基于挤出的增材制造中的质量控制:对机器学习方法的审查

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
• 计算机科学 计算机科学

背景情况:

• 增材制造 (AM) 提供创新的生产,但在质量保证和缺陷检测方面存在困难,阻碍了工业采用.
• 将机器学习 (ML) 集成到AM质量控制 (QC) 系统中,可提供自动化模式识别和数据提取,减少人工监督.
• 基于挤出的AM过程是通过智能监控和缺陷纠正来增强QC的关键重点.

研究的目的:

• 审查和确定有效监测AM流程并实现实时缺陷纠正的ML模型.
• 分析ML在基于挤出的AM的质量控制中的应用.
• 确定特定的ML算法,适合在AM中检测缺陷和调整参数.

主要方法:

• 进行对AM质量控制中ML应用的深入文献审查.
• 分析各种ML模型的有效性,包括卷积神经网络 (CNN),支持矢量机器 (SVM) 和长短期记忆 (LSTM) 网络.
• 将传感器和缺陷类型分类为 ML 驱动的 QC 策略.

主要成果:

• 卷积神经网络 (CNN) 在使用基于摄像头的系统检测缺陷方面表现出高效.
• 支持矢量机 (SVM) 和长短期内存 (LSTM) 网络对于AM QC中的1D数据处理是有效的.
• 机器学习的整合,特别是多传感器方法和实时纠正措施,显著提高了AM质量保证.

结论:

• 机器学习,特别是CNN,在检测和纠正AM生产缺陷方面发挥着至关重要的作用.
• 与ML相结合的协同多传感器方法可以实现全面监控和实时调整,以获得更优质的零件质量.
• 这项研究为利用ML提供了基础,以改善AM质量控制和促进更广泛的工业采用.