-
摘要: 3D打印技术是一种新兴的增材制造技术，许多人认为是一项将要改变世界的“破坏性”技术，并声称该技术将引发新一轮工业革命.本文根据3D打印技术涉及的不同核心成型技术、材料和设备体积等，介绍了3D打印技术的不同分类，综述了主流3D打印过程控制技术，指出了3D打印技术的控制系统存在的问题并提出了产业化进程中的建议和意见.Abstract: 3D printing is a new add manufacturing technology, and many people think it is a "destructive" technology that will change the world, claim it will trigger a new round of industrial revolution. According to 3D printing technology involved in different core forming technologies, materials and equipment volumes, this paper introduces the different classifications of 3D printing technology, overviews the mainstream 3D printing technology control system, discusses the problems existing in the control system of 3D printing, and provides suggestions and advices for the process of industrialization.
-
工业过程对象受原料属性、产品质量和产量及环境气候等因素的影响而具有动态特性, 这些动态变化通常包括传感器漂移和过程漂移, 在机器学习领域将其统称为概念漂移[1].基于历史数据构建的软测量模型难以适应这些变化, 导致预测性能下降.处理概念漂移的自适应机理包括样本选择(如滑动窗口)、样本加权(如递推更新)和在线集成学习(如子模型权重自适应、子模型参数自适应、子模型增加或删减)[2].集成学习模型的更新包括基于样本和基于批两种方式, 其中基于批的在线集成更新方式的较长更新时间周期常导致更新模型难以反映当前状态, 基于样本的在线集成更新方式则可以快速适应过程对象变化.本文的研究基于后一种更新策略.
采用每个新样本均进行模型更新并不符合工业实际情况.为选择能够代表过程对象概念漂移的新样本进行模型更新, 已有策略包括[3]:基于主元分析(Principal component analysis, PCA)模型的平方预测误差(Square prediction error, SPE)和Hotellin's $T^2$ 指标[4]、基于核特征空间近似线性依靠(Approximate linear dependence, ALD)条件[5-6]、基于预测误差限(Prediction error band, PEB)[7]以及基于建模样本原始空间ALD条件[8-9].但是, 基于PCA监控指标的方法因不设定更新阈值难以有效控制模型更新次数、基于PEB仅考虑了模型预测性能、采用ALD条件虽通过设定阈值有效控制了模型更新次数却未考虑模型预测性能的变化.
针对具体工业实践, 领域专家通常综合考虑过程特性变化和软测量模型预测性能等指标, 依据自身经验知识决策是否有必要进行软测量模型更新.因此, 如何有效地结合领域专家知识, 融合ALD值和模型预测误差(Prediction error, PE)所代表的具有不同视角的概念漂移程度, 即基于领域专家的经验和知识获取模糊规则, 对是否对软测量模型进行更新采用智能化识别是本文的关注焦点.
研究表明, 集成学习算法具有较好的概念漂移处理能力.文献[10]给出了基于加权集成的集成模型自适应系统的结构.汤健等提出了基于OLKPLS (On-line kernel partial least squares)算法更新回归子模型和在线自适应加权融合(On-line adaptive weighting fusion, OLAWF)算法更新子模型加权系数的磨机负荷参数在线软测量方法[9].上述两种方法未对集成模型结构进行更新, 难以有效地适应概念漂移.
文献[11]提出应用于分类问题的选择性负相关学习算法; 文献[12]给出预设定集成尺寸和权重更新速率的自适应集成模型; 文献[13]提出基于改进Adaboost.RT算法的集成模型; 文献[14]提出能够随识别目标复杂程度自适应变化的分类器动态选择与循环集成方法, 并可调整模型参数实现集成模型精度和效率的折衷; 文献[15]指出面向回归问题的在线集成算法较少, 并提出了基于样本更新的动态在线集成回归算法.面向高维小样本数据, 上述方法难以建立学习速度快、性能稳定的在线集成模型.
选择适合的子模型构建方法对集成模型的快速更新极为重要.误差逆传播神经网络(Back propagation neural network, BPNN)被过拟合、训练时间长等问题所困扰.面对小样本数据时, BPNN难以建立稳定性较高的预测模型.基于结构风险最小化的支持向量机(Support vector machine, SVM)建模方法适用于小样本数据建模, 需要花费较多时间求解最优解, 难以采用重新训练方式实现模型快速更新, 其在线递推模型是以次优解替代最优解.随机向量泛函连接网络(Random vector functional link, RVFL)求解速度快[16-18], 但在面向小样本数据建模时同样存在预测性能不稳定的问题, 并且难以直接用于高维数据建模.理论上, 基于RVFL的集成模型具有更好的建模可靠性[19-20].在隐含层映射关系未知的情况下, 将SVM中的核技术引入RVFL构建改进的RVFL (Improved RVFL, IRVFL)模型可有效克服上述问题[21].
RVFL作为一种单隐层的人工神经网络模型, 难以直接采用高维数据建模.维数约简是首先需要面对的问题[22], 解决方法主要是特征选择[23-24]和特征提取[25-26]技术.特征选择方法主要是选择与函数分类或估计目标关系密切的部分变量实现约简; 丢弃的部分特征可能会降低估计模型的泛化能力.特征提取是采用线性或非线性的方式确定适当的低维空间取代原始高维空间, 无需丢弃部分特征变量, 避免了特征选择技术丢弃部分特征引起的缺陷.基于偏最小二乘(Partial least squares, PLS)的特征提取方法[27]克服了PCA提取的潜在特征只关注输入数据、并非能有效用于函数估计问题的缺点; 并且, PLS递推算法较为容易实现[28].显然, 针对RVFL难以有效解决高维共线性数据的直接建模问题, 将其结合基于PLS的特征提取是较佳的解决方案之一.
综上, 本文提出了基于更新样本智能识别的在线集成建模方法.该方法首先提出一种采用模糊规则融合新样本的相对ALD (Relative ALD, RALD)值和相对PE (Relative PE, RPE)值的智能更新样本识别算法, 然后采用改进的递推PLS (Recursive, RPLS)对潜在特征进行递推更新, 最后重新训练并优化选择具有快速学习能力的IRVFL集成子模型, 在线测量过程中基于OLAWF算法进行权重系数动态更新.
1. 更新样本识别概述
离线构建的非线性模型 $f(\cdot)$ 不能代表具有时变特性的工业过程的当前工况.工业过程模型在时刻 $m_n $ 的输入输出关系采用下式表示.
$ {{y}_{{{m}_{n}}}}={f}'({{\boldsymbol{x}}_{{{m}_{n}}}}), \quad {{m}_{n}}=k+1, k+2, \cdots $
(1) 其中, ${f}'(\cdot)$ 是建模对象特性漂移后的非线性模型; ${ {\boldsymbol{x}}}_{m_n } $ 是时刻 $m_n $ 的输入变量.建立非线性过程的在线更新模型时, 至少需要以下步骤: 1)离线建模; 2)新样本依据旧模型进行测量输出; 3)采用新样本更新或重新构建非线性模型 $\hat {{f}'}(\cdot)$ .
正常工况下运行的工业过程多是慢时变的, 多数新样本可能并没有包含明显的时变信息.每次新样本 ${\rm {\boldsymbol{x}}}_{k+1} ^0 $ 出现时, 采用每个新样本进行模型更新不但耗时而且没有必要.显然, 识别能够代表过程对象概念漂移的新样本进行离线模型的自适应更新对简化模型结构、降低运算消耗和提高模型预测性能很有必要.
下文描述文献中常用方法[3].
1.1 基于PCA的方法
基于PCA的过程监视方法在化工、半导体制造等具有时变特性的工业过程得到成功应用.利用建立离线模型 $f(\cdot)$ 的训练数据构建PCA模型.将标定后的新样本 ${ {\boldsymbol{x}}}_{k+1} $ 分为两部分:
$ \begin{cases} {{\boldsymbol{x}}_{k + 1}}={{{\hat{ \boldsymbol{x}}}}_{k + 1}} + {{{\tilde{\boldsymbol{x}}}}_{k + 1}}\\ {{{\hat{\boldsymbol{x}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}{{{{\hat P}}}_k}{{\hat P}}_k^{\rm{T}}\\ {{{{\tilde{\boldsymbol{x}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}({{I}}-{{{{\hat P}}}_k}{{\hat P}}_k^{\rm{T}})} \end{cases} $
(2) 其中, ${{\hat P}}_k^{}$ 为负荷矩阵, ${{\hat{\boldsymbol{x}}}_{k + 1}}$ 和 ${{\tilde{\boldsymbol{x}}}_{k + 1}}$ 是 ${{\boldsymbol{x}}_{k + 1}}$ 在PCA模型的主元子空间和残差子空间上的投影.
计算新样本的SPE和Hotelling'ss $T^{2}$ [29]:
$ \begin{cases}{{{\boldsymbol{\hat{t}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}{{{{\hat P}}}_k}\\ {{{\hat{\boldsymbol{x}}}}_{k + 1}}={{{\boldsymbol{\hat{t}}}}_{k + 1}}{{\hat P}}_k^{\rm{T}}\\ {{{\tilde{\boldsymbol{x}}}}_{k + 1}}={{\boldsymbol{x}}_{k + 1}}-{{{\boldsymbol{\hat{x}}}}_{k + 1}}\\ SPE \equiv {{\left\| {{{{\tilde{\boldsymbol{x}}}}_{k + 1}}} \right\|}^2}={{\left\| {{{\boldsymbol{x}}_{k + 1}}({{I}}-{{{{\hat P}}}_k}{{\hat P}}_k^{\rm{T}})} \right\|}^2} \end{cases} $
(3) $ \left\{ {\begin{array}{*{20}{c}} {{T^2}={{\bf{x}}_{k + 1}}{{\hat P}_k}{{{\bf{\hat \Lambda }}}^{-1}}\hat P_k^{\rm{T}}{\bf{x}}_{k + 1}^{\rm{T}}}\\ {{{{\bf{\hat \Lambda }}}_k}=\frac{{\hat T_k^{\rm{T}}{{\hat T}_k}}}{{k-1}}={\rm{diag}}\{ {\lambda _1}, {\lambda _2}, \cdots, {\lambda _h}\} } \end{array}} \right. $
(4) 其中, ${{\boldsymbol{\hat{\Lambda}} }}_k$ 是由前h个特征值组成的特征向量; ${{{\hat T}}_k}$ 是得分矩阵.
通常, SPE用于度量新样本在残差子空间上的投影, 表示新样本偏离模型的程度; $T^{2}$ 度量新样本在主元子空间上的变化, 表示新样本在模型内部的偏离程度.如果SPE和 $T^{2}$ 满足如下条件, 不进行模型更新[4]:
$ \begin{cases} SPE \le SP{E_{{\alpha _{\rm pro}}}}\\ {T^2} \le T_{{\alpha _{\rm pro}}}^2 \end{cases} $
(5) 其中, $SPE_{{\alpha _{\rm pro}}}^{}$ 和 $T_{{\alpha _{\rm pro}}}^2$ 表示SPE和 $T^{2}$ 的控制限, 其定义详见文献[24].
