采用环内本体的激光粉末床熔融神经符号闭环控制

arXiv cs.LG 论文
neuro-symbolic closed-loop-control laser-powder-bed-fusion ontology additive-manufacturing gaussian-process

摘要

本文提出了一种用于激光粉末床熔融的神经符号闭环架构，其中环内本体将符号推理与统计学习相结合，以控制熔池深度并消除悬垂挂渣。通过校准至NIST AM-Bench基准的代理模型验证了可行性。

arXiv:2608.05773v1 公告类型：新 摘要：针对激光粉末床熔融，提出了一种几何条件化的神经符号闭环架构，其中与标准对齐的本体在控制回路内运行，将符号推理与统计学习相结合，为约束感知预测控制器设定目标。该本体将过程目标与约束连接到控制器可观测的信号，描述逻辑推理器将它们转换为每次扫描所施加的参考值和边界。所演示的案例是悬垂挂渣，即对熔池深度的质量限制——该深度决定质量但无法在构建过程中测量——通过几何和功率相关的深宽比映射到可观测宽度的边界上，该比值及其校准不确定性由高斯过程提供。推理器对每个即将到来的特征进行分类并选择活动约束——在悬垂处添加未熔合下限，在校准范围之外添加单调性保护，以及在声明工艺窗口处添加能量密度上限——同时仅在几何上下文变化时运行，否则在逐扫描路径上保留一个小的二次规划问题。在使用针对IN625的NIST AM-Bench基准校准的Eagar-Tsai代理模型中，该架构消除了几何盲控制器产生的挂渣，在双重评分下将挂渣保持为零且仅残留少量未熔合，在故意引入的对象失配下优雅降级，并通过编辑本体数据而非代码重新适配新的合金和约束。结果确立了架构可行性；该比值的实验校准是下一个主要步骤。
查看原文
查看缓存全文

缓存时间: 2026/08/07 07:52 

# 基于环内本体的激光粉末床熔融神经符号闭环控制
来源：https://arxiv.org/abs/2608.05773
查看 PDF (https://arxiv.org/pdf/2608.05773)

> 摘要：针对激光粉末床熔融，提出了一种几何条件化的神经符号闭环架构。在该架构中，一个符合标准的本体在控制回路内运行，将符号推理与统计学习相结合，以设定约束感知预测控制器的目标。该本体将工艺目标与约束关联到控制器可观测的信号，并由描述逻辑推理器将其转换为每条扫描路径上强制执行的参考值与边界。演示案例是悬垂挂渣，即对熔池深度的质量限制。该深度决定质量，但无法在构建过程中测量；其通过一个依赖几何形状和功率的深宽比映射为对可观测宽度的约束，其中该比例及其校准后的不确定性由高斯过程提供。该推理器对每个即将到来的特征进行分类并选择激活的约束——在悬垂处增加未熔合下限，在校准范围之外增加单调性保护，在声明工艺窗口处增加能量密度上限；它仅在几何上下文发生变化时运行，否则在每条扫描路径上只保留一个独立的小型二次规划问题。在针对 IN625 校准到 NIST AM-Bench 基准的 Eagar-Tsai 替代模型中，该架构消除了由几何盲控制器产生的挂渣，在双重评分下将挂渣保持为零，仅伴有少量残余未熔合；在故意引入的被控对象失配下能够优雅降级；并且通过编辑本体数据而非代码即可重新适配到新合金与约束。结果验证了该架构的可行性；该深宽比的实验校准是下一步的主要工作。

## 提交历史

来自：Gi Suk Hong [查看邮箱 (https://arxiv.org/show-email/f4e924fb/2608.05773)] **[v1]** 周四, 2026年8月6日 09:05:38 UTC (749 KB)

相似文章

视觉-语言-动作模型中的闭环神经激活控制

arXiv cs.AI

提出CTRL-STEER，一种闭环框架，通过时变控制信号对视觉-语言-动作模型进行自适应引导，在无需重新训练的情况下，实现了概念调节与任务成功率之间的更好权衡。

工具增强代理：闭环优化、仿真与建模编排

arXiv cs.AI

本文介绍了COSMO-Agent，一个工具增强的强化学习框架，用于训练LLM执行闭环CAD-CAE优化，迭代生成参数化几何体并运行仿真直到满足约束条件，并包含一个多约束奖励和新的行业对齐数据集。