基于多核挤压-激发模型的无模型元学习方法，用于实现基于线激光定向能量沉积过程中的熔池状态监测

《Optics & Laser Technology》：Melt pool state monitoring for wire laser-based directed energy deposition based on multi-kernel squeeze-and-excitation model-agnostic meta-learning

熔池状态监测|元学习|跨领域|多核注意力机制|少样本学习

　　

王风涛|宋丹雅|陈桂英|邱博彦|彭世通|郭建安|季秀琳|刘伟伟

中国汕头大学机械工程系，汕头515063

摘要

基于线材激光的定向能量沉积（wire DED-LB）是制造高精度、几何形状复杂部件的关键技术，其中熔池的稳定性是决定最终部件质量的关键因素。传统的监测方法依赖于卷积神经网络（CNN）来分析熔池图像，通常需要大量的标注数据集，并且在跨不同工艺或异构数据源时难以保持准确性。为了解决这些限制，我们提出了一种新颖的少样本、跨领域学习框架，称为多核挤压-激励模型不可知元学习（MKSE-MAML），用于熔池状态识别。该框架使用来自四种不同材料（IN738、TB6Ti10Mo、316L和TB6）的粉末DED-LB的多视图（同轴和离轴）熔池图像进行元训练。然后，在以线材DED-LB处理的镍基超级合金的同轴图像上进行少样本评估，作为目标领域。根据其几何形态和相关缺陷特征，对七种不同的熔池状态进行了分类。实验结果表明，MKSE-MAML的性能优于几种现有的少样本学习模型，包括原型网络（ProNet）、关系网络（Relation Network）、MAML和SE-MAML，在目标领域实现了99.48%的状态识别准确率。这一性能证明了多源数据在增强模型泛化能力方面的有效性。因此，所提出的MKSE-MAML框架为线材DED-LB应用中的少样本、跨领域质量监测提供了一种高效且稳健的解决方案。

引言

增材制造（AM）在航空航天、生物医学植入物和造船等各种行业中发挥了关键作用，并逐渐成为全球主要的研发焦点[1]、[2]、[3]。在其多种技术中，激光定向能量沉积（DED）因其高工艺灵活性和沉积效率而被广泛采用。根据原料的形式，DED通常可以分为线材DED-LB和基于粉末激光的定向能量沉积（粉末DED-LB）两种方式。特别是线材DED-LB由于其100%的材料利用率和低环境污染而受到广泛关注[4]。然而，在实际生产环境中，线材DED-LB的成形质量对工艺条件的变化非常敏感。其工艺稳定性不是由单一参数决定的，而是由激光能量输入、线材进给行为和工作距离变化等因素的耦合效应共同控制的[5]、[6]。这些因素调节熔池内的热量和质量传递过程，从而影响线材熔化和熔池流动特性。这种耦合可能导致熔池从准稳态转变为非稳态，表现为熔池状态的波动[7]、[8]。这里，熔池状态被定义为熔池几何特性、热辐射信号及其时间演变的耦合表示。其稳定性和演变对最终涂层几何形状和成形质量有重要影响[9]、[10]。因此，连续可靠的熔池状态监测和表征是线材DED-LB中稳定性评估和成形质量预测的先决条件[11]。

目前，线材DED-LB过程中的熔池状态监测主要依赖于单视图高速成像。同轴成像容易受到强烈光辐射的影响，这可能会模糊图像细节；然而，它能够反映熔池内的动态现象[12]。相比之下，离轴成像可以清晰地捕捉轮廓和进给信息[8]，但缺乏明确的三维特征。因此，单模态监测在全面表征熔池状态方面存在固有的局限性。因此，开发能够克服这些局限性并实现更可靠工艺控制的多模态、跨视图监测系统已成为一个紧迫的挑战。

鉴于线材DED-LB成形过程的复杂性和不确定性，基于原位工艺图像的数据驱动缺陷预测已成为一个重要的研究方向[13]。利用深度学习在自动视觉特征提取和复杂模式识别方面的优势[14]、[15]、[16]，数据驱动方法可以有效地建模熔池图像特征与成形缺陷之间的高度非线性映射，显示出在提高缺陷识别和质量预测准确性方面的巨大潜力[17]。然而，现有的深度学习模型通常依赖于大规模、高质量的标注数据集[18]。实际上，线材DED-LB实验数据的获取成本高昂且耗时较长，而且不同工艺参数组合下的样本分布往往稀疏，难以覆盖整个工艺空间[13]。此外，熔池图像与最终成形缺陷之间的关系通常涉及时间延迟和间接对应关系。因此，缺陷标注在很大程度上依赖于专家判断和离线检测结果，导致标注成本高、主观性强以及标注一致性有限。这些数据限制严重阻碍了模型的泛化能力和工程应用性。因此，在小样本条件下实现高精度和强泛化的成形质量预测已成为推进数据驱动线材DED-LB方法突破当前应用瓶颈的关键科学问题之一[19]。