1.2 基于ALD的方法
相对于建模样本, 工业过程中采集的新样本通常存在突变和缓变两种变化.文献[5,8]提出利用新样本和建模样本间的ALD值描述这种变化, 其定义如下:
$ {\delta _{k + 1}}=\min {\left\| {\sum\limits_{l=1}^k {{\alpha _l}{{\boldsymbol{x}}_l}-{{\boldsymbol{x}}_{k + 1}}} } \right\|^2} $
(6) 其中, ${\delta _{k + 1}}$ 可通过在输入样本原始空间或核空间中求解式(6)获得.基于 ${\delta _{k +1}}$ 和依经验设定的阈值 $v$ , 判断是否更新模型进而控制模型更新次数:若 ${\delta _{k + 1}}$ 小于等于设定阈值 $v$ , 不进行模型更新; 否则, 表明该新样本与建模样本相对独立, 进行模型更新.
在线建模过程中, 通常比较关注建模精度和建模速度, 它们是两个相互冲突的优化目标.实际应用中, 不同工业系统对建模精度与速度的侧重程度不同, 阈值的选择策略也不同: 1)侧重于建模精度时选择较小阈值, 极限情况是 $v=0$ , 即每个新样本均参与更新; 2)侧重于建模速度时选择较大阈值, 极限情况是 $v=v_{\lim }$ , 即没有新样本参与模型更新; 3)若需要在建模精度和速度间进行均衡, 阈值选择可表述为如下单目标优化问题[9]:
$ \begin{array}{*{20}{c}} {\max J={\gamma _1}{J_{{\rm{pred}}}}({v_{{j_v}}}) + {\gamma _2}{J_{{\rm{time}}}}({v_{{j_v}}}){\mkern 1mu} }\\ {{\rm{s}}.{\rm{t}}.\left\{ {\begin{array}{*{20}{l}} {{J_{{\rm{pred}}\_{\rm{low}}}} < {J_{{\rm{pred}}}}({v_{{j_v}}}) < {J_{{\rm{pred}}\_{\rm{high}}}}}\\ {{J_{{\rm{time}}\_{\rm{low}}}} < {J_{{\rm{time}}}}({v_{{j_v}}}) < {J_{{\rm{time}}\_{\rm{high}}}}}\\ {0 < {\gamma _1}, {\gamma _2} < 1}\\ {{\gamma _1} + {\gamma _2}=1} \end{array}} \right.} \end{array} $
(7) 其中, ${J_{{\rm{pred}}}}({v_{{j_{{v}}}}})$ 和 ${J_{{\rm{time}}}}({v_{{j_{v}}}})$ 是采用阈值 ${v_{{j_{{v}}}}}$ 时的建模精度和速度; $J_{{\rm {pred\_low}}} $ 和 $J_{{\rm{pred\_high}}} $ 、 $J_{{\rm {time\_low}}} $ 和 $J_{{\rm {time\_high}}}$ 是工业过程可以接受的建模精度、建模速度的下限和上限; $\gamma _1 $ 和 $\gamma _2 $ 是在建模精度和建模速度间进行均衡的加权系数.
通常, 最佳阈值需要依据使用者经验和特定领域问题的背景进行选择.
1.3 基于PE的方法
文献[7]基于模型选择性稀疏策略基本思想(即当过程的实际测量值能被模型准确估计时, 表明当前模型是准确的, 不必进行模型更新; 当预测误差超过一定范围时进行模型更新), 提出了基于预测误差限(PE bound, PEB)的更新样本识别算法; 提出通过有效地与领域专家的先验知识相结合, 选择适合的PEB值可避开完全黑箱数据模型的弊端.
当PEB满足如下条件时, 不进行模型更新:
$ {e_{{m_n}}} \le Rule\left(\{ \delta _{{m_n}}^1, \delta _{{m_n}}^2, \cdots\} \right) $
(8) 其中, $\delta _{m_n }^1, \delta _{m_n }^2, \cdots$ 表示依据先验知识设定的不同阈值, $Rule(\cdot)$ 表示依据经验设定的判断规则; 误差 $e_{m_n } $ 采用下式计算
$ {e_{{m_n}}}={y_{{m_n}}}-f({\boldsymbol{x}}_{{m_n}-1}^{}), \quad {{m_n}=k + 1, k + 2, \cdots } $
(9) 该方法依据实际需要预先定义多个 ${\delta _{{m_n}}}$ 阈值和相应规则对更新样本进行识别.
1.4 更新方法小结
由以上表述可知: 1)基于PCA模型识别更新样本的方法不设定更新阈值, 难以有效控制模型更新次数, 预测模型精度与更新速度间的均衡较难控制; 2)采用ALD条件在建模样本的核特征空间和原始空间中判断新样本与建模样本库的线性独立关系的方法, 虽然通过设定阈值可有效控制模型更新次数, 但对模型预测性能的变化未予以考虑; 3)基于PEB的方法考虑模型预测性能, 难以准确涵盖过程特性漂移, 而且对于某些难以在短时间内获得预测变量真值的复杂工业过程不能实现更新样本的识别.实际上, 复杂工业过程的时变特性(概念漂移)的影响不仅体现在当前单个新样本相对于建模样本的变化(ALD值)和相对于旧模型预测精度的变化(PE值), 还表现为某段时间内ALD值和PE值的累计变化.
如何依据这些变化进行模型更新与否的识别决策往往需要领域专家根据不同工业现场的实际情况而定, 即基于专家知识进行智能决策.因此, 如何有效地结合领域专家知识, 融合ALD阈值和模型PE值, 即基于领域专家的经验和知识获取模糊规则, 综合考虑新样本相对复杂过程的变化和预测输出的波动范围, 研究智能化更新样本识别方法是值得关注的研究热点之一.
2. 基于更新样本智能识别的自适应集成建模策略及其实现
通常工业过程都是在完成当前时刻软测量的一段时间后才能获得该时刻对应的真值, 其滞后时间的长短随工业过程的不同而具有差异性.也就是说, 我们首先基于旧模型进行在线测量, 然后依据采用离线化验等其他手段得到的真值对模型进行在线更新, 为下一时刻的软测量服务, 即分为在线测量和在线更新两个阶段.
本文提出基于智能更新样本识别算法的在线集成建模策略, 由离线建模、在线测量和在线更新模块三部分组成, 如图 1所示.其中, 离线建模由数据预处理、潜在特征提取、候选子模型构建、集成子模型选择与合并等组成; 在线测量模块由在线数据预处理、在线潜在特征提取、在线集成子模型预测、在线子模型权系数更新及在线合并子模型输出等部分组成; 在线更新模块包括数据递推预处理、智能更新识别、潜变量特征递推更新、集成子模型更新、非更新特征及集成子模型赋值等组成部分.
图 1中, ${{\boldsymbol{x}}}_{k+1}^0 $ 表示未经标定处理的新样本; ${{\pmb x}}_{k+1}^{{\rm old}} $ 表示采用旧均值和方差标定的新样本; ${\pmb z}_{k+1}^{{\rm old}} $ 表示采用旧PLS模型提取的新样本潜在变量; $f_k^{j\ast } (\pmb z_{k+1}^{{\rm old}})$ 和 $\hat {y}_{k+1}^{j\ast {\rm old}} $ 表示新样本基于旧的第 $j^\ast$ 个集成子模型进行预测及其输出; $w_{k+1}^{j\ast } $ 表示基于在线AWF (OLAWF)算法获得的子模型权系数; $\sum_{j\ast=1}^{J\ast } {w_{k+1}^{j\ast } } \hat {y}_{k+1}^{j\ast {\rm old}} $ 表示集成子模型的集成加权计算方法; $J^\ast $ 表示集成子模型数量, 即集成尺寸; $\hat {y}_{k+1} $ 表示新样本基于集成模型的输出; $\hat {y}_{k+1}^0 $ 表示重新标定后的在线测量值; ${{\boldsymbol{x}}}_{k+1} $ 表示数据递推预处理后的新样本; $\pmb z_{k+1}$ 表示潜在变量特征; $\{{{\boldsymbol{x}}}_l \}_{l=1}^k $ 表示旧子模型的建模样本; $f_k^{j\ast } (\pmb z_{k+1})$ 和 $\{(\hat {y}_{k+1}^{j\ast })_l \}_{l=1}^{k+1} $ 表示更新后的第 $j^\ast$ 个集成子模型及其输出; $F_{\rm ALD} (\cdot)$ 、 $F_{{\rm com}} (\cdot)$ 和 $F_{\rm thre} (\cdot)$ 分别表示RALD算法、基于专家规则的模糊融合算法及其决策输出函数; $a_{k+1}$ 表示新样本RALD值; $u_{sk+1}$ 表示融合RALD和RPE的输出值; $\theta _{\rm com} $ 表示基于经验设定的模糊融合输出阈值; $S_{k+1} $ 是更新决策值, 其值为1表示更新, 否则不更新.
该方法不同于其他在线集成模型方法, 集成子模型加权系数的更新是在在线测量阶段通过OLAWF算法完成的, 能够更好地适应工业过程的动态变化.
2.1 离线建模模块
此处采用文献[21]提出的基于潜变量特征的选择性集成IRVFL的建模策略构建离线软测量模型, 主要包括潜变量特征提取、子模型构建、子模型选择和子模型合并4个模块, 如图 2所示.
图 2 基于潜变量特征的选择性集成IRVFL离线软测量模型建模策略Fig. 2 Selective ensemble IRVFL off-line soft sensor model based on latent variable features图 2中, ${{ X}}_k^{{\rm old}}=\{(x_1, \cdots, x_p)_l \}_{l=1}^k $ , 即 $\{{{\boldsymbol{x}}}_l^{{\rm old}} \}_{l=1}^k $ , 表示建模的输入数据集; ${ { Z}}_k^{{\rm old}}=\{(z_1, \cdots $ , $ z_h)_l \}_{l=1}^k $ 表示采用PLS算法提取的潜变量特征, 即选择性集成模型的输入; $\{({ {\pmb z}}_{{\rm sub}}^j, y_{{\rm sub}}^j)_l \}_{l=1}^k $ 表示采用Bootstrap算法产生的第 $j$ 个训练子集; $f(\cdot)_j $ 表示在采用第 $j$ 个训练子集构建的基于IRVFL的候选子模型; $f^\ast (\cdot)_{j^\ast } $ 表示基于遗传算法优化工具箱(GA optimization toolbox, GAOT)选择的第 $j^\ast$ 个集成子模型; $\sum {W_{j^\ast }^{{\rm AWF}} f^\ast (\cdot)_{j^\ast } } $ 表示采用AWF加权算法对集成子模型进行合并; $\hat {y}_j $ 、 $\hat {y}_{j^\ast } $ 和 $\hat {y}$ 分别表示第 $j$ 个候选子模型、第 $j^\ast$ 个集成子模型和集成模型的输出.
