橡樹(shù)嶺: 基于多傳感器融合及機(jī)器學(xué)習(xí)的增材制造構(gòu)件原位無(wú)損評(píng)估方法

來(lái)源： 復(fù)合材料力學(xué)

1導(dǎo)讀
L-PBF（激光粉末床熔融，Laser Powder Bed Fusion）增材制造作為制造業(yè)廣泛采用的金屬3D打印技術(shù)之一。其制造構(gòu)件的工業(yè)資格認(rèn)證嚴(yán)重依賴(lài)于昂貴的無(wú)損檢測(cè)技術(shù)，大大限制了制造構(gòu)件的工業(yè)應(yīng)用。盡管原位工藝監(jiān)測(cè)作為一種更經(jīng)濟(jì)的質(zhì)量評(píng)估方法，可替代非原位檢測(cè)。但，現(xiàn)有傳感以及數(shù)據(jù)分析技術(shù)在規(guī)模生產(chǎn)的L-PBF打印機(jī)上，難以檢測(cè)亞表面缺陷（例如，孔隙和裂紋）。近年來(lái)，ML（機(jī)器學(xué)習(xí)，Machine Learning）在增材制造原位缺陷檢測(cè)方面取得了顯著進(jìn)展，然而鮮有研究對(duì)這些技術(shù)的實(shí)用性以及不確定性進(jìn)行評(píng)估，使得ML技術(shù)在AM構(gòu)件的無(wú)損評(píng)估（NDE）中的準(zhǔn)確性仍存疑慮。

2023年，增材制造Top期刊《Additive Manufacturing》發(fā)表了橡樹(shù)嶺國(guó)家實(shí)驗(yàn)室的基于多傳感器融合及機(jī)器學(xué)習(xí)的增材制造構(gòu)件原位無(wú)損評(píng)估研究工作，論文標(biāo)題為“Scalable in situ non-destructive evaluation of additively manufactured components using process monitoring, sensor fusion, and machine learning”，第一作者為美國(guó)橡樹(shù)嶺實(shí)驗(yàn)室Zackary Snow副研究員。

研究者開(kāi)發(fā)了一個(gè)INDE（INDE，In-situ NDE）系統(tǒng)，該系統(tǒng)能從多模態(tài)傳感數(shù)據(jù)中檢測(cè)到亞表面缺陷。同時(shí)，通過(guò)向人工參與循環(huán)標(biāo)注程序中輸入多層次、多模態(tài)圖像及XCT表征數(shù)據(jù)，INDE系統(tǒng)能有效檢測(cè)尺寸為200-1000μｍ的制造缺陷。此外，通過(guò)將原位檢測(cè)的亞表面缺陷與XCT數(shù)據(jù)進(jìn)行系統(tǒng)地比較分析，建立了INDE系統(tǒng)不確定性評(píng)價(jià)指標(biāo)：檢測(cè)概率（POD, Probability-of-Detection）以及誤報(bào)概率（PFA, Probability-of-False-Alarm）曲線(xiàn)，且該評(píng)價(jià)指標(biāo)能更好的洞察過(guò)程監(jiān)控對(duì)增材制造的實(shí)用性。

2內(nèi)容簡(jiǎn)介
該研究使用可見(jiàn)光相機(jī)以及NIR（NIR，Integrated Near Infrared）成像儀逐層收集多模態(tài)工藝圖像（圖1）。在打印過(guò)程中，采用24.4兆像素的可見(jiàn)光相機(jī)在激光熔化及鋪粉后捕獲了粉末床的圖像，使用NIR成像儀在打印層的持續(xù)時(shí)間內(nèi)收集構(gòu)建板的熱發(fā)射圖。NIR成像儀每層生成兩張圖像：一張“積分”圖像，表示一層中像素強(qiáng)度的總和；一張“最大值”圖像，代表一層中像素強(qiáng)度的最大值。盡管，NIR圖像中的亮點(diǎn)與飛濺誘導(dǎo)的隨機(jī)熔合不足相關(guān)，但這些圖像的空間分辨率較低及可能包含偽影，為解讀帶來(lái)挑戰(zhàn)性。同時(shí)，受到先前層中形成的異常影響，會(huì)導(dǎo)致誤報(bào)產(chǎn)生。更有趣的是，并非NIR圖像中檢測(cè)到的所有亮點(diǎn)都對(duì)應(yīng)于亞表面缺陷，也并非所有亞表面缺陷都有相應(yīng)的亮點(diǎn)。

圖1 XCT試樣對(duì)應(yīng)的多模態(tài)感知圖像數(shù)據(jù)

