面向連續(xù)纖維增強(qiáng)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(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室

增材制造的實(shí)時(shí)缺陷檢測(cè)和閉環(huán)調(diào)整對(duì)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(tuán)隊(duì)提出了一種基于機(jī)器人增材制造系統(tǒng)的深度學(xué)習(xí)模型框架,，用于實(shí)時(shí)識(shí)別碳纖維增強(qiáng)聚合物的打印缺陷，并在閉環(huán)調(diào)節(jié)中通過(guò)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(shí)現(xiàn)增材制造過(guò)程中對(duì)于打印缺陷的高精度實(shí)時(shí)監(jiān)測(cè),，所開發(fā)方法能夠識(shí)別兩種類型的打印缺陷,，即錯(cuò)位和磨損，并且建立了路徑設(shè)計(jì),、工藝參數(shù)同錯(cuò)位,、磨損缺陷之間的對(duì)應(yīng)關(guān)系，通過(guò)將深度學(xué)習(xí)與對(duì)錯(cuò)位程度的幾何分析相結(jié)合,，使得錯(cuò)位嚴(yán)重程度得以量化,。在此基礎(chǔ)上，該團(tuán)隊(duì)進(jìn)一步利用深度學(xué)習(xí)技術(shù)對(duì)碳纖維增強(qiáng)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(shí)現(xiàn)了實(shí)時(shí)缺陷檢測(cè)和質(zhì)量調(diào)控的有機(jī)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(tuán)隊(duì)設(shè)計(jì)了一種代表模型來(lái)獲得監(jiān)督深度學(xué)習(xí)的訓(xùn)練數(shù)據(jù)庫(kù),。其中,，具有調(diào)整角度和曲線的打印路徑對(duì)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(cuò)位缺陷�,？偣苍O(shè)計(jì)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(lái)研究打印能力。此外,，設(shè)計(jì)了0.9mm,、1.1mm和1.3 mm的路徑間距來(lái)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(cè)和修正而設(shè)計(jì)的,，尚未得到優(yōu)化。在打印過(guò)程中,，利用攝像機(jī)獲取代表模型的在線打印視頻,，并提取代表模型實(shí)時(shí)圖像，利用這些圖像數(shù)據(jù)來(lái)訓(xùn)練監(jiān)督學(xué)習(xí)算法,，并分析工藝參數(shù)對(duì)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(cè)器（SSD）和You Only Look Once v4（YOLOv4）,，該團(tuán)隊(duì)采用開源的TensorFlow庫(kù)實(shí)現(xiàn)上述算法,，每個(gè)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(cè)器,，具體設(shè)置為：（1）對(duì)輸入圖像進(jìn)行卷積時(shí),，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(tuán)隊(duì)使用來(lái)自可視化對(duì)象類（VOC）數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重來(lái)提高算法的訓(xùn)練效率,。通過(guò)控制一個(gè)工藝參數(shù)的變化,，得到9個(gè)視頻，使用1165張圖像作為訓(xùn)練（932張）和驗(yàn)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(cuò)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(píng)估算法和計(jì)算步驟,。（a）成形絲錯(cuò)位缺陷的評(píng)估算法,；（b）LoM計(jì)算模型

成形絲錯(cuò)位評(píng)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(shí)別缺陷并輸出包含缺陷信息的包圍框,。所有錯(cuò)位圖像都被分割了出來(lái)。為了評(píng)估成形絲的錯(cuò)位程度,，該團(tuán)隊(duì)采用閾值分割方法提取成形絲,，之后通過(guò)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(jì)算錯(cuò)位水平（LoM）,。

最后,，該團(tuán)隊(duì)通過(guò)成形機(jī)翼截面連續(xù)路徑，驗(yàn)證了其機(jī)器人輔助增材制造系統(tǒng)中實(shí)時(shí)缺陷檢測(cè)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.