一种物理引导的贝叶斯加权损失函数框架，用于电弧增材制造中稳健的几何到工艺反演

《JOURNAL OF INTELLIGENT MANUFACTURING》：A physics?guided Bayesian?weighted loss?function framework for robust geometry?to?process inversion in wire arc additive manufacturing

　　工业应用电弧增材制造（WAAM）需要类似于计算机辅助制造（CAM）的数字工艺链，但其核心瓶颈在于缺乏能够从目标几何形状稳健推断工艺参数的数字工艺内核。WAAM参数与沉积焊道几何形状之间的映射具有高度随机性和非唯一性，而WAAM物理过程的复杂性和不完全理解，加之工业数据有限，阻碍了基于物理方程残差构建通用约束以及训练复杂生成模型。在此，我们提出了一种物理引导的贝叶斯加权和模型引导的损失函数框架，称为BWMG。通过物理引导的邻域增强，BWMG将难以量化的工艺扰动表示为显式数据分布，并结合高斯邻域先验与贝叶斯加权，将噪声标签拟合转化为后验推断。与重建完整多模态后验的生成方法不同，BWMG将多解反演表述为面向决策的贝叶斯点估计问题，从而产生具有高后验可信度和局部鲁棒性的代表性工艺解。在5083铝合金和Q235钢数据集上的实验表明，相对于基线模型，BWMG将平均误差分别降低了29.2%和25.5%，误差标准差分别降低了42.0%和27.4%，同时在数据分布偏移下保持低误差波动。机理分析表明，物理引导的梯度和曲率调节在有限数据下提高了反演稳定性。涉及锐角填充、变曲率结构和空腔的成形案例进一步验证了其在路径规划和几何保真度方面进行工艺参数决策的潜力，为高保真WAAM制造的数字工艺内核提供了一条新途径。