聚合物激光粉末床熔融(PBF-LB/P)过程监控与缺陷检测的深度学习

《Polymers》:Deep Learning for Process Monitoring and Defect Detection of Laser-Based Powder Bed Fusion of Polymers Mohammadali Vaezi, Victor Klamert and Mugdim Bublin

【字体: 大 中 小 】 时间:2026年03月04日 来源:Polymers 5.8

编辑推荐:

  在工业增材制造中,保持一致的零件质量仍然是一个关键挑战,特别是在聚合物激光粉末床熔融(PBF-LB/P)中,由狭窄烧结窗口内等温结晶控制的结晶驱动热不稳定性会引发卷曲、翘曲和分层等缺陷。与以熔池流体动力学为主的金属系统不同,聚合物PBF-LB/P需要能够在实际

  
在工业增材制造中,保持一致的零件质量仍然是一个关键挑战,特别是在聚合物激光粉末床熔融(PBF-LB/P)中,由狭窄烧结窗口内等温结晶控制的结晶驱动热不稳定性会引发卷曲、翘曲和分层等缺陷。与以熔池流体动力学为主的金属系统不同,聚合物PBF-LB/P需要能够在实际工业操作条件下解析细微时空热偏差的监测策略。尽管机器学习,特别是卷积神经网络(CNN),已在缺陷检测中显示出有效性,但对异构建模范式及其在聚合物PBF-LB/P中部署可行性的结构化评估仍然有限。本研究利用从商业工业系统中采集的76,450张同步热成像与RGB图像(该系统在闭环控制约束下运行),对无监督异常检测(自编码器和生成对抗网络)、有监督CNN分类器(VGG-16、ResNet50和Xception)、混合CNN-LSTM架构以及物理信息神经网络(PINN)进行了系统性的跨范式评估。基于CNN的模型能够实现帧级和序列级缺陷分类,而PINN组件通过提供物理一致的热场回归来补充检测。结果揭示了检测性能、时间鲁棒性、物理一致性和算法复杂度之间可量化的权衡。预训练CNN达到了高达99.09%的帧级准确率,但在边缘部署中带来了较大的计算负担。PINN模型在准等温工艺条件下达到了约27 K的均方根误差(RMSE),支持趋势级热监控。一个轻量级混合CNN在仅有1,860个参数和CPU基准前向传播推理时间1.6毫秒(不含传感器采集延迟)的情况下实现了99.7%的验证准确率。总体而言,本研究建立了一个经过严格基准测试、可扩展且资源高效的深度学习框架,专门针对结晶主导的聚合物PBF-LB/P,为实时工业质量监控提供了技术基础。
**论文解读:聚合物激光粉末床熔融过程监控与缺陷检测的深度学习框架**

**研究背景与问题**
聚合物激光粉末床熔融(PBF-LB/P)是工业增材制造中的关键工艺,但其零件质量一致性仍面临挑战。与金属粉末床熔融(PBF-LB/M)中缺陷由熔池流体动力学主导不同,PBF-LB/P在准等温条件下运行,受限于熔融起始与结晶之间的狭窄烧结窗口。在这一窗口中,结晶动力学驱动热不稳定性,导致卷曲、翘曲和分层等缺陷。传统物理仿真和后处理检测因计算延迟和离线评估约束,不适用于实时工业质量保障。现有深度学习(DL)方法,尤其是卷积神经网络(CNN),在金属PBF-LB/M中表现出色,但直接迁移到聚合物PBF-LB/P存在困难,因其热现象、缺陷机制和传感特性本质不同。此外,工业环境中的环境变量(如粉末老化、湿度波动、积累热暴露和惰性气体稳定性)进一步影响工艺稳定性。公开可用的工业热数据集稀缺,阻碍了可重复基准测试和稳健的跨几何泛化。同时,监控方案必须在闭环控制工业系统中满足严格的解释性和计算约束,实现边缘硬件上低于2毫秒的CPU推理。本研究旨在通过系统性跨范式评估,建立适用于结晶主导聚合物PBF-LB/P的深度学习框架,填补这一空白。论文发表在《Polymers》。

