.png){kind=icon}
返回
Reinforcement learning-based closed-loop control system for adaptive process parameter optimisation in 3D printing
.png){kind=icon}
PRE
AI
DOI：10.1080/10589759.2026.2626956.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
增材制造在质量一致性方面存在主要问题，具体取决于所使用的材料类型和工艺条件。在本论文中，所采用的控制方法是基于强化学习（RL）的闭环控制框架，用于3D打印参数的实时自适应优化。我们开发了一个自主系统，该系统通过调节激光功率、打印速度和沉积路径来优化质量测量指标。对三种增材制造技术（FDM、SLM、DIW）的实验验证表明，与常规方法相比，该系统使质量指标提升了35–55%，效率提升了18–28%（p < 0.001，Cohen d > 2.0）。该架构结合了分层控制结构与实时传感技术，实现了92%的首次正确成功率（相较于75%的基准值）以及60%的设置时间节省。研究结果表明，强化学习控制器在管理非线性动力学、最小化仿真到现实（sim-to-real）适配误差以及自主优化系统方面具有实用性，这标志着向智能制造系统迈出了重要一步。
Keyword:
Reinforcement learning
adaptive control
3D printing
closed-loop control
Process optimisation
additive manufacturing
期刊
N
IF:
4.2
论文数:
1.8K
被引数:
2.1K
机构
引用论文
Optimal data-driven control of manufacturing processes using reinforcement learning: an application to wire arc additive manufacturing使用强化学习对制造过程进行最佳数据驱动控制: 在电弧增材制造中的应用
OAAI
OAAI分享收藏FDM 3D printing surface quality optimisation: multi-objective parameter control based on hybrid machine learning and response surface methodologyFDM 3D打印表面质量优化：基于混合机器学习与响应面法的多目标参数控制
PREAI
分享收藏NN Reinforcement Learning Adaptive Control for a Class of Nonstrict-Feedback Discrete-Time Systems一类非严格反馈离散时间系统的NN强化学习自适应控制
PREAI
分享收藏Integration of Adaptive Control and Reinforcement Learning for Real-Time Control and Learning自适应控制和强化学习的集成，用于实时控制和学习
PREAI
分享收藏Unsupervised machine learning for flaw detection in automated ultrasonic testing of carbon fibre reinforced plastic composites用于碳纤维增强塑料复合材料自动超声检测中缺陷检测的无监督机器学习.png)
ULTRASONICS
OAAI
ULTRASONICSIF4.1
OAAI分享收藏
查看更多内容