一种用于跨制造商LPBF（激光粉末床熔化）粉末床缺陷识别的、增强隐私保护的联邦学习框架

针对激光粉末床融合（LPBF）制造中缺陷检测面临的数据不平衡、隐私共享困难和模型性能隐私保护矛盾问题，提出基于联邦学习的自适应差分隐私（ADP-FL）框架，通过构建综合数据集、跨设备迁移学习和梯度反演攻击模拟验证，实现检测精度提升2.7%的同时保障数据隐私。

　　

摘要

激光粉末床熔融（LPBF）是一种领先的金属增材制造（AM）技术，广泛应用于航空航天、医疗监控等对隐私要求极高的关键领域。然而，LPBF复杂的成形过程往往会导致不可避免的缺陷，从而限制了生产质量的稳定性和一致性。随着人工智能（AI）和深度学习（DL）技术的进步，工业监控得到了显著提升，这使得基于DL的缺陷检测在LPBF领域受到了广泛关注。尽管如此，在具有隐私要求的制造商中应用基于DL的缺陷检测仍面临诸多挑战：（1）粉末床图像缺陷数据的不平衡性和异质性阻碍了高质量数据集的获取；（2）由于隐私问题，不同打印机之间的数据共享受到限制，使得供应商间的合作变得复杂；（3）仅使用差分隐私（DP）方法难以在模型性能和隐私保护之间取得平衡。为了解决这些问题，本研究提出了一种基于联邦学习的自适应差分隐私（ADP-FL）框架，该框架能够在确保数据隐私的同时实现高精度的LPBF缺陷检测。此外，我们构建了一个全面的数据集，并通过跨不同打印机和材料的迁移学习验证了该框架的鲁棒性。我们还模拟了梯度反转攻击，证明了DP能够提升数据安全性。大量实验结果证实，我们提出的方法在保持高性能的同时显著增强了联邦学习（FL）的隐私保护能力。值得注意的是，ADP-FL有效解决了数据保护与模型效果之间的权衡问题。例如，与标准DP方法相比，ADP-FL将平均交并比（mIoU）提高了2.7%。