用于增材制造部件的疲劳寿命预测的机器学习方法
阅读说明：本技术 用于增材制造部件的疲劳寿命预测的机器学习方法 (Machine learning method for fatigue life prediction of additively manufactured components ) 是由 尼古拉斯·拉门斯 于 2019-07-10 设计创作，主要内容包括：本发明涉及用于增材制造部件的考虑局部材料特性的疲劳寿命预测的方法和系统。该方法和系统被用于预测增材制造元件的疲劳寿命特性,具有数据收集步骤(1a,1b),其中收集针对元件的不同给定处理步骤的最大应力相对于疲劳破坏循环的多个数据点,具有训练步骤(2),其中利用收集的数据来训练机器学习系统,以及具有评估步骤(5,6),其中所训练的机器学习系统面对实际处理步骤并被用于预测元件的疲劳寿命特性。(The invention relates to a method and a system for fatigue life prediction of an additively manufactured component taking into account local material properties. The method and system are used for predicting fatigue life characteristics of an additively manufactured component, having a data collection step (1a, 1b), wherein a plurality of data points of maximum stress versus fatigue failure cycle for different given processing steps of the component are collected, having a training step (2), wherein a machine learning system is trained using the collected data, and having an evaluation step (5, 6), wherein the trained machine learning system faces the actual processing step and is used for predicting the fatigue life characteristics of the component.)
技术领域
本发明涉及一种用于增材制造部件的考虑局部材料特性的疲劳寿命预测的方法和系统。
背景技术
增材制造部件的疲劳特性(部件经受一定重复载荷多久)强烈地取决于部件被打印和后处理的确切方式。图1示出了从广泛的文献综述获得的增材制造的钛合金样品的疲劳行为散布。图1示出了最大应力相对于疲劳破坏循环。
根据打印和后处理部件的方式获得散布。打印和后处理既影响纯材料性能，也影响诸如粗糙度的伪像的发生或多孔的存在。为了精确地预测部件的疲劳行为，因此有必要根据许多参数(包括粗糙度、孔隙度...)来处理疲劳寿命。
增材制造的疲劳预测的一个问题在于，任何实验部件的疲劳寿命总是由影响疲劳寿命的多个参数的组合影响所造成。第二个问题在于，由于大量参数和相互作用的发生，使得难以开发、定义和校准描述这些不同参数如何相互作用的数学模型。此外，疲劳影响参数在复杂部件上不是恒定的，需要局部化的材料特性来考虑疲劳寿命。
因此，本发明要解决的问题是双重的，首先是如何使用机器学习方法描述不同参数与所得到的疲劳寿命之间的关系，其次是如何预测其中诸如粗糙度的参数在整个部件上变化(并且因此，疲劳行为在整个部件上不再恒定)的复杂部件的疲劳寿命。
为了描述不同参数与所得到的疲劳寿命之间的关系，可以采用几种方法。
打印参数(激光功率、速度……)已经被引入到损坏方法中。局限在于(i)关于需要如何将这些参数组合在单个参数中的先验假设，(ii)它们只能解释说明部分级别的疲劳但不包括在整个部件上的变化，以及(iii)不可能解释说明诸如表面粗糙度或孔隙度的伪像。(参考：https://doi.org/10.1016/j.ijmecsi.2019.02.032)。
