基于多傳感融合的熔池監測系統的增材制造部件原位質量分類
時間：2024-10-11 08:34 來源：AMF增材制造前沿 作者：admin 閱讀：次
激光粉末床熔融 (Laser Powder Bed Fusion, L-PBF)
工藝可重復性不足、成形穩定性差是阻礙其進一步發展的瓶頸。對L-PBF成形過程進行多傳感監測，在線識別和預測潛在缺陷，進而開展原位控制是解決成形件質量波動的有效方法。聲、光、圖像等多源異構傳感信號的融合，以及基于大量監測數據的成形質量預測，是L-PBF在線監測與質量控制技術發展的關鍵。
論文亮點
（1）提出了典型特征提取與一維時序信號的圖像轉換策略相結合的方法，解決多源異構信號維度與尺度不統一和資源限制的問題。
（2）構建了具有四個卷積模塊的卷積神經網絡模型，實現L-PBF過程非統計特征的捕捉。
（3）利用改進DS證據理論將三種單傳感監測模型分別進行分組決策融合，驗證了L-PBF過程多傳感融合監測可以進一步提升模型質量分類的準確率。
試驗方法
本研究通過改變激光功率和掃描速度實現對體積能量密度調控，進而獲得不同質量的成形件。在實驗樣件打印過程中，利用高速相機、光電二極管與麥克風實時采集實驗樣品多個打印層的過程信號，并以質量表征結果為處理后的過程信號制作標簽。通過訓練卷積神經網絡模型并分組融合，對比分析單傳感、雙傳感以及三傳感融合質量分類模型性能。
結果
本文提出了一維信號-二維圖像的多源異構信號處理方法，相較于以原始一維信號為網絡輸入，表現出更好的分類性能。
雙傳感器融合模型性能優于單傳感器融合模型，而三傳感器融合模型性能又優于雙傳感器融合模型。其中三傳感器融合模型分別達到了96.74%的精確度、97.37%的召回率和97.05%的F1值，驗證了L-PBF過程多傳感融合監測的有效性和優越性。
在雙傳感器監測模型中，基于熔池面積信號和聲學信號的模型分類準確性最好。這可能是由于上述兩種信號包含了LPBF過程多方面信息，它們的融合促進了信息的互補。
結論
本研究提出了一種基于多傳感融合的熔池監測系統對增材制造部件進行原位質量分類的方法。該方法集成高速相機、光電二極管和麥克風對L-PBF過程進行信號采集，并提出一種信號-圖像的多源異構信號處理方法。通過將三種單傳感監測模型分別進行分組融合，實驗表明利用多傳感融合方法對L-PBF過程進行監測可以進一步提升模型質量分類的準確率。
前景與應用
實現對L-PBF成形質量的快速、準確診斷是開展在線原位控制的前提。本研究構建了集成高速相機、光電二極管與麥克風三種傳感器的L-PBF在線監測系統與質量預測方法，在粉末床熔融金屬增材制造裝備及控制技術發展方面具有重要的應用價值。此外，考慮到光電二極管成本相對較低，而高速相機的成本往往較高，本研究有助于探究低成本傳感器對高成本傳感器的可替代性。
作者團隊介紹
楊繼全（團隊帶頭人），博士，教授，南京師范大學南瑞電氣與自動學院院長，研究方向為3D打印及智能制造。現任江蘇省三維打印裝備與制造重點實驗室主任、江蘇省三維打印產業技術創新戰略聯盟理事長，江蘇省六大人才高峰創新團隊負責人，南京市科技頂尖專家，江蘇省“333”工程人才培養對象，中國增材制造標準化委員會委員，中國機械工程學會增材制造專業委員會委員，南京三維打印學會理事長，南京智能制造學會聯合體主席，中國工程院“中國3D打印材料及應用發展戰略研究”項目組組長等。近五年主持國家重點研發計劃課題、國家自然科學基金項目、江蘇省科技成果轉化項目、江蘇省重點研發計劃項目等20余個項目。發表論文100余篇，出版著作16部，獲得授權專利及軟件著作權200余項，參與制訂增材制造國家標準6項，獲得省部級科學技術獎4項。
吳倩茹（本文第一作者），南京師范大學自動化系講師，碩士生導師，江蘇省雙創博士。畢業于北京理工大學機械工程專業，師從盧繼平教授、劉長猛教授，博士期間赴美國賓州州立大學T. DebRoy教授課題組訪問學習。在金屬增材制造成形工藝、多物理場耦合數值模擬、過程監測與控制等方向開展了一系列基礎研究工作，主持江蘇省重點研發計劃（產業前瞻與共性關鍵技術）子課題、江蘇省高等學校自然科學研究面上項目，作為主要成員參與了國家自然科學基金項目、裝備發展部預研共用技術項目等多個研究項目。受Materials期刊邀請擔任專刊編輯，以第一/通訊作者在Additive Manufacturing、Journal of Manufacturing Processes等領域內權威期刊上發表高水平SCI期刊論文十余篇，自2017年起被同行引用1200余次，以第一發明人申請發明專利5項。
團隊研究方向
圍繞國家與江蘇省重大戰略需求，主要圍繞以下三個方向，開展增材制造技術領域的基礎研究與工程應用：
（1）復合增材制造共性關鍵技術；
（2）國產化增材制造全棧工業軟件研發；
（3）復合增材制造裝備研制及工程應用。
引用論文
Qianru Wu, Fan Yang, Cuimeng Lv, Changmeng Liu, Wenlai Tang, Jiquan Yang. In-Situ Quality Intelligent Classification of Additively Manufactured Parts Using a Multi-Sensor Fusion Based Melt Pool Monitoring System. Additive Manufacturing Frontiers, Volume 3, Issue 3, 2024, 200153.
https://doi.org/10.1016/j.amf.2024.200153.
