基于CNN与连续小波变换的激光粉末床熔融多类气孔原位监测研究

《JOURNAL OF INTELLIGENT MANUFACTURING》:In-situ sensor monitoring of multi-class gas porosity formation in laser powder bed fusion using convolutional neural network

【字体: 大 中 小 】 时间:2026年04月25日 来源:JOURNAL OF INTELLIGENT MANUFACTURING 7.4

编辑推荐:

  为解决LPBF(激光粉末床熔融)缺陷监测中多类孔隙难以区分的问题,研究人员基于光二极管传感器与同步辐射X射线成像,结合CWT(连续小波变换)与CNN(卷积神经网络),实现了对Al6061材料中无孔、小气孔(<15 μm)及大气孔(>15 μm)的高精度(AUC 0.89)实时分类,为增材制造质量保障提供了低成本解决方案。

  
在金属增材制造(Additive Manufacturing, AM)领域,激光粉末床熔融(Laser Powder Bed Fusion, LPBF)技术虽然能制造复杂几何零件,但打印过程中产生的气孔缺陷(Porosity)一直是影响零件疲劳性能和结构完整性的“头号杀手”。传统的质量控制多依赖事后检测,好比“亡羊补牢”,而现有的原位监测技术大多只能进行“有缺陷”或“无缺陷”的二元判断,无法区分不同尺寸和形成机制的孔隙。这就好比只能判断“车坏了”,却分不清是“爆胎”还是“引擎故障”,导致后续工艺调整缺乏针对性。
为了解决这一痛点,一项发表在《Journal of Intelligent Manufacturing》上的研究提出了一种结合物理机制与机器学习的多类气孔检测框架。该研究创新性地利用15 μm这一物理尺寸界限(此前同步辐射研究证实,小于15 μm多为良性气体孔隙,大于15 μm多为有害的匙孔孔隙),将缺陷细分为“无孔”、“小孔(<15 μm)”和“大孔(>15 μm)”三类。研究人员在斯坦福同步辐射光源(SSRL)下,同步采集了光二极管(Photodiode)传感器信号与高速X射线影像,建立了传感器信号与熔池动态的“真实标签”关联。通过连续小波变换(CWT)将一维时序信号转换为时频图像,再输入卷积神经网络(CNN)进行分类。这套方法在5折交叉验证下达到了79%的准确率和0.89的AUC值,且每窗口推理时间仅1毫秒,真正实现了基于低成本传感器的实时、多类缺陷监测。

关键技术方法

研究团队在斯坦福同步辐射辐射光源(SSRL)搭建了LPBF实验平台,使用Al6061铝合金粉末作为材料。关键技术路径包含三步:数据同步采集(光二极管信号与X射线影像严格对齐,建立真值标签)、信号特征工程(利用CWT将信号转为时频图,提取熔池动态特征)、智能分类建模(构建CNN模型,输入时频图,输出三分类结果,并评估推理速度与泛化能力)。

研究结果

多类孔隙的物理机制与分类阈值

研究采用了15 μm作为区分“小气孔”与“大气孔”的物理阈值。这一界限并非随意设定,而是基于先前对Al6061材料的高分辨率同步辐射X射线表征结果。研究表明,小于15 μm的孔隙通常由材料内部气体析出或轻微工艺波动引起,对力学性能影响较小;而大于15 μm的孔隙多由匙孔(Keyhole)失稳或熔合不良造成,是导致结构失效的主要元凶。这种基于机制的分类使得监测结果能直接指导工艺优化:针对大气孔需降低激光能量以避免匙孔效应,而针对小气孔则可能需优化粉末质量或保护气氛。

CWT-CNN联合特征提取与分类性能

直接处理光二极管的一维时序信号难以捕捉缺陷的瞬态特征。本研究通过连续小波变换(CWT)将信号转换为时-频域图像,有效保留了信号在缺陷形成时刻的局部频域特征。随后,利用卷积神经网络(CNN)对这些时频图像进行特征学习与分类。模型在五折交叉验证下达到了79%的准确率,且AUC ROC(受试者工作特征曲线下面积)为0.89,显著优于传统的二元分类或单一信号分析方法。更重要的是,模型的平均推理时间约为1 ms per signal window,完全满足LPBF过程对实时监测的苛刻要求。

低成本传感器实现高保真监测的可行性

通过与同步辐射X射线这一“黄金标准”的对比验证,研究证实了工业级低成本光二极管传感器在耦合先进信号处理算法(CWT)和机器学习模型(CNN)后,能够以极高的性价比实现接近高保真诊断水平的监测效果。这为将实验室级别的缺陷诊断技术迁移至工业现场,实现大规模、低成本的质量保证(Quality Assurance)提供了技术路径。

结论与意义

本研究成功地将物理机制(15 μm尺寸界限)、先进信号处理(CWT)与人工智能(CNN)相结合,突破了LPBF原位监测中长期存在的“只能报错、不能分型”的技术瓶颈。其重要意义在于:
  1. 1.
    从二元到多元:实现了从简单的“有/无缺陷”判断到“无孔、小气孔、大气孔”的多类识别,为精细化工艺控制提供了数据支撑。
  2. 2.
    从昂贵到普惠:验证了利用低成本光二极管传感器替代昂贵高速摄像系统进行高精度缺陷监测的可行性,极大地降低了技术落地门槛。
  3. 3.
    从离线到实时:1ms级的推理速度确保了监测系统能够嵌入到LPBF设备的实时控制回路中,为未来实现基于缺陷预测的闭环控制(Closed-loop Control)奠定了坚实基础。
这项工作标志着增材制造质量监控向智能化、精细化迈出了关键一步,通过“物理机理+数据驱动”的双轮驱动,加速了高性能金属构件制造的产业化进程。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号