在微锥控制的激光粉末床熔融技术中，利用机器学习辅助进行厚度预测和多材料粉末床的3D表面重建

《Powder Technology》：Machine learning-assisted thickness prediction and 3D surface reconstruction for multi-material powder beds in micronozzle-controlled laser powder bed fusion

　　董喜元|史启民|杨守峰
哈尔滨工程大学，材料科学与化学工程学院，哈尔滨150001，中国

摘要
微喷嘴控制的激光粉末床熔融（LPBF）技术能够实现多材料结构的创新制造，但同时也引入了一种独特的粉末床铺展机制，并要求在过程控制期间实时监测粉末床表面形态。现有的厚度监测方法，如使用激光位移传感器和高分辨率天平的方法，受到较长测量周期和高昂仪器成本的限制。本研究开发了一种基于4K成像和监督机器学习的新方法，用于粉末床厚度预测和3D表面重构，可以灵活集成到多材料LPBF系统中。结果表明，采用所开发的多特征支持向量回归（SVR）模型进行粉末床厚度预测具有很高的准确性。预测误差保持在约3.31微米以内，平均误差为1-2微米（最大绝对百分比误差为9.2%）。重构的表面形态与激光位移传感器获得的测量结果非常吻合。在重构有缺陷的粉末床时，SVR预测的缺陷位置和宽度误差小于1微米，缺陷深度误差低于5微米，通常在1微米左右。与传统激光传感器方法相比，这种方法是快速且经济有效的工具，可以将粉末床厚度在线表征时间缩短至2秒。重要的是，该方法可以进一步集成到各种增材制造系统中，并有助于开发提高粉末床均匀性的高分辨率闭环策略。

引言
激光粉末床熔融（LPBF）技术在制造复杂的高精度金属部件方面显示出巨大潜力[1]、[2]、[3]、[4]，因此在航空航天、生物医学和能源设备等领域得到了广泛应用[5]、[6]、[7]。在LPBF过程中，首先进行粉末床铺展，然后逐层进行选择性激光照射。尽管全表面粉末铺展（例如传统的刀片/滚筒式重新涂层方法，见图1(a)）已经在LPBF中取得了可接受的结果，但这种铺展机制限制了其在单一步骤中产生多材料均匀分布的粉末床，从而阻碍了多材料部件的制造。使用微喷嘴阵列进行粉末分配，取代传统的粉末刀片/滚筒，为多材料LPBF提供了实用的解决方案[8]、[9]。重要的是，微喷嘴阵列以不同的方式生成粉末床：它逐点和逐线将粉末沉积在基板或先前固化的粉末床上，沉积的粉末由于其流动性而自由扩散[10]、[11]、[12]、[13]、[14]（见图1(b)）。微喷嘴可以生成不同厚度的粉末床，甚至可以在单个粉末床的不同位置沉积不同厚度的粉末[15]、[16]、[17]、[18]。实际上，与依赖机械物理高度调节的重新涂层刀片/滚筒的传统LPBF工艺相比，我们的方法具有明显的优势（如图1所示）。我们可以实现每个沉积粉末床的高度一致性。然而，对沉积粉末床表面完整性的原位监测仍然是至关重要的，以确保没有局部异常。粉末床的均匀性，特别是层厚度，不仅决定了单个层的熔化行为，还影响了后续多层沉积过程中的激光能量吸收、熔池形态和流动稳定性[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]。在粗糙的粉末床中，局部位置的粉末床厚度不足可能导致高功率激光能量集中在薄粉末材料上，引起喷溅甚至关键孔隙[28]、[29]。相反，过厚的粉末床会阻碍激光能量的有效穿透，导致熔合缺陷[30]。Meier等人的模拟[31]表明，粉末层质量对底层基材属性（如表面粗糙度或变形）很敏感，当粉末床厚度小于颗粒尺寸的三倍时，这种影响尤为明显。此外，使用微喷嘴进行粉末床沉积时，还受到多种因素的复杂影响，包括喷嘴磨损状况[32]、粉末通过喷嘴的流动质量[33]、微喷嘴与基板之间的距离[34]、喷嘴孔径[34]、振动辅助的分配速率[35]以及所输送粉末的 inherent 流动性[36]。因此，开发准确可靠的粉末床厚度和平整度评估工具对于微喷嘴控制的LPBF过程至关重要。