由图 2可知, 共有4个学习参数需要选择:潜变量特征个数h、候选子模型数量 $J$ 、IRVFL算法的核参数 $\gamma _{\rm RVFL} $ 和惩罚参数 $C_{\rm RVFL} $ .建立离线选择性集成模型的过程可表述为求解如下优化问题:
$ \begin{matrix} \min {{J}_{\text{RMSRE}}}=\qquad \\ \sqrt{\frac{1}{{{k}^{\text{valid}}}}\sum\limits_{l=1}^{{{k}^{\text{valid}}}}{{{\left(\frac{y_{{}}^{l}-\sum\limits_{{{j}^{*}}=1}^{{{J}^{*}}}{w_{{{j}^{*}}}^{\text{AWF}}}\hat{y}_{{{j}^{*}}}^{l}}{{{y}^{l}}} \right)}^{2}}}} \\ \text{s}.\text{t}.\left\{ \begin{array}{*{35}{l}} {{{\mathbf{\hat{y}}}}_{j}}^{*}=OpSel({{{\mathbf{\hat{y}}}}_{1}}, \cdots, {{{\mathbf{\hat{y}}}}_{j}}, \cdots, {{{\mathbf{\hat{y}}}}_{J}}) \\ {{{\mathbf{\hat{y}}}}_{j}}=f{{\left(\mathbf{z}, {{\gamma }_{\text{IRVFL}}}, {{C}_{\text{IRVFL}}} \right)}_{j}} \\ 2\le {{J}^{*}}\le J \\ 1\le {{j}^{*}}\le {{J}^{*}} \\ 0\le j\le J \\ \sum\limits_{j=1}^{{{J}^{*}}}{w_{{{j}^{*}}}^{\text{AWF}}}=1 \\ 0\le w_{{{j}^{*}}}^{\text{AWF}}\le 1 \\ \end{array} \right. \\ \end{matrix} $
(10) 其中, $J_{{\rm RMSRE}} $ 表示选择性集成模型的均方根相对误差(Root mean square relative error, RMSRE); $k^{\rm valid}$ 表示验证样本集的数量; $OpSel(\cdot)$ 表示集成子模型的优化选择方法; $J^\ast $ 表示优选的集成子模型的数量; $w_{j^\ast }^{\rm AWF} $ 表示优选的集成子模型的加权系数.
PLS分解训练数据 ${ X}_k^{{\rm old}} $ 和 ${ Y}_k^{{\rm old}} $ 提取潜在特征的过程可表示为
$ \begin{matrix} \left[ \begin{matrix} X_{k}^{\text{old}} \\ Y_{k}^{\text{old}} \\ \end{matrix} \right]\Rightarrow \left\{ \begin{array}{*{35}{l}} X_{k}^{\text{old}}=T_{k}^{\text{old}}{{(P_{k}^{\text{old}})}^{\text{T}}}+{{E}_{h}} \\ Y_{k}^{\text{old}}=T_{k}^{\text{old}}B_{k}^{\text{old}}{{(Q_{k}^{\text{old}})}^{\text{T}}}+{{F}_{h}} \\ \end{array} \right.\Rightarrow \text{ } \\ Z_{k}^{\text{old}}=[{{\boldsymbol{t}}_{1}}, {{\boldsymbol{t}}_{2}}, \cdots, {{\boldsymbol{t}}_{h}}] \\ \end{matrix} $
(11) 其中, $T_k^{{\rm{old}}}=[{{\pmb t}_{\rm{1}}}, {{\pmb t}_2}, \cdots, {{\pmb t}_h}]$ , ${{P}}_k^{{\rm{old}}}=[{{\pmb p}_{\rm{1}}}, {{\pmb p}_2}, \cdots$ , ${{\pmb p}_h}]$ , $Q_k^{{\rm{old}}}=[{{\pmb q}_{\rm{1}}}, {{\pmb q}_2}, \cdots, {{\pmb q}_h}]$ , $B_k^{{\rm{old}}}={\rm diag}\{ {b_{\rm{1}}}, {b_2}$ , $\cdots$ , ${b_h}\} $ 分别表示由训练数据分解得到的得分矩阵、输入数据负荷矩阵、输出数据负荷矩阵和PLS内部模型的系数矩阵.
采用Bootstrap算法基于提取的潜在特征矩阵产生的训练子集, 即
$ Z_k^{{\rm{old}}}=\{ {({{\pmb z}}, y)_l}\} _{l=1}^k \Rightarrow {\begin{cases} {\{ {{({{\pmb z}}_{{\rm{sub}}}^1, y_{{\rm{sub}}}^1)}_l}\} _{l=1}^k}\\ \qquad\quad{\vdots}\\ {\{ {{({{\pmb z}}_{{\rm{sub}}}^j, y_{{\rm{sub}}}^j)}_l}\} _{l=1}^k}\\ \qquad\quad{\vdots}\\ {\{ {{({{\pmb z}}_{{\rm{sub}}}^J, y_{{\rm{sub}}}^J)}_l}\} _{l=1}^k} \end{cases}} $
(12) 其中, $J$ 是训练子集的数量, 即候选子模型的数量.
采用核矩阵 $ K_j ({\pmb z}_l, {\pmb z}_m)$ 替代RVFL的隐含层特征映射 ${ {{\pmb h}({\pmb z})}}$ , RVFL算法针对第 $j$ 个候选子模型的输出可表示为
$ f_k^j({{\pmb z}})={\pmb h}({\pmb z}){H}^{\rm{T}}\left(\frac{{\rm I}}{{C_{\rm{RVFL}}}} + H{H}^{\rm{T}} \right)^{-1}\\Y=[{K}_j({\pmb z}, {{\pmb z}_1}), {K}_j({\pmb z}, {{\pmb z}_2}), \cdots, {K}_j({\pmb z}, {{\pmb z}_k})]\, \times \\ \left(\frac{{I}}{{C{}_{{\rm{RVFL}}}}} + {K}_j({{\pmb z}_l}, {{\pmb z}_m}) \right)^{-1}Y $
(13) 其中, $H$ 是RVFL的隐含层矩阵.
从构建的 $J$ 个候选子模型选择 $J^\ast $ 个集成子模型的过程可表示为
$ \left. {\begin{array}{*{20}{l}} {\{ f_k^j(\cdot)\} _{j=1}^J }\\[2mm] {\{ {w_j}\} _{j=1}^J } \end{array}} \right\} \Rightarrow {\rm{GAOT}} \Rightarrow \left\{ {\begin{array}{*{20}{l}} {\{ f_k^{j*}(\cdot)\} _{{j^*}=1}^{{J^*}}}\\[2mm] {\{ {w_{{j^*}}}\} _{{j^*}=1}^{{J^*}}}~~~\end{array}} \right. $
(14) 对选择的集成子模型基于AWF算法计算权重系数, 并采用 $\sum {W_{j^\ast }^{\rm AWF} f^\ast (\cdot)_{j^\ast } } $ 合并集成子模型的输出 $\hat {y}_{j^\ast } $ , 即得到最终选择性集成模型的输出 $\hat {y}$ .
由以上离线建模过程可知, 本文建立的选择集成模型采用``采集训练样本''的方式产生训练子集并构建选择性集成模型, 并非工业工程常用多模型建模策略所采用的``聚类算法获得代表不同工况的训练样本构建集成子模型再集成的策略''; 此外, 本文采用SVM核矩阵替代RVFL的隐含层映射, 输入权重的随机性得到抑制.因此, 对集成模型的学习参数进行更新是必要的.另外, 无论采用何种方式产生训练子集, 只要过程对象漂移产生的新工况在建模样本覆盖范围之外, 都有必要对集成模型的结构和参数同时进行更新.
2.2 在线测量模块
在线数据预处理时, 新样本采用旧均值和方差进行标定
$ {\boldsymbol{x}}_{k + 1}^{{\rm{old}}}=\left({\boldsymbol{x}}_{k + 1}^0-{{{\pmb 1}}_k}{{\pmb u}}_k^{\rm{T}}\right) \times \Sigma_k $
(15) 其中, ${\pmb u}_k^{}$ 和 $\Sigma_k^{}$ 表示旧建模数据 $\{ {\pmb x}_l^{{\rm{old}}}\} _{l=1}^k$ 的均值和标准差.
为表述方便, 将离线阶段基于建模样本 $\{ {\boldsymbol{x}}_l^{{\rm{old}}}\} _{l=1}^k$ 和 $\{ y_l^{{\rm{old}}}\} _{l=1}^k$ 建立的PLS模型表示为
$ left\{ {\{ {\boldsymbol{x}}_l^{{\rm{old}}}\} _{l=1}^k, \{ y_l^{{\rm{old}}}\} _{l=1}^k} \Rightarrow {\rm{PLS}} \Rightarrow \\ \left\{ T_k^{\rm{old}}, W_k^{\rm{old}}, P_k^{\rm{old}}, B_k^{\rm{old}}, Q_k^{\rm{old}} \right\} $
(16) 基于 ${\boldsymbol{x}}_{k + 1}^{\rm{old}}$ 提取的潜在特征可表示为
$ {\pmb z}_{k + 1}^{\rm{old}}={\boldsymbol{x}}_{k + 1}^{\rm{old}}W_k^{\rm{old}}\left({{{{\rm{(}}{{P}}_k^{{\rm{old}}})}^{\rm{T}}}W_k^{{\rm{old}}}} \right)^{-1} $
(17) 其中, ${\pmb z}_{k + 1}^{\rm{old}}$ 表示潜在特征; $P_k^{\rm{old}}$ 和 $W_k^{{\rm{old}}}$ 是旧PLS模型的负荷和系数矩阵.
新样本基于第 $j$ 个旧集成子模型的预测输出
$ \hat y_{k + 1}^{j*{\rm{old}}}=f_k^{j*}\left({\pmb z}_{k + 1}^{{\rm{old}}}\right) $
(18) 其中, $f_k^{j*}(\cdot)$ 表示第 $j$ 个旧集成子模型.
采用在线AWF算法计算集成子模型权系数[3]
$ u_{k + 1}^{j*}=\frac{k}{{k + 1}}u_k^{j*{\rm{old}}} + \frac{1}{{k + 1}}\hat y_{k + 1}^{j*{\rm{old}}} $
(19) $ {\left(\sigma _{k + 1}^{j*}\right)^2}=\dfrac{{k-1}}{k}{\left(\sigma _k^{j*{\rm{old}}}\right)^2} + {\left(u_{k + 1}^{j*{\rm{old}}}-u_k^{j*{\rm{old}}}\right)^2~}+ \dfrac{1}{k}\|\hat y_{k + 1}^{j*}-u_{k + 1}^{j*}\|^2 $
(20) $ w_{k + 1}^{j*}=\frac{1} {\left(\sigma_{k + 1}^{j*}\right)^2\sum\limits_{j^*=1}^{J^*} {\frac{1}{\left(\sigma _{k + 1}^{j*}\right)^2 } }} $
(21) 其中, $u_{k + 1}^{j*}$ , $\sigma _{k + 1}^{j*}$ 及 $w_{k + 1}^{j*}$ 分别表示更新后的均值、方差及子模型权系数.
新样本的在线测量输出 $\hat y_{k + 1}^{}$ 采用下式计算:
$ \hat y_{k + 1}^{}=\sum\limits_{j*=1}^{J*} {w_{k + 1}^{j*}} \hat y_{k + 1}^{j*} $
(22) 采用旧模型标定参数对 $\hat y_{k + 1}^{}$ 进行重新标定:
$ \hat y_{k + 1}^0=A + \frac{{(\hat y_{k + 1}^{}-0.1)(A-B)}}{{0.9-0.1}} $
(23) 其中, $A$ 和 $B$ 为旧建模样本 $\{ y_l^{{\rm{old}}}\} _{l=1}^k$ 中的最小值和最大值.
