論文の概要: Learning and Adaptation in Wire Arc Additive Manufacturing Bead Geometry Control

• arxiv url: http://arxiv.org/abs/2605.29144v1
• Date: Wed, 27 May 2026 22:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 00:00:30.935337
• Title: Learning and Adaptation in Wire Arc Additive Manufacturing Bead Geometry Control
• Title（参考訳）: ワイヤアーク添加ビーズ形状制御における学習と適応
• Authors: Chen-Lung Lu, John Wen,
• Abstract要約: 単純なリカレントニューラルネットワークアーキテクチャとワンステップ予測制御により,プロセス性能が向上することを示す。 ラインスキャナフィードバックを統合したロボットWAAMテストベッドの実験は、高さと幅の整合性を著しく改善した。
• 参考スコア（独自算出の注目度）: 0.34376560669160394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotics Wire Arc Additive Manufacturing (WAAM) is governed by complex and nonlinear process dynamics coupling thermal field to the build geometry. The process may be regarded as a multi-input/multi-output dynamical system with welding torch speed and wire feed rate as inputs and weld bead deposition height and width as outputs. In this paper, we use the input/output data to learn a data-driven model and use it for weld planning and control. We show that a simple recurrent neural network architecture and one-step-ahead predictive control can improve the process performance in terms of height and width consistency. To account for the changing thermal conditions during the printing process, we update the learning model using prediction error from the previous layer. This adaptation step further improves the prediction accuracy and controller performance. Experiments on a robotic WAAM testbed with integrated line-scanner feedback significant improvements in height and width consistency compared to constant input and static model baselines. The proposed learning and adaptation framework provides a practical pathway toward robust, data-driven regulation of additive manufacturing processes.
• Abstract（参考訳）: Robotics Wire Arc Additive Manufacturing (WAAM) は、複雑で非線形なプロセスダイナミクスによって制御され、熱場とビルド幾何学が結合する。 このプロセスは、溶接トーチ速度とワイヤ供給率を入力とし、溶接ビーズ堆積高さと幅を出力とするマルチインプット/マルチアウトプット力学系と見なすことができる。 本稿では、入出力データを用いてデータ駆動モデルを学び、溶接計画と制御に使用する。 単純なリカレントニューラルネットワークアーキテクチャとワンステップ予測制御により、高さと幅の整合性の観点からプロセス性能を向上させることができることを示す。 印刷過程における熱条件の変化を考慮し,前層からの予測誤差を用いて学習モデルを更新する。 この適応ステップは、予測精度とコントローラ性能をさらに向上させる。 ラインスキャナフィードバックを統合したロボットWAAMテストベッドの実験は、一定入力と静的モデルベースラインと比較して、高さと幅の整合性を著しく改善した。 提案する学習適応フレームワークは、添加物製造プロセスの堅牢でデータ駆動的な規制への実践的な経路を提供する。

関連論文リスト

• Adaptive Digital Twin of Sheet Metal Forming via Proper Orthogonal Decomposition-Based Koopman Operator with Model Predictive Control [14.54038067557375]
  デジタルツイン(DT)技術は、複雑なプロセスのリアルタイム予測、監視、制御を可能にすることで製造を変革している。 本研究では,物理認識次元減少のための適切な直交分解(POD)を統合する適応DTフレームワークを提案する。 リアルタイムに演算子係数を更新するために、オンライン再帰最小平方法(RLS)アルゴリズムを導入し、DTモデルの連続的な適応を可能にする。
  論文  参考訳（メタデータ） (2025-11-13T23:24:17Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Akkumula: Evidence accumulation driver models with Spiking Neural Networks [1.6988773509268102]
  本稿では,ディープラーニング技術を用いたエビデンス蓄積モデリングフレームワークであるAkkumulaを紹介する。 ライブラリのコアはスパイキングニューラルネットワークに基づいており、その動作は生物学的脳内のエビデンス蓄積プロセスを模倣している。 このモデルは、車両センサデータに基づく車両制御の時間経過によく適合する。
  論文  参考訳（メタデータ） (2025-04-30T10:03:11Z)
• GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
  本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。 機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。 本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-11T20:22:00Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Development of Deep Transformer-Based Models for Long-Term Prediction of Transient Production of Oil Wells [9.832272256738452]
  本稿では,油井の過渡生産に関するデータ駆動型モデリング手法を提案する。 油井の様々なパラメータからなる多変量時系列に基づいて訓練された変圧器ベースニューラルネットワークを適用した。 複素過渡的な油田レベルのパターンをシミュレートするために,複数井戸に対するトランスフォーマーアーキテクチャに基づく単一井戸モデルを一般化する。
  論文  参考訳（メタデータ） (2021-10-12T15:00:45Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。