创新人工智能方法低成本简化金属3D打印过程监控

       卡内基梅隆大学的研究人员开发了一种新颖的人工智能方法，可以简化金属部件3D打印过程的监控。该方法没有使用昂贵的高速摄像机，而是使用低成本的声音和热量发射传感器来实时重建关键参数。

        该研究的工作人员表示，“我们的系统使用深度学习来记录过程参数的物理过程，优点之一是及早发现因粉末熔化不足而引起的缺陷，这些关键缺陷显著削弱了部件的机械性能。人工智能支持的钛合金选择性激光熔化监测在检测此类缺陷方面显示出重要价值。”

       LPBF 打印室内的实验和传感器设置

       过程监测和量化在许多制造过程中得到了发展，旨在提高质量和效率。对于某些众所周知的制造过程，如计算机数控（CNC）加工，利用力/振动传感等监测技术来检测加工缺陷和刀具磨损。其他热传导驱动的工艺，如注塑和铸造，也采用离位后处理质量量化方法，如切片、计算机断层扫描（CT）或非破坏性材料测试，以优化工艺参数，如材料流入速率、冷却时间或模具尺寸。

       对于LPBF（激光粉末床融合）工艺，熔池形态——熔池在任何给定时刻的大小和形状，以及它沿扫描线或在一层中的变化——是过程工程师最关心的特性之一。熔池的动态振荡可能导致熔池形态随时间发生不期望的变化，并可能引发各种打印缺陷，如飞溅喷射、激光吸收减少、不稳定的重熔比、由羽流引起的激光阻塞、轨道末端的异常，甚至层间结合不良（LOF）。

       然而，尽管广泛使用了某些已知的理论模型和仿真工具，如Rosenthal或Eagar–Tsai方程，但精确地捕捉瞬态熔池状态仍然是一个挑战，因为这仅仅是初始打印条件和打印过程中时间戳的函数。此外，由于LPBF过程高度机械化和自动化，制造商也有兴趣将熔池监测与工艺设计相结合，以实现在线打印表征和优化，从而通过稳健而精细的闭环过程控制实现最小缺陷的构建。

       鉴于LPBF过程的高度复杂性和动态物理特性，以及在线过程感知和质量管理的价值，引入实时原位视觉监测熔池的技术至关重要。这种技术能够实时提供熔池的动态变化信息，帮助工程师们准确掌握打印过程中的关键参数和状态。通过实时分析熔池的形态、温度分布等关键指标，可以及时发现潜在的打印缺陷，并采取相应的措施进行调整和优化。

       实时原位视觉监测技术不仅可以提高打印质量和效率，还可以为工艺改进和创新提供有力的支持。通过收集和分析大量的熔池监测数据，可以建立更加准确的工艺模型，揭示LPBF过程的内在规律和机制。这将有助于推动LPBF技术的持续发展，为制造业的转型升级和高质量发展注入新的动力。

      激光开启事件被用作三个独立数据通道的同步锚点。根据声学接收器和构建点之间的距离手动表征声学延迟时间。

       卡内基梅隆大学的研究人员提出了一种基于机器学习（ML）的流程，该流程能够利用声发射（AE）和光电二极管收集的热辐射时间序列数据，以高度时间分辨的方式推断熔池的视觉特性，如图1所示。结果不仅证明了利用声学和光电二极管信号来量化熔池关键动态特征的可行性，还进一步探索了声学、热辐射以及瞬态熔池图像数据之间的物理相关性。

       实验结果显示，通过输入声学和热辐射数据的组合，模型在熔池几何特征预测方面达到了0.85的评分。时间窗口的参数研究结果表明，流程能够在短至1.0的时间窗口内实现熔池的准确视觉跟踪。此外，还开发了一种新的熔池跟踪评估指标，用于评估预测质量，该指标涵盖了熔池宽度和变化性等关键物理特征。

       作为验证案例，展示了所提出的数据驱动方法能够在不同局部热积累状态下检测扫描线级别的层间熔合不良（LOF）缺陷，从而证明了该方法在实时缺陷表征方面的潜在能力。相信这项工作朝着多模态和成本效益高的LPBF过程监测迈出了有价值的一步。

       该研究以“Inference of highly time-resolved melt pool visual characteristics and spatially-dependent lack-of-fusion defects in laser powder bed fusion using acoustic and thermal emission data”为题发表于Additive Manufacturing。

来源：长三角激光联盟