激光粉末床熔化的亚毫秒级钥孔孔洞检测:利用声音和光传感器及机器学习(美国西北大学孙韬教授团队)

文摘   2024-10-30 17:01   广东  




文章导读

激光粉末床熔化是一种广泛采用的金属增材制造技术,以其能够生产高度复杂和精确的部件而闻名。然而,打印过程中,熔池中不稳定的金属蒸发凹陷可能导致钥孔孔隙缺陷产生,从而对部件质量有害。本研究报道了一种有效的方法,通过利用机器学习和一套光学与声学传感器,可在打印过程中局部检测钥孔孔隙的生成。其中,同步辐射X射线成像直接可视化样品内部孔隙生成事件,提供高保真数据。我们采用queezeNet架构建立了神经网络模型,使用单传感器数据评估每个传感器捕捉钥孔孔隙生成事件。我们还开发了一个数据融合方案,利用SqueezeNet神经网络架构提取特征,并使用不同的机器学习算法进行分类。本研究展示了特征光学和声学发射与钥孔振荡行为之间的相关性,为机器学习方法提供了强有力的物理支持。


关键词:机器学习、深度学习、缺陷检测、激光粉末床熔化、增材制造


CITATION:Zhongshu Ren, Jiayun Shao, Haolin Liu, Samuel J. Clark, Lin Gao, Lilly Balderson, Kyle Mumm, Kamel Fezzaa, Anthony D. Rollett, Levent Burak Kara, Tao Sun. Sub-millisecond keyhole pore detection in laser powder bed fusion using sound and light sensors and machine learning[J]. Materials Futures. doi: 10.1088/2752-5724/ad89e2

1

本研究开发了利用单一传感器和多传感器的机器学习模型,以预测Ti-6Al-4V的激光粉末床熔化(LPBF)过程中钥孔孔隙的生成。

2

预测准确率超过90%,时间分辨率短至0.1毫秒。

3

本文发现了钥孔孔隙的生成与钥孔振荡行为直接相关,而这一行为可以通过光和声传感器捕获。

4

对商业LPBF系统进行过程监控和控制给出了评论:光电二极管和麦克风更易获得,且它们生成的1D数据更易于存储和处理。

研究背景

LPBF技术提供了设计自由度和减轻重量的机会,尤其是在航空航天等行业,减轻重量可以降低能耗和污染。然而,在打印过程中,在熔池中不稳定的金属蒸发凹陷可能导致一种称为钥孔孔隙的缺陷,这对部件质量有害。在航空航天和能源等风险规避应用中,监测这些缺陷特别具有挑战性。相关的技术障碍要求开发准确的闭环控制系统,以实现有效的实时缺陷检测和制造质量管理。通过准确定位孔洞缺陷的发生,可以在打印过程后显著缩小审查区域,从而节省产品资格认证和验证的时间和精力。

本文要点

1

原位同步辐射实验


扫描激光熔化和过程传感实验在阿贡国家实验室的APS 32-ID束线上进行(图1)。激光扫描设置采用了一台镱纤维激光器与一个光学扫描激光器。该高斯激光在1070 nm波长下工作,当焦点偏移2 mm时,样品表面上的点尺寸约为82μm(1/e²)。在每次激光扫描之前,样品被放置在构建腔内,随后用高纯度氩气进行冲洗并加压至大气压。使用连续波(CW)模式激光在板样品上扫描了一条4 mm的直线。该直线的位置经过战略选择,以覆盖X射线探测器中央的视场(FOV),宽度为2 mm。这使得能够捕捉到一个具有代表性的熔化状态,避免了初始激光功率、速度提升及轨迹结束时激光突然关闭等干扰因素。

图1 Ti-6Al-4V的激光粉末床熔化(LPBF)过程中同时进行高速同步辐射X射线成像和过程传感实验的示意图和照片。(a) 激光束具有高斯轮廓,并在Ti-6Al-4V板样品上沿单条直线扫描。多传感器系统由NIR摄像头、超声波(100 kHz)和可听(20 kHz)麦克风,以及光电二极管组成。(b) 在APS 32-ID-B束线中对应实验设置的照片。插图为样品腔体内部的设置。


