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

來源：AMF增材制造前沿

激光粉末床熔融 (Laser Powder Bed Fusion, L-PBF) 工藝可重復性不足、成形穩(wěn)定性差是阻礙其進一步發(fā)展的瓶頸。對L-PBF成形過程進行多傳感監(jiān)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(jiān)測數據的成形質量預測，是L-PBF在線監(jiān)測與質量控制技術發(fā)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(tǒng)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(xiàn)L-PBF過程非統(tǒng)計特征的捕捉。

（3）利用改進DS證據理論將三種單傳感監(jiān)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(jiān)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(xiàn)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(xiàn)出更好的分類性能。
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(jiān)測的有效性和優(yōu)越性。
在雙傳感器監(jiān)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(jiān)測系統(tǒng)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(jiān)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(jiān)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(xiàn)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(jiān)測系統(tǒng)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(fā)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�，F(xiàn)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(yè)技術創(chuàng)新戰(zhàn)略聯(lián)盟理事長，江蘇省六大人才高峰創(chuàng)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(yǎng)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(yè)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(lián)合體主席，中國工程院“中國3D打印材料及應用發(fā)展戰(zhàn)略研究”項目組組長等。近五年主持國家重點研發(fā)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(fā)計劃項目等20余個項目。發(fā)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(chuàng)博士。畢業(yè)于北京理工大學機械工程專業(yè)，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(jiān)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(fā)計劃（產業(yè)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(fā)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(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)明人申請發(fā)明專利5項。


團隊研究方向
圍繞國家與江蘇省重大戰(zhàn)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(yè)軟件研發(fā)；

（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