橡樹嶺: 基于多傳感器融合及機器學習的增材制造構件原位無損評估方法

來源： 復合材料力學

1導讀
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打印技術之一。其制造構件的工業(yè)資格認證嚴重依賴于昂貴的無損檢測技術,，大大限制了制造構件的工業(yè)應用,。盡管原位工藝監(jiān)測作為一種更經(jīng)濟的質量評估方法，可替代非原位檢測,。但,，現(xiàn)有傳感以及數(shù)據(jù)分析技術在規(guī)模生產的L-PBF打印機上，難以檢測亞表面缺陷（例如,，孔隙和裂紋）,。近年來,，ML（機器學習，Machine Learning）在增材制造原位缺陷檢測方面取得了顯著進展,，然而鮮有研究對這些技術的實用性以及不確定性進行評估,，使得ML技術在AM構件的無損評估（NDE）中的準確性仍存疑慮。

2023年,，增材制造Top期刊《Additive Manufacturing》發(fā)表了橡樹嶺國家實驗室的基于多傳感器融合及機器學習的增材制造構件原位無損評估研究工作,，論文標題為“Scalable in situ non-destructive evaluation of additively manufactured components using process monitoring, sensor fusion, and machine learning”，第一作者為美國橡樹嶺實驗室Zackary Snow副研究員,。

研究者開發(fā)了一個INDE（INDE,，In-situ NDE）系統(tǒng)，該系統(tǒng)能從多模態(tài)傳感數(shù)據(jù)中檢測到亞表面缺陷,。同時,，通過向人工參與循環(huán)標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)能有效檢測尺寸為200-1000μｍ的制造缺陷,。此外，通過將原位檢測的亞表面缺陷與XCT數(shù)據(jù)進行系統(tǒng)地比較分析,，建立了INDE系統(tǒng)不確定性評價指標：檢測概率（POD, Probability-of-Detection）以及誤報概率（PFA, Probability-of-False-Alarm）曲線，且該評價指標能更好的洞察過程監(jiān)控對增材制造的實用性,。

2內容簡介
該研究使用可見光相機以及NIR（NIR,，Integrated Near Infrared）成像儀逐層收集多模態(tài)工藝圖像（圖1）。在打印過程中,，采用24.4兆像素的可見光相機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)時間內收集構建板的熱發(fā)射圖。NIR成像儀每層生成兩張圖像：一張“積分”圖像,，表示一層中像素強度的總和,；一張“最大值”圖像，代表一層中像素強度的最大值,。盡管,，NIR圖像中的亮點與飛濺誘導的隨機熔合不足相關，但這些圖像的空間分辨率較低及可能包含偽影,，為解讀帶來挑戰(zhàn)性,。同時，受到先前層中形成的異常影響,，會導致誤報產生,。更有趣的是，并非NIR圖像中檢測到的所有亮點都對應于亞表面缺陷,，也并非所有亞表面缺陷都有相應的亮點,。

圖1 XCT試樣對應的多模態(tài)感知圖像數(shù)據(jù)

通過結合可見光,、近紅外圖像以及XCT表征數(shù)據(jù)，進行標簽類別注冊,，以生成訓練DSCNN（DSCNN,，Dyamic Segmentation Convolutional Neural Network）網(wǎng)絡的數(shù)據(jù)庫（圖2）。根據(jù)工藝特點,，將標簽分為8種類別：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準狀態(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)對應的亮像素區(qū)分開,。刮刀條紋代表了刮刀在粉末床中產生水平擾動的實例- -要么來自刮刀損壞,，要么沿著刮刀方向拖拽碎片。剩下的四個類別與飛濺及其引起的隨機未熔合有關,。

圖2 XCT表征數(shù)據(jù)與人工循環(huán)參與相結合的多類別標簽注冊

通過分析DSCNN模型在測試數(shù)據(jù)中的分割結果發(fā)現(xiàn)：位于飛濺發(fā)生器下游的四個試樣包含了最高程度的孔隙率和最復雜的工藝監(jiān)測信號,，這使得它們成為評估訓練網(wǎng)絡性能的良好候選對象。如圖3,，展示了試樣XCT缺陷分割結果,、熔化后可見光和近紅外積分圖像、測試標簽,、DSCNN對每個像素的預測類別以及原位無損預測的XCT缺陷（�,。┖蚗CT缺陷（大）像素的位置，且原位無損檢測結果與XCT缺陷檢測結果展示出良好的一致性,。正如分析結果（圖3）,，DSCNN模型能輕松識別粉末床中的打印材料以及未熔化粉末。同時,，盡管在條紋邊界和打印材料之間存在一些混淆,與條紋邊界相對應的像素在這些樣本中也可以被檢測到,。研究發(fā)現(xiàn)，在這些試樣中檢測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（�,。�）通常被誤分類為已打印材料或未導致缺陷的飛濺粒子，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模型難以輕松檢測到小于250μｍ的缺陷,。