通過(guò)結(jié)合可見(jiàn)光、近紅外圖像以及XCT表征數(shù)據(jù)，進(jìn)行標(biāo)簽類(lèi)別注冊(cè)，以生成訓(xùn)練DSCNN（DSCNN，Dyamic Segmentation Convolutional Neural Network）網(wǎng)絡(luò)的數(shù)據(jù)庫(kù)（圖2）。根據(jù)工藝特點(diǎn)，將標(biāo)簽分為8種類(lèi)別：粉末、打印、條紋邊界、刮刀條紋、飛濺在零件上（非缺陷）、飛濺在粉末上、XCT缺陷（�。�、XCT缺陷（大）。粉末和打印代表了未熔化的粉末顆粒和成功熔化的材料兩種標(biāo)準(zhǔn)狀態(tài)。條紋邊界將條紋邊界界面處熱數(shù)據(jù)中的亮像素與飛濺在零件上(非缺陷)、XCT缺陷(小)或XCT缺陷(大)對(duì)應(yīng)的亮像素區(qū)分開(kāi)。刮刀條紋代表了刮刀在粉末床中產(chǎn)生水平擾動(dòng)的實(shí)例- -要么來(lái)自刮刀損壞，要么沿著刮刀方向拖拽碎片。剩下的四個(gè)類(lèi)別與飛濺及其引起的隨機(jī)未熔合有關(guān)。

圖2 XCT表征數(shù)據(jù)與人工循環(huán)參與相結(jié)合的多類(lèi)別標(biāo)簽注冊(cè)

通過(guò)分析DSCNN模型在測(cè)試數(shù)據(jù)中的分割結(jié)果發(fā)現(xiàn)：位于飛濺發(fā)生器下游的四個(gè)試樣包含了最高程度的孔隙率和最復(fù)雜的工藝監(jiān)測(cè)信號(hào)，這使得它們成為評(píng)估訓(xùn)練網(wǎng)絡(luò)性能的良好候選對(duì)象。如圖3，展示了試樣X(jué)CT缺陷分割結(jié)果、熔化后可見(jiàn)光和近紅外積分圖像、測(cè)試標(biāo)簽、DSCNN對(duì)每個(gè)像素的預(yù)測(cè)類(lèi)別以及原位無(wú)損預(yù)測(cè)的XCT缺陷（�。┖蚗CT缺陷（大）像素的位置，且原位無(wú)損檢測(cè)結(jié)果與XCT缺陷檢測(cè)結(jié)果展示出良好的一致性。正如分析結(jié)果（圖3），DSCNN模型能輕松識(shí)別粉末床中的打印材料以及未熔化粉末。同時(shí)，盡管在條紋邊界和打印材料之間存在一些混淆,與條紋邊界相對(duì)應(yīng)的像素在這些樣本中也可以被檢測(cè)到。研究發(fā)現(xiàn)，在這些試樣中檢測(cè)到的缺陷通常具有大約250μｍ及以上的等效圓直徑，而較小的缺陷（XCT缺陷（�。�）通常被誤分類(lèi)為已打印材料或未導(dǎo)致缺陷的飛濺粒子，即飛濺在零件上（非缺陷）。由于傳感器的分辨率約為125μｍ，因此DSCNN模型難以輕松檢測(cè)到小于250μｍ的缺陷。

圖3 DSCNN網(wǎng)絡(luò)分割結(jié)果

正如預(yù)期的那樣，原位傳感器的有限分辨率導(dǎo)致了對(duì)小缺陷的預(yù)測(cè)性能較差，只有0.2 %的XCT缺陷(小)被正確識(shí)別。在屬于XCT缺陷(小)類(lèi)的剩余像素中，91.5 %被分類(lèi)為打印材料。分析混淆矩陣表明（圖6），INDE系統(tǒng)很難區(qū)分XCT缺陷(大)和飛濺在零件上(非缺陷)像素之間的差異。在標(biāo)注為XCT缺陷(大)的真實(shí)數(shù)據(jù)中，僅有40.4 %被正確預(yù)測(cè)，其余被分類(lèi)為飛濺 (17.7%)或打印材料(39.8%)。值得注意的是，盡管XCT缺陷(大)和飛濺在零件上(非缺陷)像素之間的混淆很可能是真實(shí)的效果(見(jiàn)圖6)，但XCT缺陷(大)和打印類(lèi)之間的部分混淆很可能是由于小前景像素，以及XCT缺陷和背景像素類(lèi)之間的劃分偏頗造成的。事實(shí)上，測(cè)試數(shù)據(jù)中僅有18.6%的飛濺顆粒與XCT數(shù)據(jù)中發(fā)現(xiàn)的缺陷有關(guān)。因此，與猜測(cè)所有飛濺顆粒都會(huì)導(dǎo)致最終缺陷相比，DSCNN性能提高了111%。此外，空間較小像素類(lèi)的許多錯(cuò)誤分類(lèi)似乎與背景類(lèi)接口的不正確定義有關(guān)(例如，XCT缺陷（大）和打印類(lèi)之間的接口)，而不是缺少融合的個(gè)別實(shí)例。研究認(rèn)為傳統(tǒng)的ML性能指標(biāo)并不能捕捉INDE系統(tǒng)的真實(shí)性能，因?yàn)槠洚?dāng)前的目標(biāo)不是準(zhǔn)確評(píng)估缺陷形態(tài)或尺寸，而是檢測(cè)缺陷的單個(gè)實(shí)例。