为了评估LPBF过程中的粉末床厚度均匀性，文献中报道了几种技术[37]、[38]、[39]、[40]，包括激光位移传感器[41]、结构光[42]、[43]、[44]和相干干涉测量[45]、[46]。例如，Kleszczynski等人[47]利用集成在LPBF中的工业相机来识别由零件突起引起的粉末分配不均匀的位置，利用了熔合区域的镜面反射特性。Foster等人[48]通过调整构建室内的照明方案，增强了粉末床上各种方向上的特征（如划痕）和零件边缘轮廓的对比度，突出了照明条件在基于视觉的系统中对区分不同缺陷的重要性。Zhang等人[49]使用高分辨率相机结合小场投影仪实现了粉末床平整度和表面纹理的高精度测量，达到了6.8微米/像素的空间分辨率。然而，这些方法通常受到高成本、有限的测量速度和测量范围的限制，使得在高质量和高效率之间难以取得实际平衡，特别是在高吞吐量或多材料制造条件下。

相比之下，基于图像的方法具有成本效益高、测量范围广、采集时间短以及快速、非接触式原位检测的能力，通过使用工业相机捕捉粉末床表面的照片并从图像特征推断粉末床状态[50]、[51]、[52]。其中，灰度映射技术被最广泛采用，其基本理论建立了表面灰度强度与实际粉末床厚度之间的相关性，用于厚度预测。然而，在实际场景中，灰度值与厚度之间的关系通常不是严格线性的，并受到多种因素的影响，包括粉末反射率、颗粒大小分布、照明条件和相机观察角度。因此，使用简单线性模型的灰度映射进行厚度预测的准确性通常有限[53]。更重要的是，在微喷嘴分配速度变化的情况下，使用单一灰度特征来重建粉末床的复杂表面条件尤其具有挑战性，因为此时粉末床的纹理和颗粒分布会有显著差异。相机条件的微小变化，如光强度、相机高度或观察角度，很可能会导致灰度值的波动，从而降低粉末床厚度预测的可靠性[54]。

因此，本研究提出了一种新的方法，通过将硬件传感套件与机器学习模型集成，来预测粉末床厚度并重建其3D表面形态，成功克服了上述原位粉末床厚度评估的局限性。该方法结合了激光位移传感器和4K工业相机来捕捉粉末床的高分辨率图像。激光位移传感器创新地与粉末重新涂层机制集成，建立了作为后续预测标准的真实厚度数据集。从粉末床图像中提取多个特征（平均灰度值、灰度方差和边缘密度），并将其输入支持向量回归（SVR）模型，该模型因其在小样本、非线性回归任务中的稳健性能而受到青睐。SVR使用核函数将输入特征映射到高维空间，从而捕捉特征与目标变量之间的复杂关系。这种融合实现了对图像噪声具有高鲁棒性的高精度厚度预测，然后用于校正Z轴缩放，以获得真实的3D表面形态重建。我们从粉末床图像的感兴趣区域（ROI）提取图像特征，而不是依赖于底层基材的物理属性。因此，在多层打印过程中，只要粉末床表面形成了相对完整的覆盖层，这些特征就可以有效提取。由于其时间和成本效益，该方法非常适合用于粉末床均匀性的原位量化，从而提高增材制造部件的一致性。

方法概述
我们使用了三种方法来重建粉末床的表面形态并计算其厚度。图2(a)展示了这些方法的逐步优化过程及其各自的优点和局限性。最初，采用了一种相对简单和基础的称重方法（如2.4.1节所述）。通过测量粉末沉积前后的基板重量来计算粉末床厚度。然而，这种方法不允许...

通过传统灰度映射和激光位移传感器的方法得到的厚度输出
我们首先尝试使用从4K相机图像中提取的灰度信息来映射粉末床厚度。然后将结果与激光位移传感器的测量结果进行比较，以评估这种简化后的基于图像的方法的有效性。如图10所示，其准确性仍然有限，尽管灰度映射通常能够捕捉到粉末分配速度与厚度变化之间的总体趋势。在低分配速度下...

结论与展望
(1) 图像特征与厚度之间的相关性：灰度平均值、灰度方差和边缘密度可以有效表征粉末床的厚度和均匀性变化。其中，灰度平均值反映了整体亮度水平，灰度方差反映了表面均匀性，边缘密度揭示了颗粒分布和缺陷特征。
(2) 机器学习预测结果显著优于传统方法：与传统方法相比...

进一步阅读
本文描述的用于增材制造（3D打印）的微喷嘴技术最初是由作者们在20多年前开发的。在随后的二十年里，我们不断改进了这项技术，加强了理论基础，并将其适应于工业制造。请参阅相关文献[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]、[17]、[18]。

致谢
作者感谢中国科学院战略性先导科技专项（项目编号XDB1590000）、山东省自然科学基金（项目编号2024HWYQ-086和ZR2025ZD38）以及中央高校基本科研业务费（项目编号3072024XX2714和GK762026011584）的财政支持。史启民和杨守峰还非常感谢中国科学院“****”和科技创新重点研发计划的支持。