2.3 在线更新模块
通常, 获得 $k+1$ 时刻真值后进行模型更新, 因而在 $k+1$ 时刻更新的模型只能在 $k+2$ 时刻进行基于软测量模型的在线测量输出.
2.3.1 数据递推预处理
在线数据预处理需考虑新样本对旧建模样本的均值和方差的影响.首先对旧建模样本的均值和方差进行递推更新
$ {{\pmb u}_{k + 1}}=\frac{k}{{k + 1}}{{\pmb u}_k} + \frac{1}{{k + 1}}{\left({\boldsymbol{x}}_{k + 1}^0\right)^{\rm{T}}} $
(24) $ \sigma _{(k + 1) \cdot {i_p}}^2=\frac{{k-1}}{k}\sigma _{k \cdot {i_p}}^2 + \Delta {\pmb u}_{k + 1}^2\left({i_p}\right)~+\nonumber\\ \frac{1}{k}{\left\| {{\boldsymbol{x}}_{k + 1}^0({i_p})-{{\pmb u}_{k + 1}}({i_p})} \right\|^2} $
(25) 其中, $\Delta {\pmb u}_{k + 1}^{}={\pmb u}_{k + 1}^{}-{\pmb u}_k^{}$ ; $\sigma _{(k + 1) \cdot {i_p}}^{}$ 表示第 $i_p$ 个变量的标准差.
新样本标定的递推形式为
$ {{\boldsymbol{x}}_{k + 1}}=({\boldsymbol{x}}_{k + 1}^0-{\bf{1}} \cdot {\pmb u}_{k + 1}^{\rm{T}}) \times \Sigma _{k + 1} $
(26) 其中, ${\Sigma _{k + 1}}={\rm diag}\{{\sigma _{(k + 1){1_p}}}, \cdots, {\sigma _{(k + 1){p_p}}}\}$ .
采用与 ${\boldsymbol{x}}_{k + 1}^0$ 相同的方法预处理 $y_{k + 1}^0$ , 并将标定后的值记为 $y_{k + 1}^{}$ .
2.3.2 更新样本智能识别
更新样本智能识别中同时考虑新样本ALD值和PE值的影响.基于领域专家知识总结规则, 建立基于Mamdani模糊推理系统的智能模型对ALD值和PE值进行融合输出.
采用文献[8]的方法计算 ${{\boldsymbol{x}}}_{k+1} $ 相对于建模样本库的ALD绝对值 $a_{k + 1}^{\rm{abs}}$ .
$ \begin{cases} a_{k + 1}^{{\rm{abs}}}={k_{k + 1}}-{{\left({\tilde{\pmb k}}_k^{}\right)}^{\rm{T}}}{{\left({{\tilde K}}_k^{}\right)}^{-1}}\left({\tilde{\pmb k}}_k\right)\\[1mm] {\tilde K}_k=X_k^{\rm{old}} \times \left(X_k^{\rm{old}}\right)^{\rm{T}}\\[1mm] \tilde{\pmb k}_k=X_k^{\rm{old}} \times {\boldsymbol{x}}_{k + 1}^{\rm{T}} \\[1mm] k_{k + 1}={\boldsymbol{x}}_{k + 1} \times {\boldsymbol{x}}_{k + 1}^{\rm{T}} \end{cases} $
(27) 其中, $X_k^{\rm{old}}$ 表示旧的建模样本数据集.
计算新样本的相对ALD (RALD)值 $a_{k + 1}^{}$ :
$ a_{k + 1}=\dfrac{a_{k + 1}^{\rm abs}} {\frac{\sum\limits_{l=1}^{k } a_l^{\rm abs}} {k}} $
(28) 其中, $a_l^{{\rm{abs}}}$ 表示建模样本库中第 $l$ 个样本相对于其他所有 $k-1$ 个样本的ALD值.
上述过程可采用如下公式表示:
$ a_{k + 1}^{}=F_{{\rm{ALD}}}^{}\left({\boldsymbol{x}}_{k + 1}^{}, \{ {\pmb x}_l^{{\rm{old}}}\} _{l=1}^k\right) $
(29) 考虑 $k+1$ 时刻PE值的影响, 定义相对预测误差(RPE)如下:
$ e_{k + 1}=\dfrac{\left| \dfrac{\hat y_{k + 1}-y_{k + 1}}{y_{k + 1}} \right|} {\frac {\sum\limits_{l=1}^k {\left| \dfrac{\hat y_l-y_l}{y_l} \right|}}{k} } $
(30) 其中, $\left| {\frac{{\hat y_{k + 1}^{}-y_{k + 1}^{}}}{{y_{k + 1}^{}}}} \right|$ 表示建模样本库第 $l$ 个样本的预测值与其真值的相对差值.
此处将融合新样本RPE和RALD值建立的更新样本智能识别算法记为 $F_{{\rm{com}}}^{}(\cdot)$ , 并将智能识别算法的输出称为模糊融合值, 记为 ${u_s}_{k +1}^{}$ , 用下式表示:
$ u_{sk + 1}^{}=F_{{\rm{com}}}^{}(a_{k + 1}^{}, e_{k + 1}^{}) $
(31) 采用基于专家经验总结的模糊推理规则实现对RALD值和RPE值的融合输出, 参考PID控制器设计的比例-积分控制律, 总结如表 1所示49条专家规则.
表 1 更新样本模糊推理规则Table 1 Fuzzy inference rulers of the updating sampleUs RALD NB NM NS Z PS PM PB R NB NB NB NM NM NS NS Z P NM NB NM NM NS NS Z PS E NS NM NM NS NS Z PS PS Z NM NS NS Z PS PS PM PS NS NS Z PS PS PM PM PM NS Z PS PS PM PM PB PB Z PS PS PM PM PB PB 表 1中, RALD、RPE和Us分别表示新样本面对旧建模样本库的相对近似线性依靠值、新样本基于旧模型的相对预测误差值和模糊融合值.
采用重心法对Us进行去模糊处理.将样本选择阈值记为 $\theta _{{\rm com}} $ , 阈值函数 ${F_{{\rm{thre}}}}(\cdot)$ 可记为
$ S_{k + 1}^{}={F_{{\rm{thre}}}}\left(c_{k + 1}^{}, \theta _{{\rm{com}}}\right)=\begin{cases} 1, & {u_s}_{k + 1} \ge \theta _{\rm{com}}\\ 0, & {u_s}_{k + 1}^{} < \theta _{\rm{com}} \end{cases} $
(32) 其中, $S_{k + 1}=1$ 表示识别该新样本为更新样本.
2.3.3 潜变量特征递推更新
将标定后的新样本记为 $\{ {{\boldsymbol{x}}_{k + 1}^{}, {{ y}}_{k + 1}^{}} \}$ 进行递推更新的输入输出数据可记为
$ {X}_{k + 1}=\left[{\begin{array}{*{20}{c}} {{{({{P}}_k^{\rm{old}})}^{\rm{T}}}}\\ {{{\boldsymbol{x}}_{k + 1}}} \end{array}} \right]\notag\\[2mm] {Y}_{k + 1}=\left[\begin{array}{*{20}{c}} {B}_k^{\rm{old}}{(Q_k^{\rm{old}})}^{\rm{T}}\\ {{{{ y}}_{k + 1}}} \end{array} \right] $
(33) 基于以上输入输出数据建立新PLS模型
$ \begin{matrix} \left\{ {{X}_{k+1}}, {{Y}_{k+1}} \right\}\Rightarrow \text{PLS}\Rightarrow \\ \left\{ {{T}_{k+1}}, {{W}_{k+1}}, {{P}_{k+1}}, {{B}_{k+1}}, {{Q}_{k+1}} \right\} \\ \end{matrix} $
(34) 基于 ${{\boldsymbol{x}}}_{k+1} $ 提取的潜在特征可表示为
$ {{\pmb z}}_{k + 1}={\boldsymbol{x}}_{k + 1}W_k\left({{({{P}}_k)}^{\rm{T}}}W_k \right)^{-1} $
(35) 其中, ${\pmb z}_{k + 1}$ 表示新样本的潜在特征; ${P}_{k + 1}$ 和 $W_{k + 1}$ 是新PLS模型的负荷矩阵和系数矩阵.
2.3.4 集成子模型更新
确定采用子模型更新时, 建模样本集为
$ \{ {{{\pmb z}}_l}, {y_l}\} _{l=1}^{k + 1}=\{ {{{\pmb z}}_l}, {y_l}\} _{l=1}^k \cup \{ {{\pmb z}}_{k + 1}^{}, {{ y}}_{k + 1}^{}\} $
(36) 因IRVFL算法具有较快的学习速度, 此处采用新建模样本库重新训练方式进行集成模型更新.更新后的集成子模型 $f_{k + 1}^{j*}(\cdot)$ 对训练样本的输出为
$ \{ {(\hat y_{k + 1}^{j*})_l}\} _{l=1}^{k + 1}=f_{k + 1}^{j*}(\{ {{{\pmb z}}_l}\} _{l=1}^{k + 1}) $
(37) 为保证采集到第 $(k+2)$ 个新样本时在线测量模块可以正常运行, 需更新的变量及模型包括:建模样本的均值 ${\pmb u}_{k + 1}$ 和标准差 $\Sigma_{k + 1}$ , 潜变量特征提取模型的 $B_k$ , $Q_k$ , ${{P}}_{k + 1}$ 和 $W_{k + 1}$ , 集成子模型 $f_{k + 1}^{j*}(\cdot)$ , 集成子模型预测值的均值 $u_{k + 1}^{j*}$ 和方差 $\sigma _{k + 1}^{j*}$ .按如下公式进行赋值:
$ \begin{cases} {\pmb u}_{k + 1}^{} \leftarrow {\pmb u}_k\\ \Sigma_{k + 1} \leftarrow \Sigma_k \end{cases} $
(38) $ \begin{cases} {P}_{k + 1}^{} \leftarrow {{P}}_k\\ B_{k + 1} \leftarrow B_k\\ W_{k +1 } \leftarrow W_k\\ {Q}_{k + 1} \leftarrow Q_k \end{cases} $
(39) $ f_{k + 1}^{j*}(\cdot) \leftarrow f_k^{j*}(\cdot) $
(40) $ \begin{cases} u_{k + 1}^{j*} \leftarrow u_k^{j*}\\ \sigma _{k + 1}^{j*} \leftarrow \sigma _k^{j*} \end{cases} $
(41) 3. 仿真验证
采用如下函数生成仿真数据模拟工业过程的非线性和时变特性:
$ \begin{cases} {{x_1}={t^2}-t + 1 + {\Delta _1}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_2}=\sin (t) + {\Delta _2}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_3}={t^3} + t + {\Delta _3}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_4}={t^3} + {t^2} + 1 + {\Delta _4}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {{x_5}=\sin (t) + 2{t^2} + 2 + {\Delta _5}}~~~~~~~~~~~~~~~~~~~~~~~~~~~~~\\ {y=x_1^2 + x_1^{}{x_2} + 3\cos {x_3}-{x_4} + 5{x_5} + {\Delta _6}} \end{cases} $
(42) 其中, $t\in [-1, 1]$ , $\Delta _{i_{{\rm sy}} } $ 表示噪声, 其分布范围为[-0.1,0.1], $i_{{\rm sy}}=1, 2, 3, 4, 5, 6$ .
