一种熔池轮廓时序迁移预测方法、系统、介质及设备

本发明属于智能制造，尤其涉及一种熔池轮廓时序迁移预测方法、系统、介质及设备。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、激光定向能量沉积（l-ded）依靠激光熔化金属粉末逐层成形零部件，熔池轮廓、熔宽（w）、熔高（h）直接决定零件成形精度、内部缺陷与力学性能，是工艺调控核心监测指标。现阶段激光增材制造成形预测体系普遍存在材料特异性强、模型泛化性弱、跨材料迁移预测能力缺失的行业短板，现有熔池预测模型均为单一材料专属拟合模型，仅能适配训练所用单一金属材料工况，无法实现异种材料之间的成形特征迁移复用。同时，现有熔池预测模型大多依赖红外、x射线等多模态视觉图像作为模型输入，依托图像视觉嵌入完成熔池特征拟合，在存在烟尘、强弧光、飞溅遮挡或工业场景无法部署高速相机时，视觉模态数据完全缺失，模型无法正常推理，进一步加剧了多材料工况下的应用局限。

3、现有技术存在三大核心缺陷：

4、跨模态映射非线性适配不足，分布失配严重：当目标域无图像仅存工艺参数时，传统线性映射无法拟合工艺参数与预训练视觉高维嵌入之间复杂非线性流形关系，简单线性投影造成特征分布断层，预测精度大幅衰减；且标准化操作常泄露测试集、未来时序数据统计信息，引发模型过拟合、泛化能力下降；

5、跨材料迁移微调易发生灾难性遗忘，小样本鲁棒性差：从tc4钛合金源域预训练模型迁移至316l不锈钢目标域时，全量微调会破坏源域习得的熔池通用特征；统一秩lora无法匹配编码器、解码器、跨注意力层差异化适配需求，底层通用特征与高层材料专属特征无法分层优化，少量316l样本训练后极易过拟合；

6、纯数据驱动模型违背金属热动力学规律，预测轮廓失真：无物理约束的深度学习仅以mse、mapa为损失，训练出的熔池轮廓存在剧烈凹凸、突变拐点，不符合马兰戈尼对流驱动的液态金属平滑形貌特征；轮廓曲线二阶曲率无惩罚，模型输出大量非物理无效样本，工艺控制决策可靠性低。

7、综上，现有方案未同时解决无图跨模态映射、分层迁移微调、物理先验约束三大痛点，无法满足高功率、无视觉、跨材料l-ded工况下熔池轮廓高精度时序预测需求。

技术实现思路

1、为了解决上述背景技术中存在的技术问题，本发明提供一种熔池轮廓时序迁移预测方法、系统、介质及设备，非线性拟合工艺参数与视觉嵌入流形分布，仅输入工艺参数即可生成与图像嵌入分布一致的伪视觉特征，无相机、强烟尘遮挡工况下仍稳定输出熔池轮廓。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明的第一个方面提供一种熔池轮廓时序迁移预测方法，其包括：

4、获取钛合金源域数据集，以工艺参数作为输入，以视觉嵌入为拟合标签，训练门控残差跨模态桥接网络，并保存训练完成的桥接网络权重与源域工艺参数的标准化统计量；

5、获取目标域时序工艺数据，以完整熔道为单元完成数据集划分，得到训练集、验证集和测试集；对桥接分支的输入复用所述标准化统计量或使用训练集统计量进行标准化，得到标准化参数；对主干分支的输入保留原始物理量纲，并通过补零方式匹配主干模型的参数输入维度；

6、加载用钛合金源域数据集预训练的熔池时序预测主干模型；在无图像目标域迁移场景中，将标准化参数输入桥接网络生成伪视觉嵌入，叠加可学习时序位置编码后作为主干模型的视觉通道输入，并将保留原始物理量纲的目标域工艺参数作为主干模型的工艺参数通道输入；在跨材料迁移场景中，对主干模型分层注入低秩适配层，并在基础组合预测损失上叠加马兰戈尼曲率正则损失；

