基于声学-振动侧信道的智能复合材料增材制造深度学习监测

《Journal of Composites Science》：Intelligent Side-Channel Acoustic–Vibration-Based Monitoring for Additive Manufacturing of Smart Composites Using Deep Learning

　　

可靠的在线监测对于提升智能复合材料体系增材制造中的过程监管、质量保证与机器状态识别至关重要。研究人员提出了一种非侵入式声学-振动侧信道监测框架，利用两台打印机Bambu Lab A1 mini与Bambu Lab P1P的实验录音识别熔融沉积成型(FDM)打印工况。研究考察了四种代表性打印案例：简易钥匙、复杂钥匙、双钥匙与回抽测试。原始声学与振动信号被转换为区间级统计特征，包括6个声学描述符与提取自X、Y、Z三轴的18个振动描述符。在分层五折交叉验证下，研究人员以仅声学、仅振动及声振融合输入条件分别构建了基线深度神经网络(DNN)与增强残差注意力深度神经网络(RA-DNN)。声振融合特征取得最优性能：RA-DNN在A1 mini上准确率达96.75%、精确率96.91%、召回率96.75%、F1值96.70%；在P1P上准确率达98.19%、精确率98.25%、召回率98.19%、F1值98.18%。结果表明声学-振动侧信道信号可为智能化且质量感知的FDM监测提供有效的过程特征。

研究背景与问题提出

增材制造(AM)因可成型复杂几何、柔性生产与功能集成构件而在航空航天、汽车、生物医学等领域获得广泛关注，其中熔融沉积成型(FDM)凭借低成本与材料灵活性成为聚合物基与复合材料制造的主流工艺之一。智能复合材料增材制造的最终性能不仅取决于材料组分，还受打印工艺、刀具路径策略、层间沉积行为、热历史与机器动力学影响。现有监测多依赖机器视觉、热成像等需直射视线或昂贵硬件的手段，而非侵入式声学-振动信号能反映喷嘴运动、电机驱动、皮带传动、挤出与回抽行为及机架动态响应，却长期被局限于信息安全侧信道泄露视角，未被充分转化为面向制造的过程签名。此外，多数研究未将时域声振分类与FDM力学行为（刀具路径诱发运动、打印机动力学、过程稳定性）系统关联。为此，研究人员在《Journal of Composites Science》报道了一项基于开源头信道数据集再处理的研究，旨在将声振侧信道重新诠释为过程诱导动态签名，并构建深度学习框架对四类打印案例进行分类。

主要关键技术方法

研究人员选取公开3D打印机音频与振动侧信道数据集中Bambu Lab A1 mini（笛卡尔架构）与P1P（CoreXY架构）两台机器录制的三类重复信号，聚焦简易钥匙、复杂钥匙、双钥匙与回抽测试四类案例。声学信号转为幅度时域序列，振动信号保留X/Y/Z三轴加速度；以固定1000读数区间为单元，提取均值、标准差、最小值、最大值、均方根与峰峰值，声学得6维、振动三轴共18维描述符，融合为24维向量并经Min–Max归一化。分类器采用基线全连接深度神经网络(DNN)与加入残差连接和注意力模块的残差注意力深度神经网络(RA-DNN)，以Adam（学习率0.001）、分类交叉熵、批大小32、100轮、随机种子42训练，在声学仅、振动仅、声振融合三种输入下做分层五折区间级交叉验证。

研究结果

2.1 实验数据集

研究人员使用两台运动架构不同的FDM平台与四种几何/运动差异明显的案例（同足迹不同槽深分辨率、多对象沉积、高分层回抽垂直特征），证明不同机器在相同任务下产生可区分声振响应，为跨平台特征判别提供基础。

2.2 信号预处理

通过将连续录音切片为1000读数区间并计算6+18个统计描述符，研究人员把高采样时域信号压缩为区间级特征行：A1 mini振动3822行、P1P振动3030行、各机声学200行；融合采用类内区间配对而非原始信号同步，形成四类别平衡的24维样本空间。

2.3 深度学习

基线DNN由全连接层、ReLU、Dropout与Softmax组成；RA-DNN在其中插入残差跳跃连接保存浅层表达，并设注意力模块对隐藏向量h做sigmoid门控重加权（α、β为可训练参数，⊙为逐元素乘），配合批归一化。结果显示融合输入与RA-DNN组合最优。

3.1 实验结果

径向时域图显示P1P的X/Y振动范围窄（?0.1393~0.1695、?0.1739~0.1743）、Z轴负向集中（?1.0806~?0.9202），A1 mini横向振动更宽（X：?0.3770~0.3430，Y：?0.2628~0.2375），印证架构差异导致力学声学签名不同。

3.2 特征

圆形统计特征图表明振动18维在0~1归一后覆盖更广，声学6维虽样本少但四类平衡；振动提供主要特征体量，声学提供紧凑幅度补充。

3.3 深度学习结果

A1 mini上DNN声学/振动/融合准确率70.01%/78.50%/88.24%，RA-DNN升至94.38%/91.50%/96.75%；P1P上DNN为74.50%/84.00%/90.43%，RA-DNN为95.84%/93.50%/98.19%。混淆矩阵中简易钥匙与复杂钥匙、双钥匙与回抽测试间易混，融合RA-DNN对角线主导最强。

讨论与结论翻译

讨论指出，时域数值差异证实侧信道可反映几何与运动依赖的AM行为；区间统计成功把原始信号转为紧凑可比签名；RA-DNN残差与注意力比基线DNN更能捕捉力学诱导模式；融合声幅与振动机械响应可达最高判别力；误分类集中于几何/动力相近案例；该非侵入框架具备在线监测潜力，可嵌入机器状态识别与质量反馈层而不改硬件。

结论部分翻译如下：本研究提出一种基于声学-振动侧信道的FDM增材制造监测框架，使用A1 mini与P1P两台打印机对简易钥匙、复杂钥匙、双钥匙与回抽测试四类案例建模，将原始信号转为6声学+18振动区间统计特征，并在仅声学、仅振动、声振融合下比较DNN与RA-DNN。融合特征最优，RA-DNN在A1 mini达准确率96.75%、精确率96.91%、召回率96.75%、F1 96.70%，在P1P达98.19%、98.25%、98.19%、98.18%。核心结论是声学与振动信号可表征与打印机运动、刀具路径变化、回抽行为及多对象沉积相关的过程签名，支撑智能复合材料增材制造中的过程监管、机器状态识别与质量感知监测。研究局限在于未做打印件级分离验证，未来将在未见打印批次、更多复合材料、多打印机缺陷预测与可解释AI方向拓展。