仿真合成数据分布在 $C1$ 、 $C2$ 、 $C3$ 和 $C4$ 共4个不同区域.训练样本数量由分别来自 $C1$ 、 $C2$ 和 $C3$ 区域的各30个样本组成.测试样本由 $C1$ 、 $C2$ 和 $C3$ 区域的各30个样本以及 $C4$ 区域的90个样本组成.
3.1 离线模型结果
基于90个训练样本, 采用PLS进行特征提取, 不同LV的方差贡献率如表 2所示.
表 2 仿真数据的方差贡献率(%)Table 2 Percent variance contribution of the simulation data(%)LV 输入数据(X-Block) 输出数据(Y-Block) 潜变量贡献率 累计贡献率 潜变量贡献率 累计贡献率 1 69.79 69.79 66 66 2 28.33 98.11 25.66 91.65 3 1.62 99.73 7.86 99.51 4 0.16 99.89 0.05 99.56 5 0.11 100 0 99.57 表 2表明, 前3个LVs分别描述了 $X$ -Block和 $Y$ -Block方差变化率的99.73, %和99.51, %.不同模型学习参数(核半径、惩罚参数、候选子模型数量、潜变量数量)与均方根预测相对误差(RMSRE)间的关系如图 3所示.
图 3 离线模型学习参数与预测误差Fig. 3 Learning parameters and prediction errors of the off-line model依据图 3进行建模参数选择.为便于比较, 将RALD值和RPE值采用极差法标定在 $-3$ 与 $+3$ 之间, 测试样本相对于初始建模样本的RALD值、\linebreak RPE值及模糊融合值如图 4所示.
图 4 测试样本相对于离线模型(建模样本)的RALD值、RPE值及模糊融合值Fig. 4 RALD, RPE and fuzzy fusion values of the testing samples relative to off-line model (modeling samples)由图 4可知, 后90个测试样本相对于建模样本的变化高于前90个测试样本, 主要原因是后90个样本代表的新的概念漂移未能被初始建模样本所覆盖; 以阈值0为界限, 由位于阈值线上方的样本分布可知, 所提更新样本识别算法可有效地融合RALD值和RPE值.由上可知, 进行集成模型的在线更新非常必要.
3.2 在线模型结果
模糊融合阈值 $\theta _{{\rm com}}$ 的大小决定了模型更新次数的多少, 较大的阈值代表更多的样本参与更新.本文将阈值的取值范围定为 $-3$ ~ $+3$ 之间.当 $\theta _{{\rm com}}=$ $-1.5$ 时, 测试样本相对于在线更新模型建模样本的RALD值、在线更新模型的RPE值、对两者融合的模糊融合值及在线更新模型的测试曲线, 如图 5所示.表 3给出了离线模型, 基于RALD值、RPE值和模糊融合值的在线更新模型重复20次的统计结果.
图 5 $\theta _{{\rm com}}=-1.5$ 时的在线集成模型预测输出Fig. 5 Prediction output of the online ensemble model with $\theta _{{\rm com}}=-1.5 $表 3 仿真数据在线更新模型重复20次的统计结果Table 3 Statistical results of the online updating model with repeated 20 times for the simulation data更新样本识别方法 统计项 更新样本预设定阈值 –2.5 –2 –1.5 –1 0 1 非更新方法 最大误差 0.1886 0.1885 0.1884 0.1894 0.1887 0.1892 最小误差 0.1875 0.1865 0.187 0.1872 0.1872 0.1871 误差均值 0.1868 0.1876 0.1878 0.1879 0.1878 0.1879 误差方差 0.0004 0.0004 0.0004 0.0005 0.0004 0.0005 基于RALD的更新样本识别方法 最大误差 0.1758 0.1152 0.0989 0.1127 0.1004 0.1767 最小误差 0.0628 0.0794 0.0856 0.085 0.087 0.1658 误差均值 0.119 0.0876 0.0892 0.0886 0.0911 0.1878 误差方差 0.0376 0.0094 0.0044 0.006 0.0033 0.0071 更新次数最多的样本编号 92, 94, 96, 118, 119, 141 99, 100, 106, 98, 100, 103 99, 106, 118, 124 99, 106 99, 123, 149, 154 - 平均更新次数 11 5 2 2 2 0 基于RPE的更新样本识别方法 最大误差 0.058 0.0665 0.0486 0.085 0.1198 0.1701 最小误差 0.0396 0.038 0.0449 0.05 0.0492 0.0494 误差均值 0.044 0.0446 0.0469 0.0642 0.0785 0.0731 误差方差 0.0042 0.007 0.0008 0.012 0.0231 0.0284 更新次数最多的样本编号 91, 92, 93, 118, 124 91, 93, 92, 97, 95 91, 93, 1 91, 93, 8, 1, 119 91, 93, 8, 16, 11 93, 91, 92, 11 平均更新次数 10.3 4.1 2.05 2.6 2.2 1.9 本文方法 最大误差 0.16 0.0953 0.0733 0.0808 0.1082 0.1878 最小误差 0.0967 0.0529 0.0397 0.0395 0.0556 0.1653 误差均值 0.1309 0.0784 0.0429 0.0474 0.0847 0.1804 误差方差 0.0199 0.0116 0.0078 0.0101 0.0117 0.0066 更新次数最多的样本编号 1180 91, 91, 93, 95, 97, 76 91, 92, 93, 97, 124 93, 91, 92 92, 94, 93, 99 – 平均更新次数 180 72.95 3.4 2.55 1.7 0 1) 从更新最多的样本编号上看, 本文方法选择的样本基本上覆盖了RALD和RPE方法选择的样本, 如依据RALD方法未选择的第93和97个样本、依据RPE方法未选择的第99和106个样本在本文所提模糊融合方法中均进行了选择, 表明该方法可以有效地融合RALD和RPE方法中独立存在的片面信息.
2) 在模型预测性能上, 不同更新阈值时的不同更新方法的最大、最小和平均预测误差如图 6所示.
图 6 基于不同更新样本识别方法软测量模型的预测误差Fig. 6 Prediction errors of the soft sensor models based on different updating sample identification methods图 6表明, 未更新时软测量模型具有最差的泛化性能, 主要是因为离线模型不能适应 $C4$ 区域所表征的新工况; 对于基于RALD、基于RPE和本文所提方法更新的软测量模型的预测性能均有一定程度的提高.在阈值取 $-1.5$ 时, 基于RPE的方法具有最佳的最大预测误差, 本文方法具有最佳的最小和平均预测误差.如, 基于本文、RPE和RALD方法的平均RMSRE分别为0.0429、0.0469和0.0892, 方差分别为0.0078、0.0008和0.0044.
图 6还表明, 从曲线形状的角度观察, 本文所提方法的预测误差说明存在最佳的阈值能够使软测量模型具有最佳预测性能.
3) 在更新样本数量上, 本文方法与基于RALD和RPE方法相当, 如在样本更新阈值为 $-1.5$ 时, 基于本文方法、RPE方法和RALD方法的重复20次的平均更新样本数量分别3.4、2.05和2, 表明三种方法均只需采用较少数量的更新样本即可得到较佳预测性能, 原因之一在于每次样本更新后均是重新建立集成子模型, 对集成模型的结构、权重系数等均进行了更新; 不足之处是未对集成子模型的超参数(如核半径)进行更新.如何在线更新模型超参数将进一步研究, 以便提高模型的泛化性能.
4) 从不同阈值的影响上看, 理论上阈值越小, 模型的预测性能越好, 即参与更新的样本越多模型预测误差越小; 当更新样本数量累计过多时模型的预测性能提高较小, 甚至反而下降, 这是因为过多与临近工作点无关的样本恶化了模型预测性能.下步研究中将考虑如何识别和删减恶化模型性能的多余样本.
5) 本文方法与文献[9]提出的在线KPLS方法相比, 模型更新次数明显减少, 主要原因在于本文所提方法更新了模型结构, 进一步表明集成模型结构在线更新的必要性和有效性.
综上, 本文方法对具有明确时变特性的建模过程数据是有效的.需提出的是, 模糊规则的调整需要领域专家依据具体建模对象特性、软测量模型性能及其他难以量化的因素等综合确定.在后续研究中, 需要结合真实的时变工业过程数据进行进一步的细化研究.
4. 结论
本文提出的在线更新学习中, 模型更新次数是通过模糊规则融合新样本的相对近似线性依靠值和相对预测误差值确定的.智能识别模型的模糊规则主要是依靠领域专家经验确定, 在实际应用中需要结合具体的工业过程应用对象进行提取, 并提供可供调整的人机交互界面.另外, 主要关注更新样本近似线性依靠条件, 还是预测误差所表征的概念漂移可通过调整隶属度函数进一步细划.因此, 该方法能够有效地实现更新样本的智能识别, 通过合理设定模糊推理规则能够在集成模型预测性能与更新效率之间进行均衡, 结合具体工程应用将具有广阔前景.
本文方法进行近似线性依靠条件计算需要记录全部训练样本, 更新集成模型也需要存储建立核矩阵的潜在特征, 导致集成模型存储的数量逐渐递增.集成模型的快速递推更新、模型超参数的快速优化选择等问题将在后续研究中逐步解决.
