基于多传感融合的熔池监测系统的增材制造部件原位质量分类
时间:2024-10-11 08:34 来源:AMF增材制造前沿 作者:admin 点击:次
| 激光粉末床熔融 (Laser Powder Bed Fusion, L-PBF)
工艺可重复性不足、成形稳定性差是阻碍其进一步发展的瓶颈。对L-PBF成形过程进行多传感监测，在线识别和预测潜在缺陷，进而开展原位控制是解决成形件质量波动的有效方法。声、光、图像等多源异构传感信号的融合，以及基于大量监测数据的成形质量预测，是L-PBF在线监测与质量控制技术发展的关键。 论文亮点 （1）提出了典型特征提取与一维时序信号的图像转换策略相结合的方法，解决多源异构信号维度与尺度不统一和资源限制的问题。 （2）构建了具有四个卷积模块的卷积神经网络模型，实现L-PBF过程非统计特征的捕捉。 （3）利用改进DS证据理论将三种单传感监测模型分别进行分组决策融合，验证了L-PBF过程多传感融合监测可以进一步提升模型质量分类的准确率。 
Fig. 1 Conversion method of the three types of signals from 1D time-domain signals to 2D grayscale images.
试验方法 本研究通过改变激光功率和扫描速度实现对体积能量密度调控，进而获得不同质量的成形件。在实验样件打印过程中，利用高速相机、光电二极管与麦克风实时采集实验样品多个打印层的过程信号，并以质量表征结果为处理后的过程信号制作标签。通过训练卷积神经网络模型并分组融合，对比分析单传感、双传感以及三传感融合质量分类模型性能。 
Fig. 2 Schematic diagram of quality characterization and quality classification.
结果 本文提出了一维信号-二维图像的多源异构信号处理方法，相较于以原始一维信号为网络输入，表现出更好的分类性能。 双传感器融合模型性能优于单传感器融合模型，而三传感器融合模型性能又优于双传感器融合模型。其中三传感器融合模型分别达到了96.74%的精确度、97.37%的召回率和97.05%的F1值，验证了L-PBF过程多传感融合监测的有效性和优越性。 在双传感器监测模型中，基于熔池面积信号和声学信号的模型分类准确性最好。这可能是由于上述两种信号包含了LPBF过程多方面信息，它们的融合促进了信息的互补。 
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,
结论 本研究提出了一种基于多传感融合的熔池监测系统对增材制造部件进行原位质量分类的方法。该方法集成高速相机、光电二极管和麦克风对L-PBF过程进行信号采集，并提出一种信号-图像的多源异构信号处理方法。通过将三种单传感监测模型分别进行分组融合，实验表明利用多传感融合方法对L-PBF过程进行监测可以进一步提升模型质量分类的准确率。 前景与应用 实现对L-PBF成形质量的快速、准确诊断是开展在线原位控制的前提。本研究构建了集成高速相机、光电二极管与麦克风三种传感器的L-PBF在线监测系统与质量预测方法，在粉末床熔融金属增材制造装备及控制技术发展方面具有重要的应用价值。此外，考虑到光电二极管成本相对较低，而高速相机的成本往往较高，本研究有助于探究低成本传感器对高成本传感器的可替代性。 作者团队介绍 
吴倩茹（本文第一作者），南京师范大学自动化系讲师，硕士生导师，江苏省双创博士。毕业于北京理工大学机械工程专业，师从卢继平教授、刘长猛教授，博士期间赴美国宾州州立大学T. DebRoy教授课题组访问学习。在金属增材制造成形工艺、多物理场耦合数值模拟、过程监测与控制等方向开展了一系列基础研究工作，主持江苏省重点研发计划（产业前瞻与共性关键技术）子课题、江苏省高等学校自然科学研究面上项目，作为主要成员参与了国家自然科学基金项目、装备发展部预研共用技术项目等多个研究项目。受Materials期刊邀请担任专刊编辑，以第一/通讯作者在Additive Manufacturing、Journal of Manufacturing Processes等领域内权威期刊上发表高水平SCI期刊论文十余篇，自2017年起被同行引用1200余次，以第一发明人申请发明专利5项。 团队研究方向 围绕国家与江苏省重大战略需求，主要围绕以下三个方向，开展增材制造技术领域的基础研究与工程应用： （1）复合增材制造共性关键技术； （2）国产化增材制造全栈工业软件研发； （3）复合增材制造装备研制及工程应用。 引用论文 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. 文章链接：https://www.sciencedirect.com/sc ... i/S2950431724000431 (责任编辑：admin) |