
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于材料挤出增材制造中可泛化质量监控的多模态与关系引导蒸馏
《JOURNAL OF INTELLIGENT MANUFACTURING》:Multimodal and relation guided distillation for generalizable quality monitoring in material extrusion additive manufacturing
【字体: 大 中 小 】 时间:2026年09月25日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.7
编辑推荐:
摘要数据驱动的在线监控方法已被迅速应用于增材制造领域,在在线异常检测和用于故障预防的过程调整方面取得了显著进展。然而,此类方法通常存在泛化能力有限和对数据质量高度敏感的问题。虽然基于模型的迁移学习可以在一定程度上缓解泛化问题,但当源域和目标域数据差异较大时,它容易受到负迁移的
数据驱动的在线监控方法已被迅速应用于增材制造领域,在在线异常检测和用于故障预防的过程调整方面取得了显著进展。然而,此类方法通常存在泛化能力有限和对数据质量高度敏感的问题。虽然基于模型的迁移学习可以在一定程度上缓解泛化问题,但当源域和目标域数据差异较大时,它容易受到负迁移的影响。为了提高监控的鲁棒性,我们提出了一种多模态与关系引导蒸馏(MRGD)框架,用于材料挤出增材制造(MEAM)的在线监控与调节。具体来说,我们采用视觉 - 热多模态融合方法来监控 MEAM 过程,其中热成像补偿了视觉图像对环境扰动的脆弱性。接下来,我们采用基于知识的迁移机制来解决由数据分布差异巨大引起的负迁移问题。然后,我们提出了一种关系引导蒸馏(RGD)模块,该模块从教师预测和自我蒸馏预测之间的差异中捕捉样本级关系语义,并自适应地重新加权蒸馏目标。通过强调关系信息丰富的样本,同时减少关系信息有限样本的影响,RGD 缓解了学习偏差,并在不修改原始数据的情况下间接减轻了异构数据质量的负面影响。最后,在公共数据集和我们提出的多模态数据集上进行的广泛实验证明了 MRGD 的有效性。RGD 将监控准确率提高了 4.05%,优于基于模型的迁移学习(Zhang 等,2024),而视觉 - 热融合相比仅视觉模态进一步提供了 1.56% 的提升。
数据驱动的在线监控方法已被迅速应用于增材制造领域,在在线异常检测和用于故障预防的过程调整方面取得了显著进展。然而,此类方法通常存在泛化能力有限和对数据质量高度敏感的问题。虽然基于模型的迁移学习可以在一定程度上缓解泛化问题,但当源域和目标域数据差异较大时,它容易受到负迁移的影响。为了提高监控的鲁棒性,我们提出了一种多模态与关系引导蒸馏(MRGD)框架,用于材料挤出增材制造(MEAM)的在线监控与调节。具体来说,我们采用视觉 - 热多模态融合方法来监控 MEAM 过程,其中热成像补偿了视觉图像对环境扰动的脆弱性。接下来,我们采用基于知识的迁移机制来解决由数据分布差异巨大引起的负迁移问题。然后,我们提出了一种关系引导蒸馏(RGD)模块,该模块从教师预测和自我蒸馏预测之间的差异中捕捉样本级关系语义,并自适应地重新加权蒸馏目标。通过强调关系信息丰富的样本,同时减少关系信息有限样本的影响,RGD 缓解了学习偏差,并在不修改原始数据的情况下间接减轻了异构数据质量的负面影响。最后,在公共数据集和我们提出的多模态数据集上进行的广泛实验证明了 MRGD 的有效性。RGD 将监控准确率提高了 4.05%,优于基于模型的迁移学习(Zhang 等,2024),而视觉 - 热融合相比仅视觉模态进一步提供了 1.56% 的提升。