《Materials Today Communications》:Machine learning-driven in situ defect monitoring and real-time process control in directed energy deposition: Techniques, challenges, and future prospects
编辑推荐:
缺陷形成仍然是定向能量沉积(Directed Energy Deposition, DED)安全关键部件认证的主要障碍。现有的检测策略主要是离线的(ex-situ),无法在制造过程中提供可操作的信息。本综述严格评估了机器学习赋能的定向能量沉积缺陷检测与过程调控
缺陷形成仍然是定向能量沉积(Directed Energy Deposition, DED)安全关键部件认证的主要障碍。现有的检测策略主要是离线的(ex-situ),无法在制造过程中提供可操作的信息。本综述严格评估了机器学习赋能的定向能量沉积缺陷检测与过程调控原位传感框架。报告的研究表明,应用于熔池成像和缺陷分类的监督学习准确率在87%至99.3%之间,而集成光学、热学和声学信号的非监督和多模态方法实现了92.5%-97%的准确率。推理延迟范围为4至200毫秒,支持超过250 Hz的控制频率的高速实现,可实现层内纠正干预。缺陷根据几何、形态和微观结构属性进行系统分类,并对涵盖监督、非监督和强化策略的学习范式在热、光、声和光谱传感模态中进行了评估。尽管性能良好,但部署受到数据保真度有限、跨材料-工艺空间的泛化能力差以及阻碍闭环运行的延迟瓶颈的制约。分析指出了方法论缺陷,包括缺乏标准化基准、传感器融合实践分散以及自适应反馈控制的采用极少。新兴方法,如对比表示学习、贝叶斯不确定性量化和物理信息神经网络(报道的R2值接近0.75),显示出提高可靠性的潜力。迁移学习被证明可将标注数据需求减少高达95%,而边缘推理可实现毫秒级执行。本综述认为,向工业部署推进取决于解决基础数据和验证问题,以及从离线缺陷检测向完全集成的实时控制架构转变。
**机器学习驱动的定向能量沉积原位缺陷监测与实时过程控制研究进展**
**一、研究背景与意义**
定向能量沉积(Directed Energy Deposition, DED)作为一种先进的增材制造技术,能够制造和修复具有复杂几何形状的金属部件,在航空航天、汽车和生物医学工程等领域具有广阔的应用前景。然而,缺陷形成一直是制约DED在安全关键部件中应用的主要障碍。DED过程中固有的复杂热梯度和凝固速率,使得部件容易产生孔隙、裂纹、未熔合和残余应力累积等缺陷,严重影响其力学性能。传统的无损检测方法,如X射线计算机断层扫描和超声检测,通常是在制造完成后进行,属于离线检测,无法在制造过程中提供可操作的信息以实现及时的工艺修正。因此,实现DED过程的实时原位监测和自适应控制,对于确保部件质量和推动其工业化应用至关重要。近年来,机器学习(Machine Learning, ML)作为一种数据驱动的方法,在DED缺陷检测和过程控制领域展现出巨大潜力,为解决上述挑战提供了新的途径。
**二、研究内容与结论**
本文献对机器学习驱动的DED原位缺陷监测与实时过程控制技术进行了全面综述。研究人员系统梳理了DED技术分类、缺陷类型、原位传感技术、机器学习方法以及闭环控制的最新进展,并探讨了该领域面临的挑战与未来发展方向。研究发现,目前已有多种基于机器学习的原位监测策略被应用于DED过程,通过分析熔池图像、热信号、声发射信号等传感数据,实现了对缺陷的实时识别和分类。其中,监督学习在缺陷分类中展现出高准确率,例如,DenseNet等深度卷积神经网络在熔池状态分类中准确率可达99.3%,而基于多模态数据融合(如视觉与声学信号)的模型准确率可达96.4%。然而,研究同样指出,当前技术发展仍面临数据稀缺与质量不佳、模型泛化能力不足、计算延迟以及系统集成等方面的挑战。尽管已经取得了显著进展,但从离线缺陷检测到完全集成的实时控制架构转变,以及解决基础数据和验证问题,是实现工业化部署的关键。本文发表在《Materials Today Communications》。
