《Proceedings of the Design Society》：Thermal process monitoring for layer adhesion by tracking nozzle position in material extrusion
编辑推荐：
研究人员提出了一种针对材料挤出（MEX）的热过程监测系统，通过追踪层温度作为层间粘接的代理指标。该系统基于Python实现热点追踪算法，结合红外热成像技术，在配备腔室加热的桌面级打印机上完成喷嘴运动追踪与温度场测量，测量位置位于沉积前沿数毫米处，并将结果记录于
研究人员提出了一种针对材料挤出（MEX）的热过程监测系统，通过追踪层温度作为层间粘接的代理指标。该系统基于Python实现热点追踪算法，结合红外热成像技术，在配备腔室加热的桌面级打印机上完成喷嘴运动追踪与温度场测量，测量位置位于沉积前沿数毫米处，并将结果记录于CSV文件中。研究人员量化了系统精度与相机距离（Δd=73 mm）及探测半径（R2-R5）的关系，其中R3-R4的均方根误差（RMSE）差异仅为1.52°C，表明R3为最优探测距离。该研究结果可为承载性增材制造（AM）应用中的力学性能评估提供依据。
## 研究背景与问题提出
材料挤出（MEX）因其低成本、材料通用性强及易获取性，已成为最广泛使用的聚合物增材制造（AM）工艺之一。从标准热塑性塑料到聚醚醚酮（PEEK）、聚醚酰亚胺（PEI）和聚酰胺（PA）等高性能材料，MEX的应用范围不断扩展。然而，这些材料的力学行为强烈依赖于加工条件和打印过程中的热历史。特别是在高温打印中，层间粘接受热接触调控：再加热不足会削弱粘接强度，而较高的界面温度则促进聚合物扩散和更强的熔焊接合。因此，实现逐层温度的精确监测对于理解工艺-结构-性能关系、优化承载性结构件制造具有关键意义。
现有研究表明，温度对材料的极限抗拉强度（UTS）、应变和杨氏模量具有显著影响。Seppala和Migler于2016年的研究指出，材料力学性能取决于层间粘接质量，而在粘接过程中两层中温度较低的底层起着决定性作用。因此，研究人员将沉积前一刻的底层温度定义为沉积前层温度（Pre Deposition layer Temperature, PDT），作为衡量层间粘接的关键参数。尽管红外热成像技术在追踪冷却行为、界面温度及其对力学性能影响方面已证明有效，且在工业实时温度监测中得到应用，但高温打印机往往需要外部相机安装或额外开口等适应性改造以保护传感器免受过热。为此，本研究旨在开发一套基于低成本硬件的PDT实时提取方法，通过追踪喷嘴位置实现热过程监测，为工艺控制和认证提供数据支撑。该论文发表于《Proceedings of the Design Society》。
## 关键技术方法
研究人员采用基于Python的热点追踪方法，结合OpenCV计算机视觉库实现喷嘴定位与温度数据采集。核心硬件包括TOPDON TC001红外热像仪（分辨率256×192像素，刷新率25 Hz，测温范围?20°C至550°C，精度±2°C），安装于定制PLA材质相机支架上，距离打印对象约180 mm。系统通过识别热图像素最高温度点定位喷嘴，并以该点为中心生成42个采样点构成的圆形探测区域，通过帧间向量计算运动方向，在特定角度位置提取PDT数据。代码界面提供半径（R）、垂直偏移量（Y）及蓝色限制（BlueLim）三个可调参数，用于优化测量点选取与数据过滤。研究设计了三组实验：实验一通过视觉观察验证热点追踪效果；实验二分析相机-对象距离对温度检测的影响（Δd=73 mm）；实验三通过比较R2至R5（分别对应1.29 mm、2.59-3.50 mm、3.89-4.71 mm及5.55-6.24 mm）不同半径下的温度稳定性，确定最优探测参数。所有实验均在Creality K2 plus打印机上以eSUN PLA+为材料完成，层高0.2 mm，喷嘴温度220°C，热床温度50°C，体积流量18 mm3/s。
## 研究结果
**热点追踪方法的视觉观察**
视觉验证显示，系统能够准确识别喷嘴位置并通过绿色标记点指示PDT测量方向。当绿色点位于蓝色排除区域内时（对应打印头结构遮挡情况），数据不予保存；当正确对齐时，PDT数据有效记录。对于非沉积运动状态，热点可能偏离喷嘴，此类数据点需手动剔除。
**距离对测量的影响**
实验二结果显示，在73 mm距离差条件下，各半径的平均温度差异约为2°C，其中3像素半径的最大偏差达3.5°C，而2像素半径差异最小（1.5°C）。整体而言，距离变化引起的温度波动仅为数摄氏度，处于相机标称精度（±2°C）范围内，表明系统在整个打印体积内无需频繁重新标定即可稳定工作。
**温度监测半径优化**
实验三通过比较低、中、高三个帧区间的温度曲线发现：R2信号极不稳定，存在大量尖峰，温度在50-105°C范围内剧烈波动，表明受喷嘴热辐射严重干扰；R3温度主要集中于50-60°C，行为更为一致，但在顶层偶有42-55°C的局部波动；R4曲线整体更稳定，孤立尖峰减少；R5则出现比R4更频繁、更显著的波动。RMSE量化结果证实，从R2到R3时RMSE降低15.6%，而R3到R4仅降低3%，R4到R5仅降低0.45%。R3与R4的RMSE差异仅为1.52°C（约3%），表明R3为最优半径，可在最小化喷嘴辐射干扰的同时保持空间精度。
## 讨论与结论
研究人员指出，热点追踪方法相较卷积神经网络（CNN）机器学习方案具有显著优势：无需针对不同打印机重新训练，通用性强，仅需确保喷嘴为场景中温度最高且可见的元素即可。当前以像素为单位的半径设置建议改为毫米标定，以便于跨系统应用；采样点数量亦可优化以适应更大半径下的空间覆盖需求。代码改进方向包括：增加打印件区域判断条件以排除外部温度数据，基于打印速度阈值自动剔除非沉积运动数据，以及通过低发射率胶带遮蔽打印机主体以减少假热点干扰。
本研究的PDT数据为探索热历史与力学性能的关系提供了新参数，可整合至工艺优化与材料建模中。尽管当前在PLA桌面机上验证，该方法经适配后可扩展至PEEK、PEI等高性能聚合物的高温打印系统——如Orion打印机的前玻璃面板局部改造方案。实时热监测与力学分析的整合，有助于工程师优化打印参数、提升零件可靠性、预测潜在缺陷，从而加速从实验设计到工业规模增材制造的转化。
**研究结论**：本研究提出了一种低成本的MEX增材制造原位温度监测方法，用于捕获沉积前层温度。该方法采用基于Python的工作流程，结合热成像与OpenCV技术追踪对应于打印喷嘴的热点。实验结果表明，采用3像素半径（约2.6-3.5 mm）采集热数据，可在最小化喷嘴辐射尖峰变异性与保持空间精度之间实现最优平衡。通过直接捕获制造过程中的热历史，该方法提供了决定层间力学性能的关键工艺数据。与需要大量数据集和针对不同装置重新训练的机器学习方法不同，热点追踪方法具有稳健性和打印机无关性，前提是喷嘴为温度最高点且打印过程中保持可见。尽管本研究在PLA桌面打印机上进行验证，该方法可适配于高温系统和高性能聚合物，其中热历史对于零件性能、预测建模及最终认证至关重要。