-
图 14 NIR图像在预热阶段中温区间
Fig. 14 Medium temperature range of NIR images at pre-heating phases
表 1 3D打印技术的分类
Table 1 The classification of 3D printing technology
成型方式（材料） 成型方式名称 3D打印成型技术 熔挤压（热塑性塑料） 熔融沉积成型技术 FDM熔融沉积成型技术 层压（纸、金属膜、塑料薄膜） 分层直接成型技术 LOM分层实体制造技术 粉末粘接（石膏、陶瓷粉末） 粉末粘接成型技术 3DP三维打印粘接成型技术 光聚合（液态光敏树脂） 光聚合成型技术 SLA立体光固化技术，DLP数字光处理技术PloyJet多头喷射技术 粉末烧结/熔融（金属、合金、热塑性、陶瓷等粉末） 激光粉末成型技术 SLS选择性激光烧结技术，DMLS直接金属激光烧结技术SLM选择性激光熔化成型技术，EBM电子束熔炼技术 
下载: 导出CSV
表 2 参数V, N, ΔP1和喷嘴孔直径d0稳定喷射关系
Table 2 The stable jetting relations of the parameters V, N, ΔP1 and diameter d0 of the nozzle orifice
实例 流速V (mm/s) 功率N (kW) 压力ΔP1 (mbar) 直径知d0 (mm) 1 30 2.13 170 217 2 34 2.13 180 225 3 28 2.07 180 194 4 28 2.07 190 193 5 32 1.99 300 181 6 26 1.96 320 169 7 26 1.96 360 149 8 30 1.96 290 178
下载: 导出CSV
表 3 已存在的混合路径算法和所提出算法的路径比较
Table 3 Comparison of the proposed method with the existing hybrid method
下载: 导出CSV
表 4 振镜校正实验数据
Table 4 Vibrating mirror calibration experiment data
试验次数 1 2 3 4 5 6 7 第一次X 149.8 0 149.7 149.8 0 149.6 150.3 第一次Y 149.7 150 149.8 0 0 0 150.2 第二次X 150 0 150.2 150.1 0 150.2 149.7 第二次Y 150.2 149.9 150.1 0 0 0 149.8
下载: 导出CSV
-
[1] Butter M, Leis M, Sandtke M, McLean M, Lincoln J, Wilson A. The leverage effect of photonics technologies on the European economy:the European perspective[Online], available:http://www.ec.europa.eu/digital-single-market/news/leverage-effect-photonics-technologies-european-economy-european-perspective, December 29, 2015 [2] Armstrong R, Gregory A. Layers of complexity. The Medical Journal of Australia, 2012, 197(6):311-257 doi: 10.5694/mja12.c0917 [3] 任宇.中国与主要发达国家智能制造的比较研究.工业经济论坛, 2015, (2):68-76 http://www.cnki.com.cn/Article/CJFDTOTAL-IDER201502008.htmRen Yu. A comparative study of intelligent manufacturing between China and the main developed countries. Industrial Economy Review, 2015, (2):68-76 http://www.cnki.com.cn/Article/CJFDTOTAL-IDER201502008.htm [4] Skubic R L, Comb J W, Grudem J K, Swanson W J, Batchelder J S, Brose SM. Viscosity Pump for Extrusion-based Deposition Systems, U.S. Patent 7891964, February 2011 [5] Crump S S. Apparatus and Method for Creating Three-dimensional Objects, U.S. Patent 5121329, June 1992 [6] Valkenaers H, Vogeler F, Ferraris E, Voet A, Kruth J P. A novel approach to additive manufacturing:screw extrusion 3D-printing. In:Proceedings of the 10th International Conference on Multi-Material Micro Manufacture. San Sebastián, Spain:Research Publishing, 2013. 235-238 [7] Batchelder J S, Swanson W J, Johnson K C. Additive Manufacturing Process with Dynamic Heat Flow Control, U.S. Patent 20150097307, April 2013 [8] de Castro Silveira Z, de Freitas M S, Inforçatti Neto P, Noritomi P Y, da Silva J V L. Design development and functional validation of an interchangeable head based on mini screw extrusion applied in an experimental desktop 3-D printer. International Journal of Rapid Manufacturing, 2014, 4(1):49-65 doi: 10.1504/IJRAPIDM.2014.062037 [9] 彭勇刚, 韦巍.基于多段温度控制的熔丝沉积成型3D打印喷头及温控方法, CN Patent 103240883A, 2013年8月Peng Yong-Gang, Wei Wei. Based on Temperature Control of Fuse Deposit Forming 3d Print Heads and the Temperature Control Method, CN Patent 103240883A, August 2013 [10] Astrum K J, Hagglund T. Automatic Tuning of PID Controllers. Washington:Instrumentation Systems, and Automation Society, 1988. 75-85 http://cn.bing.com/academic/profile?id=646286238&encoded=0&v=paper_preview&mkt=zh-cn [11] 莫红, 王飞跃, 赵亮.一一映射下区间二型模糊集合的语言动力学轨迹.模式识别与人工智能, 2010, 23(2):144-147 http://www.cnki.com.cn/Article/CJFDTOTAL-MSSB201002002.htmMo Hong, Wang Fei-Yue, Zhao Liang. LDS trajectories under one-to-one mappings in interval type-2 fuzzy sets. Pattern Recognition and Artificial Intelligence, 2010, 23(2):144-147 http://www.cnki.com.cn/Article/CJFDTOTAL-MSSB201002002.htm [12] 王柏通. 3D打印喷头的温度分析及控制策略研究[硕士学位论文], 湖南师范大学, 中国, 2014 http://cdmd.cnki.com.cn/article/cdmd-10542-1015515272.htmWang Bo-Tong. A Temperature Analysis & Control Strategy on 3D Printing Nozzle[Master dissertation], Hunan Normal University, China, 2014 http://cdmd.cnki.com.cn/article/cdmd-10542-1015515272.htm [13] Vega E J, Cabezas M G, Mu noz-Sánchez B N, Montanero J M, Ga nán-Calvo A M. A novel technique to produce metallic microdrops for additive manufacturing. The International Journal of Advanced Manufacturing Technology, 2014, 70(5-8):1395-1402 doi: 10.1007/s00170-013-5357-3 [14] Swanson W J, Popa M A, Turley P W, Priedeman W R, Hopkins P E Jr, Brose S, Kimm D I, Pollard D L, Hahn A M. Filament Cassette and Loading System, U.S. Patent 6776602, August 2004 [15] Labossiere J E, Eshelman M E. Rapid Prototyping System with Controlled Material Feedstock, U.S. Patent 7384255, June 2008 [16] 闫东升, 曹志清, 孔改荣. FDM工艺送丝驱动机构的摩擦驱动力分析.北京化工大学学报, 2003, 30(3):71-73 http://d.wanfangdata.com.cn/Periodical/bjhgdxxb200303018Yan Dong-Sheng, Cao Zhi-Qing, Kong Gai-Rong. Analysis of the driving force by friction in a driving structure of FDM. Journal of Beijing University of Chemical Technology, 2003, 30(3):71-73 http://d.wanfangdata.com.cn/Periodical/bjhgdxxb200303018 [17] 汪甜田. FDM送丝机构的研究与设计[硕士学位论文], 华中科技大学, 中国, 2007 http://cdmd.cnki.com.cn/article/cdmd-10487-2009037631.htmWang Tian-Tian. The Research & Design on the Feeder in FDM[Master dissertation], Huazhong University of Science & Technology, China, 2007 http://cdmd.cnki.com.cn/article/cdmd-10487-2009037631.htm [18] Ding D H, Pan Z X, Cuiuri D, Li H J. Wire-feed additive manufacturing of metal components:technologies, developments and future interests. The International Journal of Advanced Manufacturing Technology, 2015, 81(1):465-481 http://cn.bing.com/academic/profile?id=1675559242&encoded=0&v=paper_preview&mkt=zh-cn [19] Li Y F, Lau C C. Development of fuzzy algorithms for servo systems. IEEE Control Systems Magazine, 1989, 9(3):65-72 doi: 10.1109/37.24814 [20] Lin F J, Chiu S L. Adaptive fuzzy sliding-mode control for PM synchronous servo motor drives. IEE Proceedings——Control Theory and Applications, 1998, 145(1):63-72 doi: 10.1049/ip-cta:19981683 [21] Wai R J. Adaptive sliding-mode control for induction servomotor drive. IEE Proceedings——Electric Power Applications, 2000, 147(6):553-562 doi: 10.1049/ip-epa:20000628 [22] Lu X S, Lee Y, Yang S F, Hao Y, Evans J R G, Parini C G. Fine lattice structures fabricated by extrusion freeforming:process variables. Journal of Materials Processing Technology, 2009, 209(10):4654-4661 doi: 10.1016/j.jmatprotec.2008.11.039 [23] Sunil V B, Pande S S. Automatic recognition of features from freeform surface CAD models. Computer-Aided Design, 2008, 40(4):502-517 doi: 10.1016/j.cad.2008.01.006 [24] Onuh S O, Hon K K B. Application of the Taguchi method and new hatch styles for quality improvement in stereolithography. Proceedings of the Institution of Mechanical Engineers, Part B:Journal of Engineering Manufacture, 1998, 212(6):461-472 doi: 10.1243/0954405981515761 [25] Jin Y A, He Y, Xue G H, Fu J Z. A parallel-based path generation method for fused deposition modeling. The International Journal of Advanced Manufacturing Technology, 2015, 77(5-8):927-937 doi: 10.1007/s00170-014-6530-z [26] Wasser T, Jayal A D, Pistor C. Implementation and evaluation of novel buildstyles in fused deposition modeling (FDM). Strain, 1999, 5(6):425-430 [27] Kim D S. Polygon offsetting using a Voronoi diagram and two stacks. Computer-Aided Design, 1998, 30(14):1069-1076 doi: 10.1016/S0010-4485(98)00063-3 [28] Bertoldi M, Yardimci M A, Pistor C M, Gücceri S I. Domain decomposition and space filling curves in toolpath planning and generation. In:Proceedings of the Solid Freeform Fabrication Symposium. Texas, USA:Texas Academic Press, 1998. 267-274 [29] Shi Y, Zhang W, Cheng Y, Huang S. Compound scan mode developed from subarea and contour scan mode for selective laser sintering. International Journal of Machine Tools and Manufacture, 2007, 47(6):873-883 doi: 10.1016/j.ijmachtools.2006.08.013 [30] Yang Y, Fuh J Y H, Loh H T. An efficient scanning pattern for layered manufacturing processes. In:Proceedings of the 2001 IEEE International Conference on Robotics and Automation. Seoul, South Korea:IEEE, 2001. 1340-1345 [31] Ding D H, Pan Z X, Cuiuri D, Li H J. A tool-path generation strategy for wire and arc additive manufacturing. The International Journal of Advanced Manufacturing Technology, 2014, 73(1-4):173-183 doi: 10.1007/s00170-014-5808-5 [32] Batchelder J S, Crump S S. Method for Rapid Prototyping of Solid Models, U.S. Patent 5866058, February 1999 [33] Swanson W J, Turley P W, Leavitt P J, Karwoski P J, Labossiere J E, Skubic R L. High Temperature Modeling Apparatus, U.S. Patent 6722872, April 2004 [34] Costa S, Duarte F, Covas J A. Using MATLAB to Compute Heat Transfer in Free Form Extrusion. Croatia:INTECH Open Access Publisher, 2011. 