**三、主要关键技术方法**
该研究为系统性综述,为开展分析,研究人员采用了以下关键方法:1. **文献调研与分类学框架构建**:系统梳理并分类了DED技术(基于能量源、材料 feedstock、应用等),并对缺陷(几何、形态、微观结构)和原位传感技术(光学、热学、声学、光谱)进行了分类学归纳。2. **案例研究对比分析**:选取了12项具有代表性的研究案例,对比了不同机器学习模型(如CNN、SVM、LSTM等)在缺陷检测中的性能,包括准确率、推理延迟、数据需求等关键指标,并结合数据采集速率、传感器类型等进行了综合分析。3. **批判性评估框架**:对所选研究在性能权衡、传感器-模型兼容性以及报告指标的可靠性方面进行了结构化评估,识别了领域内方法论上的不足,例如缺乏标准化基准和传感器融合实践分散等问题。
**四、研究结果**
**(一)DED技术、缺陷与传感概述**
研究首先建立了DED技术、典型缺陷和原位监测技术的详细分类框架。DED技术可根据能量源(激光、电子束、等离子弧、电弧)、材料形态(粉末、丝材)、材料类型(金属、复合材料、陶瓷)等标准进行分类。DED过程中常见缺陷被系统地分类为几何缺陷(如层厚不均、翘曲)、形态缺陷(如高表面粗糙度、孔隙、未熔合)和微观结构缺陷(如开裂、微观组织不均匀)。为实时监测这些缺陷,多种传感技术被采用,包括光学成像(同轴/离轴)、热成像、高温测定法、光谱学(AES/OES/LIBS)和声学传感。这些技术各有优缺点,多传感器融合策略被认为是获取全面过程信息的有效途径。
**(二)机器学习在缺陷检测中的应用**
研究对用于DED缺陷检测的机器学习方法进行了深入分析,归纳了监督学习、非监督学习和混合学习范式的应用现状。监督学习,特别是深度卷积神经网络(CNN),在处理高分辨率熔池图像时表现突出。例如,Yuan等人开发的DenseNet-39模型,通过优化网络结构,在熔池状态分类中实现了99.3%的准确率,同时保持了计算效率。Lee等人利用CNN进行同轴熔池成像分析,实现了99.2%的喷嘴堵塞异常检测准确率。对于难以获取标注数据的场景,非监督学习方法显示出潜力。Ren等人采用LSTM自动编码器结合K-means聚类,基于等离子体发射光谱数据,在无标注条件下实现了沉积质量的等级划分。然而,非监督方法的缺陷类别可解释性较差。混合学习范式通过结合少量标注数据和大量未标注数据,兼顾了性能和实用性。Pandiyan等人提出的对比学习框架,在半监督条件下实现了97%的缺陷检测准确率。研究还发现,轻量级CNN模型(如VGG16)能在250 Hz的推断频率下保持较好准确性,证明了其在实时控制中的可行性。
**(三)从缺陷检测到实时过程控制**
研究强调,真正的实时过程控制必须关注从传感、推理到执行的全链路延迟。通过对案例的分析,研究人员指出,虽然部分研究(如Mochi等人使用DenseNet169模型)报告的端到端推理延迟(如18.2 ms)能够满足特定条件下的实时性要求,但大多数研究并未明确报告计算性能指标,这成为了一个方法论缺陷。为了实现闭环控制,系统需要以足够高的频率(如超过250 Hz)运行,以便在单个沉积层内进行纠正干预。研究对比了不同增材制造工艺中的闭环控制实例,如熔融沉积成型中的逐层反馈控制,指出DED工艺因其快速的热和流体动力学特性,具备实现更高频率反馈的潜力。实现可靠的闭环控制还需考虑模型误差的传播、不确定性量化以及安全约束。例如,Karkaria等人提出的贝叶斯LSTM模型结合模型预测控制(Model Predictive Control, MPC)框架,通过蒙特卡洛dropout量化预测不确定性,旨在实现稳健的激光功率调控,其温度预测的R
2值达到0.75。
**五、讨论与结论**
讨论部分指出,当前ML驱动DED监测研究面临的挑战存在层次依赖关系,主要由四个层级构成:第一层级是数据基础问题,包括数据稀缺和质量问题;第二层级是模型层面的泛化能力和可解释性问题;第三层级是计算延迟和实时推理的部署挑战;第四层级是硬件兼容性和工业化采纳等系统集成障碍。文章强调了未来研究的关键方向,包括建立标准化基准和开源数据集以便于算法比较;发展可解释人工智能(XAI)技术以增强模型透明度和信任度;以及与物理信息学习等新兴技术相结合,以提升模型的泛化能力和可靠性。
结论部分总结认为,机器学习已深刻改变了DED的缺陷监测策略,推动了从离线检测到原位、数据驱动的质量保证的转变。集成异构传感流与可解释的学习模型为构建自主、层分辨的过程调控提供了可行基础。然而,要实现工业化应用,必须解决研究活动中存在的分散性问题,即缺乏标准基准、计算性能披露不一致以及跨平台模型验证不足等问题。未来研究应遵循一个有序的、分层的序列,优先解决数据可用性和标签可靠性问题,然后推进领域泛化,满足实时推理约束,并最终实现硬件层面的集成。混合学习架构(嵌入过程物理)结合合作机制(如联邦学习和共享开放存储库)为ML辅助缺陷检测从实验室研究走向可持续的制造部署提供了具体途径。