一个随机森林分类器用于在激光-粉末床融合中检测异常,使用光学监测
Imran Ali Khan1, Hannes Birkhofer1, Dominik Kunz2
1Airbus Endowed Chair for Integrative Simulation and Engineering of Materials and Processes (ISEMP), University of Bremen, Am Fallturm 1, 28359 Bremen, Germany.
Materials (Basel, Switzerland)
|October 14, 2023
概括
这项研究开发了一种机器学习模型,使用光学断层扫描来检测金属增材制造 (AM) 中的缺陷,准确率为99.98%. 该模型逐层确定异常,与气体孔和缺乏融合等缺陷相关联.
科学领域:
- 制造业 工程 制造工程
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
背景情况:
- 金属增材制造 (AM) 正在通过其创造复杂,高价值组件的能力来彻底改变行业.
- 由于取决于几何形状的工艺条件和层次的构造,AM的质量保证具有挑战性.
- 工艺中监控对于降低成本和检测金属AM中的缺陷至关重要.
研究的目的:
- 开发机器学习 (ML) 模型,以加强金属AM的过程中监控和控制.
- 使用层级光学断层扫描 (OT) 成像来检测标志着缺陷的异常.
- 为了验证基于ML的异常检测与计算机断层扫描 (CT) 数据对比,以确定关键缺陷.
主要方法:
- 使用光学断层扫描 (OT) 成像作为主要数据源进行层层的过程中传感.
- 应用随机森林分类器ML算法用于OT图像中的异常细分.
- 通过与计算机断层扫描 (CT) 数据识别的缺陷相关联来验证检测到的异常.
- 使用亲属转换和性能评估进行3D缺陷映射,使用准确度,精度,回忆和IOU等指标进行性能评估.
主要成果:
- 一种异常检测模型实现了最高的检测准确率99.98%.
- 该模型成功地将CT数据中发现的79.40%的缺陷与OT数据中检测到的异常联系起来.
- 气体孔隙和缺乏融合缺陷是分析和检测到的主要缺陷.
结论:
- 用ML增强的OT成像进行层级监测是金属AM的工艺质量控制的可行策略.
- 开发的异常检测系统显示出高精度和降低AM中缺陷和成本的潜力.
- 整合OT成像和ML为增材制造中的实时缺陷识别和过程控制提供了一个有希望的途径.
