一种面向增材制造预测建模的物理信息机器学习与控制混合框架

《JOURNAL OF INTELLIGENT MANUFACTURING》：A hybrid physics-informed machine learning and control framework for predictive modeling in additive manufacturing

　　

摘要

增材制造（Additive Manufacturing, AM），通常被称为3D打印，作为一种极具前景的技术，长期以来经历了显著的进步。在其众多技术路线中，选择性激光烧结（Selective Laser Sintering, SLS）彻底改变了航空航天、生物医学和工业领域中复杂几何形状部件的制造方式。为了进一步推动增材制造的发展，有效的控制、监测和优化至关重要。在这一方面，物理信息机器学习（Physics-Informed Machine Learning, PIML）作为一种有前景的策略受到了关注，因为它特别适用于计算成本和实验成本都很高的系统，而这些挑战正是增材制造固有的问题。然而，目前针对增材制造的PIML研究仍然有限，且在物理信息框架中集成实时控制构成一个关键空白。现有的控制策略，如比例-积分-微分（Proportional-Integral-Derivative, PID）控制和模型预测控制（Model Predictive Control, MPC），往往与物理信息神经网络（Physics-Informed Neural Networks, PINNs）解耦，主要基于降阶模型或孤立的温度测量进行操作。在本研究中，我们提出了一种新颖的面向控制的PIML框架，称为PID-PINN框架，该框架将PID控制律直接嵌入到PINN架构中，从而实现SLS过程中体积热源的动力学调节。该框架基于DeepXDE实现，使用支配SLS热流体行为的偏微分方程进行训练，并结合了由高保真Digimat-AM仿真生成的时空温度场数据。通过引入实时温度反馈与PID控制相结合，所提出的方法在构建过程中最大限度地减小了热偏差。这形成了一种闭环的、可解释的且物理一致性的增材制造热控制方法，为下一代自主制造系统奠定了基础。本工作的主要贡献在于将PID控制逻辑无缝集成到PINN框架中，使得在统一架构内同时实现对热物理动力学的学习和控制，从而将PINN从被动的预测器转变为主动的控制器。