基于多傳感融合的熔池監(jiān)測(cè)系統(tǒng)的增材制造部件原位質(zhì)量分類(lèi)

來(lái)源：AMF增材制造前沿

激光粉末床熔融 (Laser Powder Bed Fusion, L-PBF) 工藝可重復(fù)性不足、成形穩(wěn)定性差是阻礙其進(jìn)一步發(fā)展的瓶頸。對(duì)L-PBF成形過(guò)程進(jìn)行多傳感監(jiān)測(cè)，在線識(shí)別和預(yù)測(cè)潛在缺陷，進(jìn)而開(kāi)展原位控制是解決成形件質(zhì)量波動(dòng)的有效方法。聲、光、圖像等多源異構(gòu)傳感信號(hào)的融合，以及基于大量監(jiān)測(cè)數(shù)據(jù)的成形質(zhì)量預(yù)測(cè)，是L-PBF在線監(jiān)測(cè)與質(zhì)量控制技術(shù)發(fā)展的關(guān)鍵。

論文亮點(diǎn)
（1）提出了典型特征提取與一維時(shí)序信號(hào)的圖像轉(zhuǎn)換策略相結(jié)合的方法，解決多源異構(gòu)信號(hào)維度與尺度不統(tǒng)一和資源限制的問(wèn)題。

（2）構(gòu)建了具有四個(gè)卷積模塊的卷積神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)L-PBF過(guò)程非統(tǒng)計(jì)特征的捕捉。

（3）利用改進(jìn)DS證據(jù)理論將三種單傳感監(jiān)測(cè)模型分別進(jìn)行分組決策融合，驗(yàn)證了L-PBF過(guò)程多傳感融合監(jiān)測(cè)可以進(jìn)一步提升模型質(zhì)量分類(lèi)的準(zhǔn)確率。

Fig. 1 Conversion method of the three types of signals from 1D time-domain signals to 2D grayscale images.

試驗(yàn)方法
本研究通過(guò)改變激光功率和掃描速度實(shí)現(xiàn)對(duì)體積能量密度調(diào)控，進(jìn)而獲得不同質(zhì)量的成形件。在實(shí)驗(yàn)樣件打印過(guò)程中，利用高速相機(jī)、光電二極管與麥克風(fēng)實(shí)時(shí)采集實(shí)驗(yàn)樣品多個(gè)打印層的過(guò)程信號(hào)，并以質(zhì)量表征結(jié)果為處理后的過(guò)程信號(hào)制作標(biāo)簽。通過(guò)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型并分組融合，對(duì)比分析單傳感、雙傳感以及三傳感融合質(zhì)量分類(lèi)模型性能。

Fig. 2 Schematic diagram of quality characterization and quality classification.

結(jié)果
本文提出了一維信號(hào)-二維圖像的多源異構(gòu)信號(hào)處理方法，相較于以原始一維信號(hào)為網(wǎng)絡(luò)輸入，表現(xiàn)出更好的分類(lèi)性能。
雙傳感器融合模型性能優(yōu)于單傳感器融合模型，而三傳感器融合模型性能又優(yōu)于雙傳感器融合模型。其中三傳感器融合模型分別達(dá)到了96.74%的精確度、97.37%的召回率和97.05%的F1值，驗(yàn)證了L-PBF過(guò)程多傳感融合監(jiān)測(cè)的有效性和優(yōu)越性。
在雙傳感器監(jiān)測(cè)模型中，基于熔池面積信號(hào)和聲學(xué)信號(hào)的模型分類(lèi)準(zhǔn)確性最好。這可能是由于上述兩種信號(hào)包含了LPBF過(guò)程多方面信息，它們的融合促進(jìn)了信息的互補(bǔ)。

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(jié)論
本研究提出了一種基于多傳感融合的熔池監(jiān)測(cè)系統(tǒng)對(duì)增材制造部件進(jìn)行原位質(zhì)量分類(lèi)的方法。該方法集成高速相機(jī)、光電二極管和麥克風(fēng)對(duì)L-PBF過(guò)程進(jìn)行信號(hào)采集，并提出一種信號(hào)-圖像的多源異構(gòu)信號(hào)處理方法。通過(guò)將三種單傳感監(jiān)測(cè)模型分別進(jìn)行分組融合，實(shí)驗(yàn)表明利用多傳感融合方法對(duì)L-PBF過(guò)程進(jìn)行監(jiān)測(cè)可以進(jìn)一步提升模型質(zhì)量分類(lèi)的準(zhǔn)確率。