82-93 http://cn.bing.com/academic/profile?id=2096277459&encoded=0&v=paper_preview&mkt=zh-cn [35] Ji L B, Zhou T R. Finite element simulation of temperature field in fused deposition modeling. Advanced Materials Research, 2010, 97-101:2585-2588 doi: 10.4028/www.scientific.net/AMR.97-101 [36] Zhang Y, Chou Y K. Three-dimensional finite element analysis simulations of the fused deposition modelling process. Proceedings of the Institution of Mechanical Engineers, Part B:Journal of Engineering Manufacture, 2006, 220(10):1663-1671 doi: 10.1243/09544054JEM572 [37] Skubic R L, Comb J W. Adjustable Platform Assembly for Digital Manufacturing System, U.S. Patent 8153183, April 2012 [38] Cavill B R, Schulz R A. Print Head Motor Control System with Automatic Drive Parameter Calculations, U.S. Patent 4775945, October 1988 [39] Hercog D, Curkovič M, Jezernik K. DSP based rapid control prototyping systems for engineering education and research. In:Proceedings of Computer Aided Control System Design, 2006 IEEE International Conference on Control Applications. Munich, Germany:IEEE, 2006. 2292-2297 [40] Ricci F, Le-Huy H. An FPGA-based rapid prototyping platform for variable-speed drives. In:Proceedings of the 28th Annual Conference on the Industrial Electronics Society. Sevilla, Spain:IEEE, 2002. 1156-1161 [41] 魏大忠, 徐健, 吴任东, 张人佶.基于McT运动控制器的快速成型机数控系统研究.组合机床与自动化加工技术, 2003, (4):35-37 http://www.cnki.com.cn/Article/CJFDTOTAL-ZJYC200308011.htmWei Da-Zhong, Xu Jian, Wu Ren-Dong, Zhang Ren-Ji. Based on the fast molding machine CNC system of McT motion controller. Modular Machine Tool & Automatic Manufacturing Technique, 2003, (4):35-37 http://www.cnki.com.cn/Article/CJFDTOTAL-ZJYC200308011.htm [42] Swartz J, Barkan E, Harrison S A. Portable Laser Scanning System and Scanning Methods, U.S. Patent 4387297, January 1983 [43] Roorda A, Romero-Borja F, Donnelly W J III, Queener H, Hebert T J, Campbell M C W. Adaptive optics scanning laser ophthalmoscopy. Optics Express, 2002, 10(9):405-412 doi: 10.1364/OE.10.000405 [44] 杨志卿, 吴登喜, 郑永超.二维光学扫描中扫描角度非线性研究.激光技术, 2004, 3(28):263-265 http://www.cnki.com.cn/Article/CJFDTOTAL-JGJS200403011.htmYang Zhi-Qing, Wu Deng-Xi, Zheng Yong-Chao. Study of angular non-linearity in 2-D optical scanning. Laser Technology, 2004, 3(28):263-265 http://www.cnki.com.cn/Article/CJFDTOTAL-JGJS200403011.htm [45] Stafne M A, Mitchell L D, West R L. Positional calibration of galvanometric scanners used in laser Doppler vibrometers. Measurement, 2000, 28(1):47-59 doi: 10.1016/S0263-2241(00)00006-3 [46] Xie J, Huang S H, Duan Z C. Positional correction algorithm of a laser galvanometric scanning system used in rapid prototyping manufacturing. The International Journal of Advanced Manufacturing Technology, 2005, 26(11-12):1348-1352 doi: 10.1007/s00170-004-2200-x [47] Ehrmann J S. Optics for vector scanning. In:Proceedings of the the SPIE, Beam deflection and scanning technologies. Boston, American:SPIE, 1991. 245-256 [48] 文世峰.选择性激光烧结快速成形中振镜扫描与控制系统的研究[博士学位论文], 华中科技大学, 中国, 2010 http://cdmd.cnki.com.cn/article/cdmd-10487-2010184436.htmWen Shi-Feng. Study of Galvanometric Scan and Control System in Selective Laser Sintering[Ph.D. dissertation], Huazhong University of Science & Technology, China, 2010 http://cdmd.cnki.com.cn/article/cdmd-10487-2010184436.htm [49] Jablonowski D P, Raamot J. Beam deflection at high accuracy and precision. In:Proceedings of SPIE 0084, Laser Scanning Components and Techniques:Design Considerations. San Diego:SPIE, 1977. 69-77 [50] 李广亚, 王玉增, 韩婧茹, 刘双源.机械零件RP中振镜系统校正的几何算法.机床与液压, 2014, 42(19):28-30 http://www.cnki.com.cn/Article/CJFDTOTAL-JCYY201419008.htmLi Guang-Ya, Wang Yu-Zeng, Han Jing-Ru, Liu Shuang-Yuan. Geometry algorithm of galvanometer system correction for rapid prototyping of machine parts. Machine Tool & Hydraulics, 2014, 42(19):28-30 http://www.cnki.com.cn/Article/CJFDTOTAL-JCYY201419008.htm [51] Ngoi B K A, Venkatakrishnan K, Tan B, Noël N, Shen Z W, Chin C S. Two-axis-scanning laser Doppler vibrometer for microstructure. Optics Communications, 2000, 182(1-3):175-185 doi: 10.1016/S0030-4018(00)00762-8 [52] Spence S T, Tarnoff H L. Apparatus and Method for Correcting for Drift in Production of Objects by Stereolithography, U.S. Patent 5059021, October 1991 [53] Spence S T. Apparatus and Method for Profiling a Beam, U.S. Patent 5267013, November 1993 [54] Spence S T, Almquist T A, Tarnoff H L, Juran W. Apparatus and Method for Calibrating and Normalizing a Stereolithographic Apparatus, U.S. Patent 5495328, February 1996 [55] 莫健华, 冯昕, 潘翔.光固化成形系统激光光斑位置漂移校正研究.激光杂志, 2007, 28(4):77-78 http://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ200704041.htmMo Jian-Hua, Feng Xin, Pan Xiang. A research into drift correction of laser spot position in SLA. Laser Journal, 2007, 28(4):77-78 http://www.cnki.com.cn/Article/CJFDTOTAL-JGZZ200704041.htm [56] 祝萍.光固化成形系统光斑检测与坐标漂移校正研究[硕士学位论文], 华中科技大学, 中国, 2006 http://cdmd.cnki.com.cn/article/cdmd-10487-2008022376.htmZhu Ping. A Research into the Measurement of Laser Beam Parameters and Correction of Scanning System Drift in Stereolithography Apparatus[Master dissertation], Huazhong University of Science & Technology, China, 2006 http://cdmd.cnki.com.cn/article/cdmd-10487-2008022376.htm [57] Berumen S, Bechmann F, Lindner S, Kruth J P, Craeghs T. Quality control of laser-and powder bed-based additive manufacturing (AM) technologies. Physics Procedia, 2010, 5(8):617-622 http://cn.bing.com/academic/profile?id=1963661623&encoded=0&v=paper_preview&mkt=zh-cn [58] 王青岗, 颜永年.光固化向量扫描过程中的能量控制.清华大学学报(自然科学版), 2006, 45(11):1456-1459 http://www.cnki.com.cn/Article/CJFDTOTAL-QHXB200511004.htmWang Qing-Gang, Yan Yong-Nian. Energy control in vector scanning of stereolithography. Journal of Tsinghua University (Science and Technology), 2006, 45(11):1456-1459 http://www.cnki.com.cn/Article/CJFDTOTAL-QHXB200511004.htm [59] Abderyim P, Osama H, Tadahiro F, Norishige C. Accurate and efficient drawing method for laser projection. The Journal of the Society for Art and Science, 2008, 7(4):155-169 doi: 10.3756/artsci.7.155 [60] Jacobs P F. Stereolithography and other RP & M Technologies:from Rapid Prototyping to Rapid Tooling. Michigan:American Society of Mechanical Engineers, 1995. 35-42 http://cn.bing.com/academic/profile?id=1494804381&encoded=0&v=paper_preview&mkt=zh-cn [61] Kawasaki A, Goto M, Yashiro H, Ozaki H. An array-type PSD (position-sensitive detector) for light pattern measurement. Sensors and Actuators A:Physical, 1990, 22(1-3):529-533 doi: 10.1016/0924-4247(89)80030-5 [62] Farnworth W M. Layer Thickness Control for Stereolithography Utilizing Variable Liquid Elevation and Laser Focal Length, U.S. Patent 6955783, October 2005 [63] Almquist T A, Modrek B, Jacobs P F, Lewis C W, Lewis M A, Liran A, Cohen A L, Smalley D R. Method of and Apparatus for Measuring and Controlling Fluid Level in Stereolithography, U.S. Patent 5258146, November 1993 [64] Yamamoto M, Itoh K. Three-dimensional Structure Forming Apparatus Provided with a Liquid-level Control System for a Main Resin Tank, U.S. Patent 5248249, September 1993 [65] Stonesmith M, Hunter D, Wahlstrom B, Stout L, Reynolds G. Rapid Prototyping and Manufacturing System and Method, U.S. Patent 658105527 B2, September 2005 [66] Renap K, Kruth J P. Recoating issues in stereolithography. Rapid Prototyping Journal, 1995, 1(3):4-16 doi: 10.1108/13552549510094223 [67] Almquist T A, Hull C W, Modrek B, Jacobs P F, Lewis C W, Cohen A L. Recoating of Stereolithographic Layers, U.S. Patent 5651934, July 1997 [68] Almquist T A, Hull C W, Modrek B, Jacobs P F, Lewis C W, Cohen A L. Recoating of Stereolithographic Layers, U.S. Patent 6048487, April 2000 [69] 范准峰.光固化快速成形涂层技术研究[硕士学位论文], 华中科技大学, 中国, 2006 http://cdmd.cnki.com.cn/article/cdmd-10487-2008022236.htmFan Zhun-Feng. Research on Recoating Technology of Stereolithography Rapid Prototyping[Master dissertation], Huazhong University of Science & Technology, China, 2006 http://cdmd.cnki.com.cn/article/cdmd-10487-2008022236.htm [70] Ang B Y, Chua C K, Du Z H. Study of trapped material in rapid prototyping parts. The International Journal of Advanced Manufacturing Technology, 2000, 16(2):120-130 doi: 10.1007/s001700050017 [71] Almquist T A, Hull C W, Thayer J S, Leyden R N, Jacobs P F, Smalley D R. Rapid Recoating of Three-dimensional Objects Formed on a Cross-sectional Basis, U.S. Patent 5902537, May 1999 [72] Zhou C, Chen Y, Yang Z G, Khoshnevis B. Digital material fabrication using mask-image-projection-based stereolithography. Rapid Prototyping Journal, 2013, 19(3):153-165 doi: 10.1108/13552541311312148 [73] 赵万华, 李涤尘, 柯映林.光固化快速成形中树脂涂层技术研究.中国机械工程, 1999, 10(12):1333-1345 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX199912004.htmZhao Wan-Hua, Li Di-Chen, Ke Ying-Lin. Research on resin recoating technology of stereolithography rapid prototyping. China Mechanical Engineering, 1999, 10(12):1333-1345 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX199912004.htm [74] Gilio M, Kruth J P, Vanherck P. High-speed curtain recoating for stereolithography. In:Proceedings of the 12th Annual Solid Freeform Fabrication Symposium. Texas, USA:Texas Academic Press, 2001. 