激光定向能量沉积过程中微孔分布预测的原位监测与集成学习方法

《Engineering Applications of Artificial Intelligence》：In-situ monitoring and ensemble learning for micro-pore distribution prediction in laser-directed energy deposition

孔隙检测与多模态融合监测技术在激光定向能量沉积制造中的应用研究。摘要：激光定向能量沉积（LDED）制造的金属部件易因孔隙形成而降低机械性能。本研究提出基于图像与声学信号的多模态融合监测方法，结合多层感知机（MLP）与极端梯度提升树（XGBoost）的混合模型，实现孔隙（>30μm）的98.8%准确率预测，与CT检测结果高度吻合。方法创新点在于通过实时信号分析孔隙分布位置而非整体孔隙率，为闭环控制提供技术支撑。

　　

苗宇|朱丽达|杨志超|宁金生

东北大学机械工程与自动化学院，沈阳，110819，中国

摘要

孔隙率严重影响了通过激光定向能量沉积（LDED）制造的金属零件的机械性能和服务寿命。为了提高零件质量，准确地进行原位孔隙形成检测和控制至关重要。在这项工作中，提出了一种用于LDED过程的原位多模态（图像和声学）监测方法。提取的特征使用了一种结合多层感知器（MLP）和极端梯度提升（XGBoost）的创新集成模型进行处理。这种混合方法能够准确预测大于30微米的实际孔隙，准确率达到98.8%，与计算机断层扫描（CT）的结果高度一致。与以往的研究不同，这项工作中并未刻意制造孔隙，而是重点研究了在最佳参数下信号波动对孔隙形成的影响。结果表明，多模态融合利用了图像和声学信号的优势，弥补了单一模态信号的局限性。斯皮尔曼相关性分析显示，诸如飞溅物数量和面积增加、声音幅度增大以及声音更尖锐等各种现象都表明孔隙形成的可能性更高。这项工作突显了多模态传感和人工智能（AI）在金属增材制造（AM）中实现实时质量控制的巨大潜力。

引言

增材制造（AM），也称为三维（3D）打印，是一种逐层制造技术，可以从数字模型直接生产出复杂的几何形状（Qu等人，2025年；Shafighfard等人，2021年；Shafighfard和Mieloszyk，2022年）。它提供了卓越的设计灵活性，能够制造出传统方法无法实现的结构（Gu等人，2021年；López-Arrabal等人，2024年）。作为金属AM技术的一种，激光定向能量沉积（LDED）具有形成速度快、材料浪费少和打印尺寸大的优点。因此，LDED制造的零件被广泛应用于航空航天、医疗和国防等多个行业（Amaya-Rivas等人，2024年；DebRoy等人，2019年）。尽管在用LDED技术制造大型复杂零件方面取得了显著进展，但在在线监测和质量保证方面仍需进一步研究（Henkes等人，2024年；Khanzadeh等人，2018年；Yang等人，2023年）。闭环控制是提高打印质量的有效方法。原位过程监测是实现闭环控制的关键前提，因为它增强了对制造过程的理解，从而促进了高质量零件的持续发展（Sanchez等人，2021年）。

在LDED过程中，孔隙的形成是一个影响质量的关键因素，因为它会显著降低零件的机械性能并可能导致零件失效（He等人，2024年；Wang等人，2022年）。因此，准确预测和有效去除孔隙对于确保工程应用中材料的可靠性和性能至关重要。孔隙形成的原因有很多，包括未熔合（LOF）孔隙、keyhole孔隙以及引入熔池中的气体孔隙（Wolff等人，2021年）。为了理解孔隙形成过程，许多研究人员在非最佳参数条件下进行了模拟和原位监测分析，以揭示孔隙形成的复杂机制（Mojumder等人，2023b；Schwerz等人，2023年）。尽管在孔隙分析方面取得了显著进展，但实际加工中使用的参数通常是最佳的（传导模式），而LOF和keyhole孔隙很少发生。因此，有必要进一步分析在最佳参数条件下形成的孔隙。