对于常规的球墨铁铸造，已经研究了人工神经网络来对铸造质量(高、正常和低)进行分类，并基于最近邻方法来预测比例因子。然而，该方法仅考虑整体特性(即，拉伸强度)，并且仅试图改进将静态强度与疲劳特性相关的现有经验规则。该方法没有考虑影响疲劳寿命的局部效应，并且完全依赖于现有的经验规则来将不同因素与疲劳寿命相关联。在缺少现有经验规则(其当前在增材制造中不存在)的情况下，该方法不能提供产生疲劳预测方法的必要见解。(参考：在NAFEMS会议，德累斯顿，2019年3月，Lebensdauerabschatzung vonBauteilen ausauf der Grundlage der lokalen Materialeigenschaften(基于局部材料特性的球状石墨铸铁部件的使用寿命评估),J.Wang(Knorr-Bremse(克诺尔集团)))。
常规制造中存在一些经验规则，这些规则给出了关于如何补偿某些伪像的一些指导。局限在于对于铸造或锻造它们是基于经验得出的，并且不能确保结论可以被转用到增材制造，并且它们仅查看诸如表面粗糙度或孔隙度的伪像，但是不存在考虑打印取向(在铸造或锻造中不存在的参数)的规则。
一些作者已经探索了使用机器学习来预测伪像的出现(例如，通过在打印期间监视声音输出)。然而，这些论文仅集中于预测或检测伪像，而没有考虑它们如何影响疲劳寿命以及在存在伪像的情况下应当使用什么数学模型来预测疲劳。(参考：https://doi.org/10.1007/s00170-018-1728-0)。
在过去没有出版物的情况下可能使用标准内插法，因为这是标准的方法。然而，该方法具有严重的局限性。首先，多维内插不能在可用测试点的范围之外外推，因此需要在大范围上的大量测试数据可用，其次，仅可进行在校准点的界限内的预测。
因此，难以预测复杂部件的疲劳寿命。若干软件供应商已经实现了分区方法，其中复杂部件被分成多个区段，不同的材料特性被分配给每个区段。然而，该方法没有描述应当如何计算每个区段的不同特性。
发明内容
本发明的目的在于提出一种解决该问题的机器学习方法。
所描述的本发明使用机器学习来更准确地对增材制造部件的疲劳寿命特性建模，而无需关于不同参数如何影响疲劳寿命的任何先验假设。该方法通过计算机来实施，因此本发明包括在计算机硬件上执行的实现该方法的计算机程序，特别是在个人计算机、服务器计算机、工作站或另一类型的计算机硬件上执行的计算机程序。在优选实施例中，该方法以及因此执行的实现该方法的计算机程序被用于产品设计过程中。该产品设计过程可以以迭代方式采用该方法来优化产品和/或产品设计。该方法也可以从产品或生产设计的开始就使用。因此，通过使用本发明的系统、方法或计算机程序，产品设计或生产步骤(即，增材制造过程)，能够实现更好的产品。
尤其是，该任务通过根据权利要求1的方法和根据权利要求8的系统来解决。
该解决方案包括用于在工业产品设计或制造中预测增材制造的元件、试样或材料结构的疲劳寿命特性的系统和方法，具有数据收集步骤，其中，针对元件、试样或材料结构的不同给定处理步骤、表面和体积条件，收集最大应力相对于疲劳破坏循环的多个数据点，具有训练步骤，其中，利用所收集的数据来训练机器学习系统，以及具有评估步骤，其中，所训练的机器学习系统面对新的实际处理条件并且用于预测元件、试样或材料结构的疲劳寿命特性，并且具有应用步骤，其中，所预测的疲劳寿命特性被用于设计产品或者用于确定制造过程的参数。
尤其是，可以在迭代产品设计或生产优化过程中重复评估步骤，直到实现增材制造的元件、试样或材料结构(“产品”)的期望疲劳寿命特性。
该任务还通过一种用于预测工业产品设计或制造过程的增材制造的元件、样品或材料结构的疲劳寿命特性的系统来解决，该系统包括计算机硬件，该计算机硬件利用机器学习系统被编程，该系统被设置用于进行如前所述的训练步骤和评估步骤，该系统被设置用于向工业产品设计或制造过程提供评估步骤的结果。
该系统包括具有如西门子的Simcenter 3D的模拟软件和机器学习环境的计算硬件(例如，PC、服务器)。该系统的附加软件包括用于产品设计的CAD系统。有利地，该系统连接有增材制造系统，例如具有3D打印软件的3D打印机。该系统还包括常规外围设备，如显示器、存储器、键盘、数据接口等。
从属方法权利要求的特征和优点也以相应的方式应用于该系统。
附图说明
图2示出了描述工作流程和发明的图。
具体实施方式
本发明起始于第一方框“校准”中由用户提供的、来自实验测试或数值模拟的测试数据(步骤1a“实验测试数据”和步骤1b“数值模拟数据”)。来自步骤1a、步骤1b的测试数据被馈送到机器学习中(步骤2“训练机器学习模型”)。在有利的实施例中，使用具有平方指数协方差函数的高斯过程回归。在步骤2中训练机器学习算法。并行地，终端用户定义用例(第二方框“用例定义”)，在步骤3“复杂用户部件”中定义其部件，并且在步骤4“区和关联参数的用户定义”中定义对应于不同参数的不同区(例如，为了更好的表面粗糙度而加工的区段，包含增加的孔隙率的区段……)。
