激光送丝增材制造（LW-DED）工艺是使用激光能量将金属丝材熔化，并逐层沉积，通过机床或机器人的运动实现三维、几何形状复杂的大体积零件的制造。LW-DED是定向能量沉积（DED）增材制造工艺中的一种，DED还包括激光粉末定向能量沉积（LP-DED）、电子束熔丝沉积（EB-DED）和电弧增材制造（WA-DED）。LW-DED结合了LP-DED的精度和WA-DED的大体积沉积能力，并且沉积速率更快，缺陷更少，同时保持了与锻造部件相当的机械性能。
然而，尽管LW-DED具有诸多优势，但在生产规模上的扩大仍面临挑战，因为LW-DED工艺倾向于漂移，导致零件变形。为了确保LW-DED的工业可行性，有必要了解并界定导致工艺不稳定性发生的过程条件。
近日，美国弗吉尼亚理工学院暨州立大学，爱荷华州立大学等院校在材料科学领域期刊Materials & Design上发表他们的研究成果，旨在通过关键工艺输入变量对LW-DED工艺状态进行严格映射，并提出了一种直观且易于计算的工艺感知机器学习方法来监控工艺状态。
图1 各种定向能沉积（DED）增材制造工艺的描述
图3 使用熔池形态和强度特征将原位熔池图像与激光送丝增材中的轨道质量相关联的方法概述
图4 LW-DED 设备的描述：(a) 示意图；(b) 设备图像；(c) 熔池示例数据
图5 实验中使用的处理参数（右侧的色条是激光功率与扫描速度的比率，P/V）
(a) 稳定；(b) 滴漏；(c) 堵塞；(d) 未熔合
图7 计算机视觉方法的描述：(1) 高速摄像机捕获熔池的灰度图像；(2) 通过高斯函数对图像进行模糊处理；(3) 将模糊图像进行二值化处理；(4) 通过边缘跟踪算法检测熔池轮廓
图8 从源图像中提取六种特征的示意图
图9 熔池的三个形态特征：熔池面积（Am）、长宽比（εm）和不规则度（σm）
熔池强度的平均值（μl）、标准偏差（σl）和倾斜度（σl3）被量化
图11 基于计算机视觉的特征作为输入输入到有监督和无监督学习分类算法中，以进行以下分类：滴落状态、未熔合状态、堵塞状态或稳定状态
图12 分类任务混淆矩阵中的F-1分数指标说明（F-1分数是一个调和平均值，它将精确度和召回率合并为一个衡量指标。假阳性和假阴性的错误分类都会对该指标造成影响，从而对性能做出平衡的评估）
图13 采用卷积神经网络架构对滴落、未熔合、堵塞或稳定状态进行4向分类的描述
在这项工作中，使用原位高速成像摄像机获取的熔池形态和强度特征来检测和分类LW-DED过程中的不稳定性。
这项工作的主要贡献在于从基于熔池图像的数据中划分出物理直观的特征，以使用简单的机器学习模型区分不同的工艺状态。
当与计算上可行的模型（如支持向量机SVM）一起使用时，熔池形态和强度特征在检测工艺不稳定性方面与直接使用熔池图像的深度学习模型（如卷积神经网络CNN）一样有效。这样的工艺感知机器学习模型因其计算的可行性和可解释性而适合部署。
具体结论如下：
来源：WLAM激光送丝增材
文献网址：
https://doi.org/10.1016/j.matdes.2024.113281