在线原位监测是孔隙分析的有效方法（Lu等人，2024年；Mahmood等人，2023年）。实时传感系统的引入可以替代计算机断层扫描（CT）和离线测量等后处理方法（Pandiyan等人，2024b）。作为零件形成的基本单元，熔池形态的动态变化在一定程度上反映了零件的最终质量（Wei等人，2021年）。Gaikwad等人（2022年）结合熔池形态和飞溅特性与机器学习（ML）来实现不同类型孔隙的分类和预测。Zhang等人（2019年）通过分析熔池几何形状的变化准确预测了零件孔隙率。Kim等人（2023年）使用模拟和实验相结合的方法，将熔池尺寸输入深度学习模型以估计实时层高。除了揭示加工过程中动态变化的视觉信号外，激光与材料相互作用产生的声学信号也包含了关于复杂物理现象的信息（Pandiyan等人，2020年）。Drissi-Daoudi等人（2022年）和Surovi与Soh（2023年）利用声学信号进行AM过程的在线监测。前者收集了各种材料的声学信号，以在激光粉末床熔融（LPBF）过程中分类三种不同的打印模式，而后者则根据收集的声学信号识别线弧增材制造（WAAM）中的几何缺陷部分。Bevans等人（2023年）对收集的声学信号进行了小波变换，以便直观地监测孔隙。Chen等人（2023年）将使用梅尔频率倒谱系数（MFCC）变换的声学信号与ML相结合，以实现孔隙的准确预测。Ramalho等人（2022年）使用麦克风声学传感方法验证了不同污染物对WAAM时间和频率域的影响。总之，金属AM过程中的视觉和声学信号都包含了丰富的物理信息，各自从不同角度捕捉了熔池中的异常变化。然而，仅分析单一模态数据可能无法完全捕捉动态加工环境中的复杂相互作用和依赖性，这可能导致预测精度降低和制造过程可靠性下降。

近年来，多模态数据融合技术的出现为解决金属AM过程中的缺陷检测等挑战提供了新的方法。这种方法整合了来自多个信号的特征，提高了预测结果的准确性和稳定性。Pandiyan等人（2022年）结合了后向反射（BR）、可见光、红外（IR）和声发射（AE）进行时空融合，以预测LPBF中的缺陷区域。Petrich等人（2021年）使用多模态传感融合来预测层间缺陷，强调尽管光学图像包含最多信息，但包含其他信号显著提高了分类性能。Li等人（2022年）结合了麦克风信号、光电二极管信号和光学图像，用于选择性激光熔化（SLM）过程中的原位监测和质量预测。值得注意的是，由于LPBF具有更高的过程稳定性和相对封闭的粉末床环境，因此更容易实现多模态融合的实时监测（Chebil等人，2023年；Yadav等人，2022年）。相比之下，LDED带来了更大的过程变异性和开放架构等额外挑战。这些因素使得有效的多模态融合更加困难，但也更加关键。因此，探索和验证针对LDED定制的多模态监测策略仍有待完善。

为了解决上述问题，本研究在LDED过程中使用了最佳加工参数，而没有刻意制造孔隙。同时，提出了一种结合创新集成学习框架的多模态融合方法，有效整合了飞溅行为、热数据以及时域和频域声学特征，从而实现了LDED过程中准确和稳健的微孔预测。这种方法的独特之处在于它专注于识别孔隙出现的具体位置，而不是预测零件的整体孔隙率和孔隙大小。准确预测孔隙分布有助于及时采用减法策略去除孔隙大小大和孔隙密度高的区域，从而实现制造过程的闭环控制。这种方法为LDED过程中数字孪生技术的发展提供了有力支持。

本研究的其余部分组织如下：第2节详细描述了加工设备和实验设置。第3节介绍了多模态信号的关键特征提取方法和集成学习模型的构建。第4节讨论了将多模态数据融合与创新的MLP-XGBoost集成方法相结合的优势，并概述了其在实际工业应用中的潜力。最后，第5节总结了研究内容，并对未来研究方向进行了展望。

章节摘录

仪器和实验

本研究的沉积实验是在一个五轴增材-减材混合加工中心（SVW80-3D）上进行的。该加工中心包括增材和减材制造模块，加工路径通过G代码进行规划，激光头和铣刀可以切换。图1显示了加工过程中使用的监测设备和材料信息。

在增材制造方面，激光束直径为3毫米，配备了连续同轴旋转粉末进料器。

多模态信息特征提取与分析

本节详细介绍了图像和声学信号的加工方法以及关键特征提取技术。此外，还介绍了创新集成学习方法的具体架构。

图像和声学特征对孔隙分布的直接影响

为了探索原始图像和声学特征对孔隙分布的影响，可视化了每层每个窗口的特征，并与光学显微镜下的实际孔隙分布进行了比较，如图6所示。所有数据均使用Z-Score标准化进行了归一化，以确保特征尺度的一致性以及后续模型训练的稳定性和泛化能力，如公式（12）所示（Xu等人，2022年）：$Z=\frac{X?\mu }{\sigma }$