2

实时声光检测


光学和声学信号作为激光熔化过程的重要指标。钥孔振荡在近红外(NIR)图像中表现出明显的波动特征。在提取的NIR强度曲线上,NIR图像的标记与三个连续的波峰和之间的两个波谷相对应(图2(a))。假设钥孔区域附近的发射率均匀,通过NIR成像捕获的光学发射提供了钥孔周围温度分布的估计。蒸汽羽流速度与温度直接相关。较高的温度与较快的蒸汽羽流速度相关,反之亦然。羽流的变化会驱动周围气体,从而产生声波。声学信号与NIR强度同相位。这是因为高温钥孔导致更强的羽流变化,从而产生更大的声响,这一点在对应声学强度曲线波峰的三个标记NIR图像中得到了证实。另一个在相同P-V条件下的激光扫描(图2(b))是在设备门关闭的情况下进行的(即激光在氩气中熔化)。一致的结果表明,气体环境以及光束线上的环境光和声音条件对传感器数据没有重大影响。

图2 不同模态时间序列信号的比较。(a) 在LPBF设备门打开时,近红外(NIR)和超声波麦克风之间时间序列信号的对齐。某些时间步的数据与相应的NIR图像一起被标出。(b) 在设备门关闭时,所有模态的时间序列信号的对齐。激光点尺寸约为82 μm,激光功率为200 W,扫描速度为600 mm/s。


3

谱分析


对时间序列信号(图3(a)、(d)、(g)和(j))进行了快速傅里叶变换(FFT),以获得频域的更多信息(图3(b)、(e)、(h)和(k))。在NIR信号的FFT谱中(图3(a)),可以看到34 kHz的单一主频,表明存在明确的钥孔振荡。该频率是我们之前工作中定义的内在钥孔振荡,主要由Marangoni对流、表面张力和回弹压力之间的平衡变化引起。为了捕捉时间细节和频率信息,对时间序列信号进行了小波分析,生成了二维标度图(图3(c)、(f)、(i)和(l))。与快速傅里叶变换(FFT)不同,后者根据信号的整个长度计算频率而不指定相应的时间间隔,标度图展示了频率成分及其时间演变。NIR强度的标度图(图3(c))显示,信号在时间推移过程中以相对恒定的频率约为34 kHz振荡。这种单一频率特征表明钥孔条件稳定,具有明确的内在振荡。

图3 Ti-6Al-4V板样品的单轨扫描激光熔化的时间序列信号(左列)、快速傅里叶变换(FFT)谱(中列)和小波分析(右列)。(a-c) 近红外(NIR)。(d-f) 超声波麦克风。(g-i) 可听麦克风。(j-l) 光电二极管。激光点尺寸约为82微米,激光功率为200 W,扫描速度为600 mm/s。


4

机器学习


图4显示了采用“分离”数据选择标准的单传感器数据预测结果。在两个场景下,所有传感器的预测准确率都显著提高,除了在场景‘L’下(即大范围P-V条件)损坏的20 kHz麦克风,其准确率仍然较低。使用NIR成像数据作为输入,在0.5、0.2和0.1 ms的时间分辨率下,分别可以达到97%、96%和91%的预测准确率。值得注意的是,“孔”案例的预测准确率甚至更高。在场景‘S’下 (即小范围P-V条件),预测准确率有所下降,但即便在0.1 ms的时间段内仍然超过80%。这里0.5 ms段的较低准确率主要是由于训练数据集较小所致。

图4 使用单传感器数据进行深度学习预测的结果,基于“分离”数据选择的不同场景。总体预测准确率、非孔预测准确率和孔预测准确率分别针对(a) 场景‘S’和(b) 场景‘L’。

总结与展望

在本研究中,开发了利用单一传感器(即近红外(NIR)、100 kHz和20 kHz麦克风以及光电二极管)和多传感器的机器学习模型,以预测Ti-6Al-4V的激光粉末床熔化(LPBF)过程中钥孔孔隙的生成。我们发现钥孔孔隙的生成与钥孔振荡行为直接相关,而这一行为可以通过光和声传感器捕获。声学信号和光学信号彼此之间很好地对齐。基于NIR图像和X射线图像,发现空气中的声波是由于钥孔处蒸汽羽流的快速喷射造成的。钥孔的反复形态变化导致了环境气体中的周期性压力变化,从而产生声波。此外,我们开发了单传感器和多传感器数据的预测,利用经过训练的SqueezeNet神经网络架构提取特征,并使用不同的机器学习算法进行分类。

