深度学习与混合增强用于在增材制造过程中改进孔隙检测.
Bulbul Ahmmed1, Elisabeth G Rau2, Maruti K Mudunuru3
1Earth and Environmental Sciences Division, Los Alamos National Laboratory, Los Alamos, NM, 87545, USA.
Scientific reports
|June 11, 2024
概括
机器学习模型现在可以更好地预测增材制造中的罕见钥匙孔孔. 像Mixup这样的数据增强技术显著提高了激光粉床融合过程中这些关键缺陷的预测准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 数据科学数据科学数据科学
背景情况:
- 像激光粉床融合 (LPBF) 这样的增材制造 (AM) 工艺容易出现缺陷,例如钥匙孔孔,这会损害材料质量.
- 由于不平衡的数据集,预测这些缺陷是具有挑战性的,因为与无毛孔事件相比,毛孔事件很少发生.
- 现有的机器学习 (ML) 方法与AM监控中常见的稀疏和不平衡数据作斗争.
研究的目的:
- 开发一种ML方法来解决AM缺陷预测中的数据不平衡.
- 调查数据增强的有效性,特别是Mixup,以改善毛孔和非毛孔预测.
- 提高ML模型的准确性,用于识别LPBF中的钥匙孔孔.
主要方法:
- 从LPBF实验中收集和注册了钥匙孔孔的X射线放射数据与声波辐射测量.
- 利用Mixup,一种弱监督学习数据增强技术,以解决数据集不平衡问题.
- 训练有素的卷积神经网络 (CNN) 在原始和增强数据集上进行预测.
主要成果:
- 在增强数据上训练的CNN模型在测试数据集上实现了99%的准确性,这与在原始数据上训练的模型 (95%准确性) 相比是显著的改善.
- 使用Mixup增强数据显然提高了孔和非孔的预测性能.
- 在五个不同的实验试验中,性能改进是一致的,验证了方法的稳定性.
结论:
- 数据增强,特别是Mixup,是克服在AM缺陷预测中的数据不平衡的有效策略.
- 拟议的ML方法显著提高了识别关键过程缺陷 (如钥匙孔孔) 的准确性和可靠性.
- 进一步的研究可以探索最佳的混合参数,以最大限度地提高CNN在AM监控环境中的性能.