46-54 [75] Yan Y N, Li S J, Zhang R J, Lin F, Wu R D, Lu Q D, Lu Q P, Xiong Z, Wang X H. Rapid prototyping and manufacturing technology:principle, representative technics, applications, and development trends. Tsinghua Science & Technology, 2009, 14(1):1-12 http://cn.bing.com/academic/profile?id=2161302514&encoded=0&v=paper_preview&mkt=zh-cn [76] Onuh S O, Hon K K B. Optimising build parameters for improved surface finish in stereolithography. International Journal of Machine Tools and Manufacture, 1998, 38(4):329-342 doi: 10.1016/S0890-6955(97)00068-0 [77] 习俊通, 周满元, 严隽琪.基于STEP的非均匀自适应分层方法.计算机集成制造系统报, 2004, 10(2):235-239 http://www.cnki.com.cn/Article/CJFDTOTAL-JSJJ200402022.htmXi Jun-Tong, Zhou Man-Yuan, Yan Jun-Qi. STEP-based approach of adaptive slicing with non-uniform cusp heights for rapid prototyping. Computer Integrated Manufacturing Systems, 2004, 10(2):235-239 http://www.cnki.com.cn/Article/CJFDTOTAL-JSJJ200402022.htm [78] Horton L, Gargiulo E, Keefe M. An experimental study of the parameters affecting curl in parts created using stereolithography. In:Proceedings of the Solid Freeform Fabrication Symposium. Texas, USA:Texas Academic Press, 1993. 178-185 [79] Corcione C E, Greco A, Maffezzoli A. Photopolymerization kinetics of an epoxy-based resin for stereolithography. Journal of applied polymer science, 2004, 92(6):3484-3491 doi: 10.1002/(ISSN)1097-4628 [80] Jacobs P F. Rapid Prototyping and Manufacturing:Fundamentals of Stereolithography. Dearborn, MI:SME, 1992. 135-141 http://cn.bing.com/academic/profile?id=1523127134&encoded=0&v=paper_preview&mkt=zh-cn [81] 马雷, 李涤尘, 段玉岗, 卢秉恒.基于二次曝光原理的光固化快速成型工艺研究.西安交通大学学报, 2001, 35(1):57-60 http://www.cnki.com.cn/Article/CJFDTOTAL-XAJT200101013.htmMa Lei, Li Di-Chen, Duan Yu-Gang, Lu Bing-Heng. Stereolithography process based on double exposal method. Journal of Xi'an Jiaotong University, 2001, 35(1):57-60 http://www.cnki.com.cn/Article/CJFDTOTAL-XAJT200101013.htm [82] 袁慧羚, 周天瑞.光固化快速成型工艺的精度研究.南方金属, 2009, (2):24-27 http://www.cnki.com.cn/Article/CJFDTOTAL-NFGT200902008.htmYuan Hui-Ling, Zhou Tian-Rui. A study of the fabrication precision of rapid prototyping by stereo lithography. Southern Metals, 2009, (2):24-27 http://www.cnki.com.cn/Article/CJFDTOTAL-NFGT200902008.htm [83] Deckard C R. Method and Apparatus for Producing Parts by Selective Sintering, U.S. Patent 4863538, September 1989 [84] Hagiwara M, Sassa M. Powder Rapid Prototyping Apparatus and Powder Rapid Prototyping Method, U.S. Patent 9061465, June 2015 [85] Nakano S, Shimizu T, Hagiwara M, Sassa M. Rapid Prototyping Model, Powder Rapid Prototyping Apparatus and Powder Rapid Prototyping Method, U.S. Patent 20150050463A1, February 2015 [86] Budding A, Vaneker T H J. New strategies for powder compaction in powder-based rapid prototyping techniques. Procedia CIRP, 2013, 6:527-532 doi: 10.1016/j.procir.2013.03.100 [87] Beaman J J, Deckard C R. Selective Laser Sintering with Assisted Powder Handling, U.S. Patent 4938816, July 1990 [88] Bourell D L, Marcus H L, Barlow J W, Beaman J J, Deckard C R. Multiple Material Systems for Selective Beam Sintering, U.S. Patent 5382308, January 1995 [89] Forderhase P F, Deckard C R, Klein J M. Apparatus and Method for Producing Parts with Multi-directional Powder Delivery, U.S. Patent 252264, October 1993 [90] Cox B D. Laser Sintering Powder Recycle System, U.S. Patent 7887316, March 2005 [91] Cox B D. Selective Laser Sintering Powder Recycle System, U.S. Patent 7887316, February 2011 [92] Cox B D. Pneumatic Powder Transport System, U.S. Patent 7296599, November 2007 [93] 晏耐生, 林峰, 齐海波, 陆伟, 张靖.电子束选区熔化技术中可控振动落粉铺粉系统的研究.中国机械工程, 2010, (19):2379-2382 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX201019023.htmYan Nai-Sheng, Lin Feng, Qi Hai-Bo, Lu Wei, Zhang Jing. Study on controllable vibration powder spreading system in electron beam selective melting. China Mechanical Engineering, 2010, (19):2379-2382 http://www.cnki.com.cn/Article/CJFDTOTAL-ZGJX201019023.htm [94] 程军.选择性激光烧结预热温度场的数值模拟及实验研究[硕士学位论文], 华中科技大学, 中国, 2006 http://www.doc88.com/p-3176625698485.htmlCheng Jun. Numerical Simulation and Experimental Study of Temperature Field in the Preheating Process of SLS[Master dissertation], Huazhong University of Science & Technology, China, 2006 http://www.doc88.com/p-3176625698485.html [95] Grube K W, Beaman J J. Radiant Heating Apparatus for Providing Uniform Surface Temperature Useful in Selective Laser Sintering, U.S. Patent 5155321, October 1992 [96] Philippi J. Radiant Heater for Heating the Building Material in a Laser Sintering Device, U.S. Patent 8073315, December 2011 [97] Price S, Cooper K, Chou K. Evaluations of temperature measurements by near-infrared thermography in powder-based electron-beam additive manufacturing. In:Proceedings of the Solid Freeform Fabrication Symposium. Texas, USA:Texas Academic Press, 2012. 761-773 [98] Yang H J, Hwang P J, Lee S H. A study on shrinkage compensation of the SLS process by using the Taguchi method. International Journal of Machine Tools and Manufacture, 2002, 42(11):1203-1212 doi: 10.1016/S0890-6955(02)00070-6 [99] Li X F, Dong J H. Study on curve of Pe-heating temperature control in selective laser sintering. In:Proceedings of the 2009 International Symposium on Web Information Systems and Applications. Nanchang, China, 2009. 156-158 [100] 冯文仙. HRPS-ⅢA选择性激光烧结机预热系统的研究[硕士学位论文], 华中科技大学, 中国, 2003 http://www.docin.com/p-1374316010.htmlFeng Wen-Xian. Study on Preheating System of HRPS-ⅢA Selective Laser Sintering Machine[Master dissertation], Huazhong University of Science & Technology, China, 2003 http://www.docin.com/p-1374316010.html [101] 钟建伟, 史玉升, 蔡道生, 黄树槐.选择性激光烧结预热温度的自适应控制研究.机械科学与技术, 2004, 23(11):1370-1373 http://www.cnki.com.cn/Article/CJFDTOTAL-JXKX200411029.htmZhong Jian-Wei, Shi Yu-Sheng, Cai Dao-Sheng, Huang Shu-Huai. Investigation on the adaptive control preheating in selective laser sintering (SLS). Mechanical Science and Technology, 2004, 23(11):1370-1373 http://www.cnki.com.cn/Article/CJFDTOTAL-JXKX200411029.htm [102] 董星涛, 周子裕, 卢德林, 洪亮亮, 阮耀波. SLS预热温度场温度补偿研究.机电工程, 2010, 27(5):31-34 http://www.cnki.com.cn/Article/CJFDTOTAL-JDGC201005009.htmDong Xing-Tao, Zhou Zi-Yu, Lu De-Lin, Hong Liang-Liang, Ruan Yao-Bo. Study of temperature compensation based on preheating temperature field for SLS. Journal of Mechanical and Electrical Engineering, 2010, 27(5):31-34 http://www.cnki.com.cn/Article/CJFDTOTAL-JDGC201005009.htm [103] Beaman J J, Barlow J W, Bourell D L, Crawford R H, Marcus H L, McAlea K P. Solid Freeform Fabrication:a New Direction in Manufacturing. US:Springer, 1997. 25-49 http://cn.bing.com/academic/profile?id=1546192049&encoded=0&v=paper_preview&mkt=zh-cn [104] Bugeda Miguel Cervera G, Lombera G. Numerical prediction of temperature and density distributions in selective laser sintering processes. Rapid Prototyping Journal, 1999, 5(1):21-26 doi: 10.1108/13552549910251846 [105] Dai K, Shaw L. Distortion minimization of laser-processed components through control of laser scanning patterns. Rapid Prototyping Journal, 2002, 8(5):270-276 doi: 10.1108/13552540210451732 [106] 王文峰.覆膜金属粉末激光烧结成型过程三维温度场数值模拟技术研究[硕士学位论文], 中北大学, 中国, 2008 http://cdmd.cnki.com.cn/article/cdmd-10110-2008142702.htmWang Wen-Feng. Study on Numerical Simulation of 3D Temperature Field During Selective Laser Sintering Polymer-coated Metal Powder[Master dissertation], North University of China, China, 2008 http://cdmd.cnki.com.cn/article/cdmd-10110-2008142702.htm [107] Wang X W. Calibration of shrinkage and beam offset in SLS process. Rapid Prototyping Journal, 1999, 5(3):129-133 doi: 10.1108/13552549910278955 [108] Williams J D, Deckard C R. Advances in modeling the effects of selected parameters on the SLS process. Rapid Prototyping Journal, 1998, 4(2):90-100 doi: 10.1108/13552549810210257 [109] Wang W L, Cheah C M, Fuh J Y H, Lu L. Influence of process parameters on stereolithography part shrinkage. Materials & Design, 1996, 17(4):205-213 http://cn.bing.com/academic/profile?id=2026812759&encoded=0&v=paper_preview&mkt=zh-cn [110] Raghunath N, Pandey P M. Improving accuracy through shrinkage modelling by using Taguchi method in selective laser sintering. International Journal of Machine Tools and Manufacture, 2007, 47(6):985-995 doi: 10.1016/j.ijmachtools.2006.07.001 [111] 魏潇然, 耿国华, 张雨禾.熔丝沉积制造中稳固低耗支撑结构生成.自动化学报, 2016, 42(1):98-106 http://www.aas.net.cn/CN/abstract/abstract18799.shtmlWei Xiao-Ran, Geng Guo-Hua, Zhang Yu-He. Steady and low consuming supporting for fused deposition modeling. Acta Automatica Sinica, 2016, 42(1):98-106 http://www.aas.net.cn/CN/abstract/abstract18799.shtml [112] 王飞跃.从社会计算到社会制造:一场即将来临的产业革命.中国科学院院刊, 2012, 27(6):658-669 http://www.cnki.com.cn/Article/CJFDTOTAL-KYYX201206001.htmWang Fei-Yue. From social computing to social manufacturing:the coming industrial revolution and new frontier in cyber-physical-social space. Bulletin of the Chinese Academy of Sciences, 2012, 27(6):658-669 http://www.cnki.com.cn/Article/CJFDTOTAL-KYYX201206001.htm 期刊类型引用(3)
1. 李繁飙，杨皓月，王鸿鑫，阳春华，廖力清. 基于干扰估计的非对称运动下飞机刹车系统模型预测控制. 自动化学报. 2022(07): 1690-1703 . 
本站查看2. 张甜. 基于锁相环的电路自动增益控制系统设计. 自动化与仪器仪表. 2021(09): 91-95 . 百度学术3. 曾振华，郑汇峰，祝玉杰，罗志勇. 多旋翼无人机自主精准降落的控制系统研究. 广东工业大学学报. 2020(01): 87-94 . 百度学术其他类型引用(4)
-
下载:
计量
- 文章访问数: 3748
- HTML全文浏览量: 1122
- PDF下载量: 2096
- 被引次数: 7