7、基于验证集验证桥接网络和主干模型，得到最优迁移预测模型，并利用测试集对最优迁移预测模型进行盲推理，输出熔池轮廓、熔宽或熔高预测结果。

8、进一步地，所述马兰戈尼曲率正则损失为：

9、；

10、其中，第e轮训练的曲率权重，为曲率权重最大值，为曲率权重由0线性增加至的预热轮数，b表示批量样本数，n表示轮廓采样点数量或标签维度；第b个样本中由相邻三个预测轮廓点计算得到的一维二阶差分；表示数值截断函数，即将输入值限制在预设下界和上界之间，、和均表示数值截断后的预测轮廓。

11、进一步地，所述桥接网络为门控残差跨模态桥接网络：通过线性投影层完成工艺参数维度映射，结合残差块提取工艺参数高阶交互特征，依托自适应门控分支动态调节残差特征权重，经归一化层完成特征分布校准。

12、进一步地，所述以完整熔道为单元完成数据集划分，包括：以完整熔道为最小独立单元，对目标域时序工艺数据进行分组划分，单熔道包含固定长度连续时序工艺样本，仅打乱熔道整体序号完成训练集、验证集、测试集划分，不拆分单熔道内部时序数据。

13、进一步地，所述分层注入低秩适配层，包括：冻结熔池时序预测主干模型的基础权重，对中层编码器网络配置低秩lora适配层，对高层跨模态注意力层和解码器网络配置高秩lora适配层，仅低秩自适应参数及保留的适配参数参与更新。

14、进一步地，参数优化时，对主干模型的可训练层设置基础学习率，对桥接网络、时序位置编码或低秩lora适配层设置独立学习率，对时序位置编码不施加权重衰减。

15、进一步地，对于熔池轮廓预测任务，采用基础组合预测损失并以平均交并比作为验证指标；对于熔宽或熔高的预测任务，采用加权均方误差损失并以平均绝对百分比准确率作为验证指标。

16、本发明的第二个方面提供一种熔池轮廓时序迁移预测系统，其包括：

17、源域桥接预训练模块，其被配置为：获取钛合金源域数据集，以工艺参数作为输入，以视觉嵌入为拟合标签，训练门控残差跨模态桥接网络，并保存训练完成的桥接网络权重与源域工艺参数的标准化统计量；

18、时序数据双路构建模块，其被配置为：获取目标域时序工艺数据，以完整熔道为单元完成数据集划分，得到训练集、验证集和测试集；对桥接分支的输入复用所述标准化统计量或使用训练集统计量进行标准化，得到标准化参数；对主干分支的输入保留原始物理量纲，并通过补零方式匹配主干模型的参数输入维度；

19、微调模块，其被配置为：加载用钛合金源域数据集预训练的熔池时序预测主干模型；在无图像目标域迁移场景中，将标准化参数输入桥接网络生成伪视觉嵌入，叠加可学习时序位置编码后作为主干模型的视觉通道输入，并将保留原始物理量纲的目标域工艺参数作为主干模型的工艺参数通道输入；在跨材料迁移场景中，对主干模型分层注入低秩适配层，并在基础组合预测损失上叠加马兰戈尼曲率正则损失；

20、评估与输出模块，其被配置为基于验证集验证桥接网络和主干模型，得到最优迁移预测模型，并利用测试集对最优迁移预测模型进行盲推理，输出熔池轮廓、熔宽或熔高预测结果。

21、本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述一种熔池轮廓时序迁移预测方法中的步骤。

22、本发明的第四个方面提供一种计算机设备，包括计算机可读存储介质、处理器及存储在计算机可读存储介质上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述一种熔池轮廓时序迁移预测方法中的步骤。

23、与现有技术相比，本发明的有益效果是：

24、本发明非线性拟合工艺参数与视觉嵌入流形分布，仅输入工艺参数即可生成与图像嵌入分布一致的伪视觉特征，无相机、强烟尘遮挡工况下仍稳定输出熔池轮廓。

25、本发明以完整熔道为划分单元，不打散单熔道时序样本，标准化仅依托训练集统计量，且双分支分离兼顾跨域分布对齐与原模型物理量纲输入需求，解决传统单路标准化造成的测试集信息泄露。

26、本发明分层差异化配置lora秩，底层通用熔池特征完全冻结，中层、高层分秩微调，仅少量适配参数参与更新，参数量占比不足5%。

27、本发明基于液态金属马兰戈尼对流机理构建二阶曲率惩罚损失，约束预测轮廓平滑连续，消除无约束模型输出的突变、凹凸非物理曲线。