面向連續(xù)纖維增強聚合物復(fù)合材料增材制造的深度學(xué)習(xí)

供稿人：嚴(yán)圣超、曹毅、連芩 供稿單位：西安交通大學(xué)機械制造系統(tǒng)工程國家重點實驗室

增材制造的實時缺陷檢測和閉環(huán)調(diào)整對于確保產(chǎn)品質(zhì)量至關(guān)重要，特別是使用擠出成形工藝制造聚合物基復(fù)合材料構(gòu)件。該團隊提出了一種基于機器人增材制造系統(tǒng)的深度學(xué)習(xí)模型框架，用于實時識別碳纖維增強聚合物的打印缺陷，并在閉環(huán)調(diào)節(jié)中通過適當(dāng)工藝參數(shù)的自校正，有效地消除了打印缺陷。首先，利用深度學(xué)習(xí)技術(shù)實現(xiàn)增材制造過程中對于打印缺陷的高精度實時監(jiān)測，所開發(fā)方法能夠識別兩種類型的打印缺陷，即錯位和磨損，并且建立了路徑設(shè)計、工藝參數(shù)同錯位、磨損缺陷之間的對應(yīng)關(guān)系，通過將深度學(xué)習(xí)與對錯位程度的幾何分析相結(jié)合，使得錯位嚴(yán)重程度得以量化。在此基礎(chǔ)上，該團隊進(jìn)一步利用深度學(xué)習(xí)技術(shù)對碳纖維增強聚合物增材制造的基本工藝參數(shù)進(jìn)行了閉環(huán)調(diào)節(jié)，包括打印層高、絲材進(jìn)給速度、打印速度，實現(xiàn)了實時缺陷檢測和質(zhì)量調(diào)控的有機結(jié)合。

圖1 帶有60°、90°、120°調(diào)整角度和2.5mm、5mm、10mm曲率半徑的曲線以及0.9mm、1.1mm、1.3 mm路徑間距的代表模型

如圖1所示，該團隊設(shè)計了一種代表模型來獲得監(jiān)督深度學(xué)習(xí)的訓(xùn)練數(shù)據(jù)庫。其中，具有調(diào)整角度和曲線的打印路徑對工藝參數(shù)很敏感，在這些敏感區(qū)域就需要克服磨損和錯位缺陷�？偣苍O(shè)計了三種調(diào)整角度（分別為60°、90°、120°）和三種曲率半徑（分別為2.5mm、5mm、10mm）的曲線來研究打印能力。此外，設(shè)計了0.9mm、1.1mm和1.3 mm的路徑間距來研究工藝參數(shù)的影響。工藝參數(shù)組合如表1所示。這些工藝參數(shù)組合只是為了缺陷檢測和修正而設(shè)計的，尚未得到優(yōu)化。在打印過程中，利用攝像機獲取代表模型的在線打印視頻，并提取代表模型實時圖像，利用這些圖像數(shù)據(jù)來訓(xùn)練監(jiān)督學(xué)習(xí)算法，并分析工藝參數(shù)對打印路徑的影響。監(jiān)督學(xué)習(xí)算法主要包括快速卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）、單階多層檢測器（SSD）和You Only Look Once v4（YOLOv4），該團隊采用開源的TensorFlow庫實現(xiàn)上述算法，每個算法的性能由監(jiān)督深度學(xué)習(xí)中的超參數(shù)決定，這些超參數(shù)作為預(yù)定參數(shù)傳遞給檢測器，具體設(shè)置為：（1）對輸入圖像進(jìn)行卷積時，卷積核大小為3×3；（2）第一階段，學(xué)習(xí)率為0.001，批量大小為2，迭代次數(shù)為23300；（3）第二階段，學(xué)習(xí)率為0.0001，批量大小為2，迭代次數(shù)為4660。該團隊使用來自可視化對象類（VOC）數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重來提高算法的訓(xùn)練效率。通過控制一個工藝參數(shù)的變化，得到9個視頻，使用1165張圖像作為訓(xùn)練（932張）和驗證（233張）監(jiān)督學(xué)習(xí)算法的數(shù)據(jù)集。這些圖像數(shù)據(jù)中，磨損數(shù)量為1500，錯位數(shù)量為4361。

表1 增材制造工藝參數(shù)組合表

圖2 LoM的評估算法和計算步驟。（a）成形絲錯位缺陷的評估算法；（b）LoM計算模型

成形絲錯位評估流程如圖2所示。在函數(shù)1中，捕獲原始圖像并傳遞函數(shù)2。在函數(shù)2中，圖像數(shù)據(jù)被饋送給監(jiān)督學(xué)習(xí)算法。監(jiān)督學(xué)習(xí)算法識別缺陷并輸出包含缺陷信息的包圍框。所有錯位圖像都被分割了出來。為了評估成形絲的錯位程度，該團隊采用閾值分割方法提取成形絲，之后通過文獻(xiàn)[2]中提到的方法得到其框架及框架的像素坐標(biāo)，再利用像素坐標(biāo)計算錯位水平（LoM）。

最后，該團隊通過成形機翼截面連續(xù)路徑，驗證了其機器人輔助增材制造系統(tǒng)中實時缺陷檢測和閉環(huán)調(diào)整的有效性。

參考文獻(xiàn)：
Lu Lu, Hou Jie, Yuan Shangqin, Yao Xiling, Li Yamin, Zhu Jihong. Deep learning-assisted real-time defect detection and closed-loop adjustment for additive manufacturing of continuous fiber-reinforced polymer composites[J]. Robotics and Computer-Integrated Manufacturing, 2023, 79:102431.
U. Eckhardt, Verdünnung mit perfekten Punkten, Mustererkennung 1988, Springer, 1988, pp. 204–210.