熔池同轴图像间接检测珠高。研究表明，使用从同轴光学摄像机收集的熔池数据训练的 SVR 和 CNN 模型都可以准确预测珠高，平均绝对百分比误差分别为 3.67% 和 3.68%。 [DOI: 10.1115/1.4062800]
通过熔池监测进行焊珠几何形状预测的数据驱动方法
主要关键词
相关文件推荐
