基于统计时间序列方法的激光粉末床熔融无监督在线异常检测：实验评估与可行性研究

《Structural Health Monitoring》：Unsupervised online anomaly detection in laser powder bed fusion via statistical time-series methods: An experimental assessment and feasibility study

　　

摘要

金属增材制造（AM）过程容易受到加工过程中故障的影响，这些故障会损害零件质量或中断打印。早期缺陷检测能够实现工艺干预，减少提前时间和材料浪费。本工作提出了一种用于激光粉末床熔融（LPBF）在线异常检测的统计时间序列框架。研究提出并评估了多种在线统计时间序列方法，利用统计检测准则和无监督数据集，基于用户定义的统计阈值来识别异常。为了实现在线检测并最小化训练数据需求，从同轴相机图像中提取熔池面积，创建压缩的单变量时间序列表示。两种随机模型结构——自回归（AR）和递归自回归（RAR）——学习预期的标称行为。通过统计假设检验将熔池判定为异常，检测灵敏度由标称响应的统计特性以及用户定义的I类和II类错误概率决定。提出了三种基于模型的检测方法，并与基线时间序列阈值法和自编码器（AE）重建误差方法进行了对比评估。检测测试在两种扫描几何图形下的自然和人工异常上进行了评估。表现最佳的两种方法是RAR参数置信区间检验和序贯概率比检验（SPRT），其虚警率分别为$0.11\%$和$0.25\%,$，优于基线阈值方法和基于AE的方法。RAR方法利用扩展的样本历史来提高预测准确性，而SPRT则通过调整决策窗口长度来实现在异常明显时的快速检测，以及在存在模糊性时在"不确定区域"内的扩展采样。这些统计时间序列结构健康监测方法尚未用于LPBF金属增材制造过程。结果表明，像熔池大小这样的简单、可解释特征，结合轻量级统计算法，能够从稀疏的无监督训练数据集中提供准确、快速的在线异常检测。