圖4 神經(jīng)網(wǎng)絡(luò)混淆矩陣及缺陷分類(lèi)結(jié)果

盡管與這些與XCT樣件相對(duì)應(yīng)的傳感器數(shù)據(jù)及其復(fù)雜，但I(xiàn)NDE系統(tǒng)對(duì)所示層和構(gòu)件的缺陷檢測(cè)幾乎沒(méi)有誤報(bào)（圖5）。研究通過(guò)分析POD及PFA曲線(xiàn)，定量評(píng)估了INDE系統(tǒng)的檢測(cè)性能（圖5）。盡管在當(dāng)前的INDE系統(tǒng)迭代中，POD和PFA曲線(xiàn)可能還不足以直接從一些商業(yè)應(yīng)用的工藝監(jiān)測(cè)中識(shí)別XCT缺陷，但該方法提供了一個(gè)比較INDE系統(tǒng)性能的框架，并為工程師提供了在設(shè)計(jì)階段考慮檢測(cè)不確定性的量化度。經(jīng)過(guò)適當(dāng)?shù)挠?xùn)練后，來(lái)自INDE的檢測(cè)結(jié)果可以在制造后的后續(xù)探測(cè)流程中告知感興趣區(qū)域，或者在訪(fǎng)問(wèn)測(cè)量缺陷群和測(cè)量不確定性的情況下，將其用作疲勞壽命預(yù)測(cè)模型的輸入。

圖5 （a）XCT掃描結(jié)果與DSCNN分割結(jié)果比較，（b）原位無(wú)損檢測(cè)系統(tǒng)的POD及PFA曲線(xiàn)

原位缺陷預(yù)測(cè)尺寸是與其形成物理機(jī)制相關(guān)聯(lián)的特征，因此XCT數(shù)據(jù)中缺陷的尺寸可能不等同于對(duì)應(yīng)的原位缺陷檢測(cè)尺寸。對(duì)原位檢測(cè)以及與XCT數(shù)據(jù)匹配的缺陷等效圓半徑進(jìn)行分析，發(fā)現(xiàn)等效圓半徑大于125μm的缺陷，原位探測(cè)及與其對(duì)應(yīng)的XCT缺陷等效圓半徑之間的中位數(shù)比值約為2.49。然而，對(duì)于成功檢測(cè)到的小于125μm的XCT缺陷，其比值的中位數(shù)約為5.31。

圖6 原位檢測(cè)與XCT掃描中的缺陷尺度大小分析

3小結(jié)
該研究提出了一種基于DSCNN深度學(xué)習(xí)模型的增材制造亞表面缺陷原位無(wú)損檢測(cè)方法，建立了XCT表征數(shù)據(jù)與人工循環(huán)參與相結(jié)合的數(shù)據(jù)注冊(cè)方法，由此提高了INDE系統(tǒng)的檢測(cè)分辨率（缺陷尺寸為200-1000μｍ），并首次證明了POD/PFA曲線(xiàn)能有效評(píng)價(jià)INDE系統(tǒng)的檢測(cè)率和誤報(bào)率。該研究為L(zhǎng)-PBF增材制造構(gòu)件的原位無(wú)損評(píng)估提供了新思路，也為多傳感監(jiān)測(cè)技術(shù)在增材制造領(lǐng)域的應(yīng)用提供了新方案。

原始文獻(xiàn):

Snow Z, Scime L, Ziabari A, et al. Scalable in situ non-destructive evaluation of additively manufactured components using process monitoring, sensor fusion, and machine learning[J]. Additive Manufacturing, 2023, 78: 103817.

原文鏈接:
https://www.sciencedirect.com/sc ... i/S221486042300430X