前景與應(yīng)用
實(shí)現(xiàn)對(duì)L-PBF成形質(zhì)量的快速、準(zhǔn)確診斷是開(kāi)展在線原位控制的前提。本研究構(gòu)建了集成高速相機(jī)、光電二極管與麥克風(fēng)三種傳感器的L-PBF在線監(jiān)測(cè)系統(tǒng)與質(zhì)量預(yù)測(cè)方法，在粉末床熔融金屬增材制造裝備及控制技術(shù)發(fā)展方面具有重要的應(yīng)用價(jià)值。此外，考慮到光電二極管成本相對(duì)較低，而高速相機(jī)的成本往往較高，本研究有助于探究低成本傳感器對(duì)高成本傳感器的可替代性。

作者團(tuán)隊(duì)介紹

楊繼全（團(tuán)隊(duì)帶頭人），博士，教授，南京師范大學(xué)南瑞電氣與自動(dòng)學(xué)院院長(zhǎng)，研究方向?yàn)?D打印及智能制造。現(xiàn)任江蘇省三維打印裝備與制造重點(diǎn)實(shí)驗(yàn)室主任、江蘇省三維打印產(chǎn)業(yè)技術(shù)創(chuàng)新戰(zhàn)略聯(lián)盟理事長(zhǎng)，江蘇省六大人才高峰創(chuàng)新團(tuán)隊(duì)負(fù)責(zé)人，南京市科技頂尖專(zhuān)家，江蘇省“333”工程人才培養(yǎng)對(duì)象，中國(guó)增材制造標(biāo)準(zhǔn)化委員會(huì)委員，中國(guó)機(jī)械工程學(xué)會(huì)增材制造專(zhuān)業(yè)委員會(huì)委員，南京三維打印學(xué)會(huì)理事長(zhǎng)，南京智能制造學(xué)會(huì)聯(lián)合體主席，中國(guó)工程院“中國(guó)3D打印材料及應(yīng)用發(fā)展戰(zhàn)略研究”項(xiàng)目組組長(zhǎng)等。近五年主持國(guó)家重點(diǎn)研發(fā)計(jì)劃課題、國(guó)家自然科學(xué)基金項(xiàng)目、江蘇省科技成果轉(zhuǎn)化項(xiàng)目、江蘇省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目等20余個(gè)項(xiàng)目。發(fā)表論文100余篇，出版著作16部，獲得授權(quán)專(zhuān)利及軟件著作權(quán)200余項(xiàng)，參與制訂增材制造國(guó)家標(biāo)準(zhǔn)6項(xiàng)，獲得省部級(jí)科學(xué)技術(shù)獎(jiǎng)4項(xiàng)。

吳倩茹（本文第一作者），南京師范大學(xué)自動(dòng)化系講師，碩士生導(dǎo)師，江蘇省雙創(chuàng)博士。畢業(yè)于北京理工大學(xué)機(jī)械工程專(zhuān)業(yè)，師從盧繼平教授、劉長(zhǎng)猛教授，博士期間赴美國(guó)賓州州立大學(xué)T. DebRoy教授課題組訪問(wèn)學(xué)習(xí)。在金屬增材制造成形工藝、多物理場(chǎng)耦合數(shù)值模擬、過(guò)程監(jiān)測(cè)與控制等方向開(kāi)展了一系列基礎(chǔ)研究工作，主持江蘇省重點(diǎn)研發(fā)計(jì)劃（產(chǎn)業(yè)前瞻與共性關(guān)鍵技術(shù)）子課題、江蘇省高等學(xué)校自然科學(xué)研究面上項(xiàng)目，作為主要成員參與了國(guó)家自然科學(xué)基金項(xiàng)目、裝備發(fā)展部預(yù)研共用技術(shù)項(xiàng)目等多個(gè)研究項(xiàng)目。受Materials期刊邀請(qǐng)擔(dān)任專(zhuān)刊編輯，以第一/通訊作者在Additive Manufacturing、Journal of Manufacturing Processes等領(lǐng)域內(nèi)權(quán)威期刊上發(fā)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(fā)明人申請(qǐng)發(fā)明專(zhuān)利5項(xiàng)。


團(tuán)隊(duì)研究方向
圍繞國(guó)家與江蘇省重大戰(zhàn)略需求，主要圍繞以下三個(gè)方向，開(kāi)展增材制造技術(shù)領(lǐng)域的基礎(chǔ)研究與工程應(yīng)用：
（1）復(fù)合增材制造共性關(guān)鍵技術(shù)；

（2）國(guó)產(chǎn)化增材制造全棧工業(yè)軟件研發(fā)；

（3）復(fù)合增材制造裝備研制及工程應(yīng)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