圖3 DSCNN網(wǎng)絡分割結果

正如預期的那樣，原位傳感器的有限分辨率導致了對小缺陷的預測性能較差,，只有0.2 %的XCT缺陷(小)被正確識別,。在屬于XCT缺陷(小)類的剩余像素中，91.5 %被分類為打印材料,。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。在標注為XCT缺陷(大)的真實數(shù)據(jù)中,，僅有40.4 %被正確預測,，其余被分類為飛濺 (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的效果(見圖6),，但XCT缺陷(大)和打印類之間的部分混淆很可能是由于小前景像素，以及XCT缺陷和背景像素類之間的劃分偏頗造成的,。事實上,，測試數(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。因此,，與猜測所有飛濺顆粒都會導致最終缺陷相比,，DSCNN性能提高了111%。此外,，空間較小像素類的許多錯誤分類似乎與背景類接口的不正確定義有關(例如,，XCT缺陷（大）和打印類之間的接口)，而不是缺少融合的個別實例,。研究認為傳統(tǒng)的ML性能指標并不能捕捉INDE系統(tǒng)的真實性能，因為其當前的目標不是準確評估缺陷形態(tài)或尺寸,，而是檢測缺陷的單個實例,。

圖4 神經(jīng)網(wǎng)絡混淆矩陣及缺陷分類結果

盡管與這些與XCT樣件相對應的傳感器數(shù)據(jù)及其復雜，但INDE系統(tǒng)對所示層和構件的缺陷檢測幾乎沒有誤報（圖5）,。研究通過分析POD及PFA曲線,，定量評估了INDE系統(tǒng)的檢測性能（圖5）。盡管在當前的INDE系統(tǒng)迭代中,，POD和PFA曲線可能還不足以直接從一些商業(yè)應用的工藝監(jiān)測中識別XCT缺陷,，但該方法提供了一個比較INDE系統(tǒng)性能的框架，并為工程師提供了在設計階段考慮檢測不確定性的量化度,。經(jīng)過適當?shù)挠柧毢�,，來自INDE的檢測結果可以在制造后的后續(xù)探測流程中告知感興趣區(qū)域，或者在訪問測量缺陷群和測量不確定性的情況下,，將其用作疲勞壽命預測模型的輸入,。

圖5 （a）XCT掃描結果與DSCNN分割結果比較,，（b）原位無損檢測系統(tǒng)的POD及PFA曲線

原位缺陷預測尺寸是與其形成物理機制相關聯(lián)的特征，因此XCT數(shù)據(jù)中缺陷的尺寸可能不等同于對應的原位缺陷檢測尺寸,。對原位檢測以及與XCT數(shù)據(jù)匹配的缺陷等效圓半徑進行分析,，發(fā)現(xiàn)等效圓半徑大于125μm的缺陷，原位探測及與其對應的XCT缺陷等效圓半徑之間的中位數(shù)比值約為2.49,。然而,，對于成功檢測到的小于125μm的XCT缺陷，其比值的中位數(shù)約為5.31,。

圖6 原位檢測與XCT掃描中的缺陷尺度大小分析

3小結
該研究提出了一種基于DSCNN深度學習模型的增材制造亞表面缺陷原位無損檢測方法,，建立了XCT表征數(shù)據(jù)與人工循環(huán)參與相結合的數(shù)據(jù)注冊方法，由此提高了INDE系統(tǒng)的檢測分辨率（缺陷尺寸為200-1000μｍ）,，并首次證明了POD/PFA曲線能有效評價INDE系統(tǒng)的檢測率和誤報率,。該研究為L-PBF增材制造構件的原位無損評估提供了新思路，也為多傳感監(jiān)測技術在增材制造領域的應用提供了新方案,。

原始文獻:

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