[发明专利]具有快速特征生成的机器学习

说明书

一种方法，包括：识别用以生产零件的增材制造过程的机器过程参数；提供真实世界传感器以感测与所述增材制造过程的真实世界版本相关联的特性；在机器执行所述增材制作过程的真实世界版本时，从所述真实世界传感器接收传感器读数；采用基于计算机的处理器，生成与所述增材制造过程相关联的、基于物理学的特征；以及至少部分地基于所述机器过程参数、所述传感器读数和所述基于物理学的特征来训练机器学习软件模型，以预测所述真实世界传感器的性能。

相关申请的交叉引用

本申请要求于2019年4月23日递交、题为“基于V+R数据的机器学习服 务(MACHINELEARNING SERVICE BASED ON V+R DATA)”的美国临时专 利申请62/837,452的优先权权益，并且要求于2019年4月23日递交、题为“具 有用于选择性激光熔化打印参数优化的快速特征生成的机器学习(MACHINE LEARNING WITH FAST FEATURE GENERATION FORSELECTIVE LASER MELTING PRINT PARAMETERS OPTIMIZATION)”的美国临时专利申请 62/838,114的优先权权益。这些在先申请所公开的全部内容通过引用并入本文。

技术领域

本申请涉及机器学习，并且更具体地，涉及基于虚拟数据和真实数据的机 器学习。

背景技术

在硬件上，传感器值被用于控制(例如，飞行器飞行控制或制造控制)。如 今，网络物理控制系统通常使用虚拟模型来进行设计。因此，重要的是精确预 测传感器值。此外，制造业受到在早期(例如，首次)就生产出质量可接受的 产品零件的挑战。

特别是，与增材制造过程相关联的复杂性包括大量的打印参数和发生在不 同尺度下的快速演进物理特性，比如，熔池级别处的材料相变和多孔性，以及 零件级别的失真和残余应力发展。通常，使用物理模拟以预测所有质量度量的 成本高。

发明内容

在一个方面，一种方法，包括：识别用以生产零件的增材制造过程的机器 过程参数；提供真实世界传感器以感测与所述增材制造过程的真实世界版本相 关联的特性；在机器执行所述增材制作过程的真实世界版本时，从所述真实世 界传感器接收传感器读数；采用基于计算机的处理器，生成与所述增材制造过 程相关联的、基于物理学的特征；以及至少部分地基于所述机器过程参数、所 述传感器读数和所述基于物理学的特征来训练机器学习软件模型，以预测所述 真实世界传感器的性能。

在某些实施方式中，基于物理学的特征包括能量通量特征和有效传导特征。 所述能量通量特征大体对应于所述增材制造过程中特定的时间段内递送到关注 区域中的能量的量。所述有效传导特征大体对应于通过热传导对引入关注区域 的能量的耗散能力。

在另一方面，一种系统，包括计算机，所述计算机包括：基于计算机的处 理器；以及基于计算机的存储器，存储有计算机可执行指令，当计算机可执行 指令被基于计算机的处理器执行时，使得基于计算机的处理器生成与增材制造 过程相关联的、基于物理学的特征。所述系统包括：一个或多个机器，被配置 成基于与所述增材制造过程相关联的机器过程参数，执行所述增材制造过程的 真实世界版本；真实世界传感器，用以感测与所述增材制造过程的真实世界版 本相关联的特性；以及机器学习软件模型，被训练成基于以下各项来预测所述 真实世界传感器的性能：基于物理学的特征、所述机器过程参数、以及在所述增材制造过程的真实世界版本中来自所述真实世界传感器的传感器读数。

在某些实施方式中，存在以下优势中的一个或多个。

例如，高度准确的传感器预测成为可能。此外，在无需采用第一原则对传 感器的具体工作进行建模的情况下并且在无需进行广泛校准努力的情况下，就 可实现预测。能够高效地实现高度准确的传感器预测。一经训练，预测模型可 用于各种方式，包括：用来优化机器过程参数、用来检测传感器异常、和/或支 持后续系统模拟。