为了解决上述挑战，受到Abdelsattar M等人提出的多源数据采集优化方案的启发[20]、[21]、[22]，本研究提出了一种基于跨工艺迁移学习的少样本沉积质量预测模型，用于在线材DED-LB过程中监测几何缺陷。整个框架如图1所示。具体来说，结合使用同轴和离轴CMOS相机来获取线材DED-LB过程的熔池数据作为训练数据集，而同轴CMOS成像用于收集线材DED-LB熔池数据作为测试数据集。这使得能够进行跨工艺、多源的沉积质量监测。尽管传统的机器学习模型（卷积神经网络（CNN）和循环神经网络（RNN）在特征提取方面取得了显著成果[23]、[24]、[25]，但它们通常需要大量标注数据进行训练[26]。相比之下，MAML框架在少样本学习场景中表现出强大的适应性。通过将MAML与CNN集成，所提出的模型实现了对同轴线材DED-LB熔池图像的有效特征提取和准确的沉积质量预测。此外，还引入了多核通道注意力机制，采用挤压-激励操作来增强网络对关键特征的关注[27]。这提高了模型的表征能力和泛化能力。本工作的主要贡献如下：（1）采用跨工艺、多源训练策略来提高模型的鲁棒性和实际适用性；（2）MAML与CNN的集成有助于在样本有限条件下有效进行特征提取和质量预测；（3）引入多核通道注意力机制以加强对关键特征的关注，从而增强模型的泛化能力。

小节片段

熔池状态与成形质量之间的关系

在线材DED-LB过程中，声发射、光学响应、热辐射和振动等物理信号可以直观地反映熔池的动态演变、热积累效应以及材料沉积的质量。通过分析熔池的大小、形态和时间特性，可以有效地识别缺陷的存在。Govekar等人[28]研究了使用镍和黄铜进行线材DED-LB时的液滴形成行为

算法基础

在线材DED-LB镀层过程中，熔池动态与最终镀层质量之间存在复杂的非线性关系。传统的监督学习方法严重依赖于大量标注数据，并且在面对工艺参数变化、材料系统和传感模式的变化时难以泛化[35]。为了应对这些挑战，本章提出了一种基于MKSE-MAML的镀层质量预测新方法。

材料

在本实验中，使用直径为1.2毫米的GH4169线材作为原材料，其化学成分如表1所示。实验中使用的基材是一个尺寸为150 × 150 × 10毫米3的IN718合金块。为了最小化金属氧化物层对实验结果的影响，在实验前用砂纸抛光基底以去除表面氧化物层。

实验设置

本实验基于线材DED-LB制造系统。采用离轴线材进给

结果与讨论

为了全面评估MKSE-MAML模型的预测性能，并同时分析来自不同工艺的多源数据对目标领域任务预测性能的影响，本研究设计了两组实验，如表3所示，这些实验借鉴了Abdelsattar M等人提出的多条件验证研究思想[47]。对于案例1，源域数据主要来自团队之前的实验，包括同轴熔池

结论

本研究通过引入MKSE-MAML框架解决了线材DED-LB中少样本熔池状态预测的挑战，该框架结合了多尺度特征提取和挤压-激励注意力机制。所提出的模型在实验任务中始终优于传统的少样本学习模型（原型网络和关系网络）和元学习基线（MAML和SE-MAML）。特别是，MKSE-MAML在

展望

虽然所提出的MKSE-MAML框架在少样本、跨领域熔池状态预测方面显示出了有希望的结果，但这项工作也存在一些局限性，指出了未来研究的宝贵方向。首先，实验验证基于有限的材料集，这可能会影响模型对更广泛工业材料系统的泛化能力。其次，当前模型主要从单个熔池图像中提取空间特征，并没有明确考虑

CRediT作者贡献声明

王风涛：项目管理、资金获取。宋丹雅：撰写——原始草稿、验证、方法论、数据管理。陈桂英：撰写——原始草稿、方法论、概念化。邱博彦：撰写——审稿与编辑。彭世通：监督、调查、形式分析、数据管理。郭建安：可视化、验证、监督、软件。季秀琳：可视化、验证、监督、形式分析、概念化。刘伟伟：撰写——审稿

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本文报告的工作。

致谢

本工作得到了广东省基础与应用基础研究基金海上风电电力联合基金项目（授权号：2024A1515240035）、广东省基础与应用基础研究基金会项目（授权号：2023A1515011164）以及广东省普通高校重点领域专项（自然科学）（授权号：2024ZDZX3019）的支持。