文章鏈接：https://www.sciencedirect.com/sc ... i/S2950431724000431
論文亮點
（1）提出了典型特征提取與一維時序信號的圖像轉換策略相結合的方法，解決多源異構信號維度與尺度不統一和資源限制的問題。
（2）構建了具有四個卷積模塊的卷積神經網絡模型，實現L-PBF過程非統計特征的捕捉。
（3）利用改進DS證據理論將三種單傳感監測模型分別進行分組決策融合，驗證了L-PBF過程多傳感融合監測可以進一步提升模型質量分類的準確率。
Fig. 1 Conversion method of the three types of signals from 1D time-domain signals to 2D grayscale images.
試驗方法
本研究通過改變激光功率和掃描速度實現對體積能量密度調控，進而獲得不同質量的成形件。在實驗樣件打印過程中，利用高速相機、光電二極管與麥克風實時采集實驗樣品多個打印層的過程信號，并以質量表征結果為處理后的過程信號制作標簽。通過訓練卷積神經網絡模型并分組融合，對比分析單傳感、雙傳感以及三傳感融合質量分類模型性能。
Fig. 2 Schematic diagram of quality characterization and quality classification.
結果
本文提出了一維信號-二維圖像的多源異構信號處理方法，相較于以原始一維信號為網絡輸入，表現出更好的分類性能。
雙傳感器融合模型性能優于單傳感器融合模型，而三傳感器融合模型性能又優于雙傳感器融合模型。其中三傳感器融合模型分別達到了96.74%的精確度、97.37%的召回率和97.05%的F1值，驗證了L-PBF過程多傳感融合監測的有效性和優越性。
在雙傳感器監測模型中，基于熔池面積信號和聲學信號的模型分類準確性最好。這可能是由于上述兩種信號包含了LPBF過程多方面信息，它們的融合促進了信息的互補。
Fig. 3 Confusion matrix for the results of the
seven quality monitoring models (a) CNN1, (b) CNN2, (c) CNN3, (d)
CNN1+CNN2, (e) CNN1+CNN3, (f) CNN2+CNN3,
結論
本研究提出了一種基于多傳感融合的熔池監測系統對增材制造部件進行原位質量分類的方法。該方法集成高速相機、光電二極管和麥克風對L-PBF過程進行信號采集，并提出一種信號-圖像的多源異構信號處理方法。通過將三種單傳感監測模型分別進行分組融合，實驗表明利用多傳感融合方法對L-PBF過程進行監測可以進一步提升模型質量分類的準確率。
前景與應用
實現對L-PBF成形質量的快速、準確診斷是開展在線原位控制的前提。本研究構建了集成高速相機、光電二極管與麥克風三種傳感器的L-PBF在線監測系統與質量預測方法，在粉末床熔融金屬增材制造裝備及控制技術發展方面具有重要的應用價值。此外，考慮到光電二極管成本相對較低，而高速相機的成本往往較高，本研究有助于探究低成本傳感器對高成本傳感器的可替代性。
作者團隊介紹
吳倩茹（本文第一作者），南京師范大學自動化系講師，碩士生導師，江蘇省雙創博士。畢業于北京理工大學機械工程專業，師從盧繼平教授、劉長猛教授，博士期間赴美國賓州州立大學T. DebRoy教授課題組訪問學習。在金屬增材制造成形工藝、多物理場耦合數值模擬、過程監測與控制等方向開展了一系列基礎研究工作，主持江蘇省重點研發計劃（產業前瞻與共性關鍵技術）子課題、江蘇省高等學校自然科學研究面上項目，作為主要成員參與了國家自然科學基金項目、裝備發展部預研共用技術項目等多個研究項目。受Materials期刊邀請擔任專刊編輯，以第一/通訊作者在Additive Manufacturing、Journal of Manufacturing Processes等領域內權威期刊上發表高水平SCI期刊論文十余篇，自2017年起被同行引用1200余次，以第一發明人申請發明專利5項。
團隊研究方向
圍繞國家與江蘇省重大戰略需求，主要圍繞以下三個方向，開展增材制造技術領域的基礎研究與工程應用：
（1）復合增材制造共性關鍵技術；
（2）國產化增材制造全棧工業軟件研發；
（3）復合增材制造裝備研制及工程應用。
引用論文
Qianru Wu, Fan Yang, Cuimeng Lv, Changmeng Liu, Wenlai Tang, Jiquan Yang. In-Situ Quality Intelligent Classification of Additively Manufactured Parts Using a Multi-Sensor Fusion Based Melt Pool Monitoring System. Additive Manufacturing Frontiers, Volume 3, Issue 3, 2024, 200153.
https://doi.org/10.1016/j.amf.2024.200153.
文章鏈接：https://www.sciencedirect.com/sc ... i/S2950431724000431
(責任編輯：admin)
NASA與ICON聯手推進太空3D
第八屆醫院3D打印論壇：個
3D打印巨頭Stratasys收購
Nature子刊：3D打印技術助
全球兩大3D掃描儀巨頭合并
美國交通部長稱，FAA正借最新內容
美國空軍2860萬美
美國軍工企業強強
美國斥資450萬美
GoEngineer通過收
3D食品打印：烹
卡內基梅隆研究人熱點內容
