深度学习用于过程监测和缺陷检测的激光基粉末床聚合物聚合物的融合
Mohammadali Vaezi1, Victor Klamert2, Mugdim Bublin3
1Department of Technical Management, Hochschule Campus Wien, University of Applied Sciences, Favoritenstrasse 226, 1100 Vienna, Austria.
Polymers
|March 14, 2026
概括
本研究对聚合物增材制造中的实时质量控制的深度学习模型进行了比较. 一个轻量级的混合CNN提供了高精度和效率,用于检测激光制粉床融合中由热不稳定引起的缺陷.
科学领域:
- 添加剂制造 添加剂制造 添加剂制造
- 聚合物加工 聚合物加工
- 材料科学 材料科学 材料科学
背景情况:
- 基于激光的聚合物粉床融合 (PBF-LB/P) 面临由于热不稳定的部分质量挑战.
- 曲和分层等缺陷是由于在狭窄的烧结窗口内结晶而产生的.
- 现有的监测策略在工业PBF-LB/P中遇到微妙的热偏差.
研究的目的:
- 系统地评估各种深度学习模式,用于聚合物PBF-LB/P的缺陷检测.
- 评估各种机器学习模型的工业部署可行性.
- 建立一个资源高效的框架,实时监测聚合物添加剂制造中的质量.
主要方法:
- 对无监督 (自动编码器,GAN),监督 (CNNs:VGG-16,ResNet50,Xception),混合 (CNN-LSTM) 和物理信息的神经网络 (PINNs) 的跨范式评估.
- 利用来自工业PBF-LB/P系统的76,450张同步热和RGB图像.
- 基于检测性能,时间稳定性,物理一致性和计算复杂性的基准模型.
主要成果:
- 预训练CNN可以达到高达99.09%的准确度,但需要大量的计算资源.
- PINN模型提供了物理一致的热场回归,RMSE为~27K.
- 一个轻量级的混合CNN模型以最小的参数 (1860) 和快速推断 (1.6毫秒) 证明了99.7%的验证准确性.
结论:
- 深度学习为聚合物PBF-LB/P的实时质量监测提供了一个可扩展和高效的框架.
- 在模型性能,复杂性和部署要求之间存在可量化的权衡.
- 混合CNN方法平衡了工业应用的高精度和计算效率.
