在激光束接中使用多光谱发射传感器特征和机器学习检测接缺陷

科学领域:

• 材料科学与工程
• 制造过程
• 数据科学和机器学习

背景情况:

• 由于复杂的材料-激光相互作用,激光光束 (LBW) 容易出现毛孔形成等缺陷.
• 在LBW过程中解释电磁辐射是直接检测缺陷的挑战.
• 现有的方法缺乏有效的实时接质量评估.

研究的目的:

• 开发一个数据驱动的框架来解释LBW中的电磁辐射以检测缺陷.
• 实施监督和无监督的学习方法来进行定量接监测.
• 提高用于工业接质量评估的光子数据的可解释性.

主要方法:

• 进行了81次接实验,记录了42个频谱通道的实时辐射数据.
• 提取统计,时间和基于形状的特征,通过主要组件分析 (PCA) 减少维度.
• 应用长期短期记忆 (LSTM) 用于监督学习和隔离森林用于无监督异常检测.

主要成果:

• 在测试组中,LSTM模型实现了较低的误差率 (MSE:0.0029,MAE:0.0288).
• 隔离森林在检测异常接方面表现出很高的表现 (准确率为80%,精度为85.7%).
• 该框架成功地提高了LBW过程中的4D光子数据的可解释性.

结论:

• 拟议的数据驱动框架有效地解释了电磁辐射用于在LBW中检测接缺陷.
• 该框架既可以进行加工后分析,也可以实时监测接质量.
• 这种方法为工业应用提供了可扩展的解决方案,需要进行可靠的接质量评估.