**关键技术方法**
研究人员采用商业EOS Formiga P110聚合物粉末床熔融系统进行实验,集成FLIR T420红外热像仪(320×240像素,30 Hz)和RGB相机,采集76,450张同步热成像与RGB帧。数据经严格防泄漏协议(基于构建会话级别的80/20划分、仅训练集归一化、仅训练集增强)处理。方法包括:无监督异常检测(AE、GAN)与K-Means聚类基线;有监督CNN(VGG-16、ResNet50、Xception);混合CNN-LSTM架构;物理信息神经网络(PINN)嵌入热传导方程;以及轻量级混合CNN(Pico、Nonlight、Nano、Microlite四个变体)。所有实验在Intel Core i7-6700K CPU、32 GB RAM和NVIDIA GTX 1080 GPU的典型工业工作站上进行。缺陷场景(卷曲、粉末污染、零件偏移)在闭环控制下引入,未修改内部工艺参数。

**研究结果**

**Phase I:无监督异常检测**
自编码器(AE)表现最稳定,结合稳定训练与高效推理。GAN达到约87%准确率但稳定性差。K-Means聚类达到97%准确率,主要反映名义热模式的优势,对细微缺陷敏感性有限。轮廓法检测卷曲区域受热噪声限制,促使向监督学习过渡。

**Phase II:有监督CNN缺陷分类**
VGG-16表现最佳,帧级准确率99.09%,F1分数0.972,通过Grad-CAM可视化证实其精确定位卷曲区域。ResNet50和Xception仅约16.6%准确率,归因于“双下降”效应和小型工业数据集中过参数化架构的过拟合风险。

**Phase III:混合CNN-LSTM序列建模**
CNN-LSTM模型处理连续层的时间演化,在序列级达到97.64%准确率和100%精度,但召回率仅47.08%,反映保守决策边界(最小化假阳性)和严重类别不平衡。该模型适合确认严重缺陷,而非早期预警。

**Phase IV:物理信息神经网络(PINN)**
PINN通过嵌入热传导方程实现物理一致的热场预测,在多个构建周期中RMSE约27 K,损失从1.859×101降至7.749×10-2。预测温度分布平滑,与实验热剖面高度一致,偏差位于陡峭梯度区。PINN作为降阶物理一致替代模型,支持趋势级热监控,不用于低延迟边缘部署。

**Phase V:轻量级混合CNN架构**
系统评估四种轻量级CNN(Pico、Nonlight、Nano、Microlite),采用4折防泄漏交叉验证。Microlite CNN以1,860个参数、11.29百万MACs、22.58百万FLOPs和1.6 ms CPU延迟实现最佳权衡:验证集AUPRC 0.988、F1@τ* 0.996;独立留出测试集AUPRC 0.932、F1 0.900、准确率0.998。相比先前热CNN(约640k参数)减少340倍参数,同时保持高检测性能。

**讨论与结论**
讨论部分指出:有监督CNN中VGG-16因简化层次结构和稳定特征提取优于深层网络;CNN-LSTM虽捕获时间动态但受类别不平衡限制;无监督方法减少标注需求但泛化有限;PINN提供物理一致热场且计算成本比有限元分析降低约70%;轻量级Microlite CNN验证了资源受限工业部署的可行性。研究结论(翻译自原文结论部分):本研究提出了一个多阶段框架用于PBF-LB/P中的缺陷检测和热行为建模,整合数据驱动和物理信息深度学习方法。五个实验阶段产生三项主要成果:(i)创建了可重复的原位数据集并附带严格防泄漏协议;(ii)开发了用于实时卷曲检测的轻量级混合卷积神经网络(CNN)模型;(iii)应用物理信息学习实现热一致行为预测。提出的Microlite CNN在参数数量上比同类方法减少300倍以上,同时实现竞争性检测性能。结果表明,能量高效且可解释的人工智能能够满足严格的工业时序要求,为工业聚合物增材制造中可扩展、可靠且可持续的深度学习驱动质量监控奠定了基础。未来工作将关注其他工艺缺陷检测、缺陷预测和实时工艺参数优化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号