尽管NIR数据提供了最高的钥孔孔隙预测准确率,但在商业LPBF系统中设置NIR摄像头并使用其二维光学成像数据进行部件级过程监控和控制往往不切实际。相比之下,光电二极管和麦克风更易获得,且它们生成的1D数据更易于存储和处理。正如本研究所示,即使仅使用单个光电二极管或麦克风,也能实现相当高的预测准确率。安装在腔体不同位置并测量不同波长的光和声波的更多传感器,应该能进一步提高预测准确率。


本研究得到了NASA Science Technology Research Institute (80NSSC23K1342)的部分支持。本研究中的同步辐射实验是在Argonne国家实验室的先进光子源同步辐射中心进行,该中心由美国能源部科学部支持(DE-AC02-06CH11357)。


通讯作者简介

孙韬博士,西北大学(Northwestern University)机械工程系的副教授。孙教授在西北大学获得材料科学与工程的博士学位,由在西北大学Vinayak Dravid教授和阿贡国家实验室的Jin Wang博士共同指导。毕业后,孙博士加入阿贡国家实验室的X射线科学部门,担任博士后研究员,研究相干电子散射和相干X射线散射成像技术。2012年,孙博士成为先进光子源成像组的助理物理学家,并于2017年晋升为物理学家。2019年,孙博士开始任教于弗吉尼亚大学 (University of Virginia)材料系,之后于2023年回到西北大学。孙博士的团队致力于增材制造中的基础问题研究。

任钟书博士在弗吉尼亚理工大学 (Virginia Tech) 的博士研究中,研究了高速规划艇在冲击事件下的水弹性,导师为Prof. Christine Gilbert。2020年,任博士在弗吉尼亚大学开始了他的博士后研究,在孙韬教授的指导下,开发了机器学习指导下激光增材制造技术的在线监测系统。2023年,任博士成为Brookhaven国家实验室NSLS-II的束线科学家,致力于将同步光源广泛应用于先进制造技术。

点击阅读精彩往期

第3卷第2期

第3卷第1期

第2卷第4期

第2卷第3期

第2卷第2期

第2卷第1期

第1卷第4期

第1卷第3期

第1卷第2期

第1卷第1期


面向能源应用的高熵氧化物:从复杂性到理性设计(昆明理工大学赵宗彦教授团队)


基于微流控技术的微纤维在柔性生物电子学中的应用(香港中文大学杨超宇教授团队)


  期刊特色|Unique Features

01

免费开放获取,2022-2024年免除作者出版费

02

快速发表文章被接收后24h内上线

03

“未来展望”,展示该研究领域前瞻性专家观点

04

自由格式撰写,排版工作由IOPP承担

期 刊 简 介

扫码关注期刊公众号

Materials Futures(《材料展望》, ISSN 2752-5724)创刊于2022年,由松山湖材料实验室与英国物理学会出版社(IOPP)联合出版,入选“2022年度中国科技期刊卓越行动计划高起点新刊”、“2023年度广东省高起点英文新刊项目”,2023年3月成为国际出版伦理委员会 (COPE) 成员,现已被ESCI、Ei、Scopus、Inspec、DOAJ、万方等数据库收录。获得首个影响因子12.0,在全球材料综合类438本期刊中排名第41,位列Q1区。本期刊面向全球开放获取,免收作者版面费 (APC)。期刊致力于打造材料科学领域的高水平综合性期刊,为全球材料领域科学家搭建学术交流与合作平台。刊载范围聚焦结构材料、能源材料、生物材料、纳米材料、量子材料、信息材料、材料理论与计算。


自有出版平台:

http://www.materialsfutures.org/

合作出版平台:

https://iopscience.iop.org/mf

期刊投稿链接:

https://mc04.manuscriptcentral.com/mf-slab

编辑部邮箱:

editorialoffice@materialsfutures.org



Materials Futures
本期刊由松山湖材料实验室主办,汪卫华院士和赵金奎杰出研究员担任主编,2023年影响因子12,免收文章出版费。主要报道结构材料、能源材料、生物材料、纳米材料、量子材料、信息材料、材料理论与计算最新创造性科研成果。
 最新文章