来自通过步骤3和4实现的用例定义的用例被馈送到定制的耐久性解算器(“用于增材制造的耐久性模拟”)，该耐久性解算器可以解释来自步骤4“区和相关联参数的用户定义”的参数。基于来自步骤2的训练模型，在步骤5(“通过机器学习模型自动分配每个区中的疲劳特性”)中为每个区进行自动计算以定义疲劳特性。然后在步骤6(“利用基于局部机器学习的特性的耐久性预测”)中，耐久性解算器通过考虑这些特定特征来计算准确的疲劳寿命。
主要的具体优点来自于将步骤2和步骤5作为工作流程的一部分，其中机器学习(步骤2)与分区概念AAF(步骤5)组合，以在步骤6中确定准确的疲劳特性，并且考虑复杂部件的增材制造相关参数(通过允许在单个部件中定义不同的区)。
该系统和方法提供了若干优点。本发明不需要关于所考虑的不同参数如何链接在一起以预测疲劳寿命的任何现有/先验知识或经验规则。本发明完全灵活地扩展到非常宽的参数范围，而不会增加用户的复杂性。本发明允许解释说明增材制造部件中的局部化现象以更好地预测疲劳寿命。本发明允许为终端用户提供关于材料如何表现以及各个因素的作用是什么的更好的见解，因为可以产生仅基于实验数据不可能产生的见解。本发明能够接受实验结果和数值模拟结果的组合作为机器学习的输入。本发明自动地提供预测疲劳寿命的置信区间，从而向终端用户给出预测有多可靠以及是否需要执行附加测试以保证性能的指示。
这些优点主要基于几个技术特征。通过使用机器学习(在有利的实施例中，高斯过程回归(GPR)方法已经被用于初始技术验证，而无需准确指出针对该特定方法的应用)用于增材制造部件的疲劳预测，仅进行关于数据应当如何表现的非常有限的假设。由此，所提出的方法能够在没有任何附加用户输入的情况下捕获增材制造部件中存在的复杂行为。所做的唯一假设是正态分布(因为中心极限定理和大数定律)和协方差函数的定义。
GPR对可以接受的输入参数的数量没有限制，因此可以像仅对3个部件一样容易地对数百个参数运行。为此不需要附加的用户输入来工作。
通过将局部化参数(粗糙度、孔隙度……)考虑为GPR的输入参数，可以以逐个元素的方法而不是以完整的部件来计算疲劳特性。因此，复杂结构可以被分成可管理的和可重复使用的部分。
GPR允许预测任意输入参数组的疲劳寿命。因此，可以研究单个参数对疲劳寿命的影响，即使这些测试不可能通过实验再现。
GPR方法不能区分实验或数值测试数据。由此，它可以处理纯实验的、纯数值的或混合的组合，而不增加算法的复杂性。
由于GPR固有地基于归一化分布，因此置信区间是该方法的固有部分。
用户可以执行解释说明增材制造部件复杂响应的更准确的疲劳模拟，而无需关于该主题的专业知识，这意味着该解决方案需要较少的专业知识。
疲劳模型可以具有局部化特性(可能自动生成)以进一步改进模型的准确性。
基于本发明，能够快速地提供用于AM(增材制造)部件的精确疲劳建模的解决方案，而对终端用户的要求最小(除了提供测试数据之外)。
本发明满足了对工业上可行的解决方案(即，考虑缺陷)的需要。新的且独特的方面是使用机器学习来考虑典型的增材制造的(局部化)现象及其对疲劳寿命的影响(图2中的步骤2)。概述的解决方案采用具有平方指数协方差函数的高斯过程回归。将机器学习方法与局部化特性组合允许部件具有变化的特性(图2中的步骤5)。在逐个元素的基础上工作已经得到了专家耐久性解算器的支持，例如西门子的Simcenter 3D。本发明增加了这种逐个元素方法的价值，因为它能够自动计算每个元件或区的适当疲劳特性。
对所提出的问题的一种替代解决方案是用任何其它建模方法来代替机器学习方法。可以设想几种方法，尽管具有它们的局限和挑战。最近邻技术往往具有非常有限的精度。在进行任何有用的预测之前，内插技术需要非常大的数据集。另外，仅可以进行完全在校准点范围内的预测。在多维空间中不可能进行外推。用于预定义模型的参数识别具有的缺点是，随着自由度(即，所考虑的参数)的数目增加，定义数学模型是非常具有挑战性的。此外，已知的是变量的分离不是增材制造的有效假设，这进一步使数学模型的开发复杂化。即使可以确定模型，参数识别也是具有挑战性的，并且可能需要在收敛之前具有多次迭代的优化方法。最后，如果需要考虑附加参数，则模型将难以扩展，并且可能需要完全重新定义需要专业知识的模型。调适现有经验规则所存在的问题在于，大多数经验规则仅关注于单个参数并且是为常规制造而设计的。这些模型在不修改的情况下应用于增材制造的情况是不可能的，并且组合多个规则将可能导致非常差的对应性，因为变量的分离对于增材制造材料是不现实的。