.png){kind=icon}
返回
Reinforcement learning-based laser cutting machine parameter optimization
.png){kind=icon}
PRE
AI
DOI：10.1007/s10845-025-02619-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在基于激光的光学薄膜切割中实现高精度需要仔细调整焦距和激光功率等参数，并根据每种薄膜类型的特定属性进行调整。基于试错的传统方法被用于寻找各种薄膜的最适合切割参数，但这些方法速度慢且不准确。为解决此问题，本文提出了基于激光切割的强化学习算法（RL²C），该算法使用ε-贪心策略的Q学习来动态优化切割参数，显著减少了锥度尺寸和薄膜浪费。此外，RL²C整合了动态环境空间适应性机制，使其能够适应学习过程中遇到的新状态，特别是在多批次实验中。实验结果表明，与各种基于强化学习的优化方法相比，RL²C在寻找最优切割参数时所需的步骤更少、时间更短。具体而言，RL²C相比现有方法最多可减少12.5%的优化步骤和81.8%的处理时间。本研究通过提高切割质量、减少时间和薄膜浪费以及最小化人工干预，展示了强化学习在工业激光切割过程中的应用潜力。
Keyword:
Reinforcement learning
Q-learning
Parameter optimization
Dynamic environment space
期刊
IF:
7.4
论文数:
3.5K
被引数:
1.1W
机构
引用论文
.png){kind=icon}
Process parameter optimization in laser cutting of Coir fiber reinforced Epoxy composite - a review
PREAI
分享收藏Traditional machine learning and deep learning for predicting melt-pool cross-sectional morphology of laser powder bed fusion additive manufacturing with thermographic monitoring传统机器学习和深度学习在热像监测下预测激光粉末床熔融增材制造熔池截面形态
PREAI
分享收藏Machine learning-based optimization of process parameters in selective laser melting for biomedical applications基于机器学习的生物医学选择性激光熔化工艺参数优化
PREAI
分享收藏
查看更多内容