利用定向能量沉积过程中高光谱原位监测进行钢-铜多材料名义组成的数据驱动预测

《Additive Manufacturing》：Data-driven prediction of nominal composition of a steel to copper multi material using hyperspectral in-situ monitoring of the Directed Energy Deposition process

　　

基于激光的定向能量沉积（DED-LB）能够制造多材料和成分梯度金属部件。然而，确保打印过程中的准确局部成分仍然是一个主要挑战，这对于具有强差异物理和热物理特性的系统尤为关键。在本研究中，提出了一种高光谱原位监测方法，用于检测并量化 316L 到 CuCr1Zr 多材料结构制造过程中的成分变化。高光谱成像捕捉熔池的空间分辨光谱发射，提供其热状态和辐射状态的高维表示，对材料成分变化敏感。基于卷积神经网络（CNN）训练了一个数据驱动模型，以在各种加工条件下将高光谱特征与局部成分比例相关联，从而能够在沉积过程中实时分类成分状态。所提出的方法在识别成分转变和检测偏离设计梯度的偏差方面表现出高精度，即使在 Fe-Cu 系统固有的熔池不稳定性存在的情况下也是如此。后处理表征证实，高光谱预测与测量的元素成分之间高度一致。这些结果突显了高光谱原位监测和 CNN 分类作为多材料 DED-LB 实时成分传感和闭环控制强大工具的潜力，为更可靠的功能梯度金属部件制造铺平了道路。

基于激光的、喷粉式定向能量沉积（DED-LB）工艺是一种复杂的金属零件 3D 打印制造工艺。高功率激光加热并熔化金属工件，细金属粉末通过喷嘴吹入熔池。随着激光和喷嘴的移动，熔融金属凝固，逐层构建以创建最终零件 [1]。虽然该工艺能够生产几何形状复杂的零件 [2]、[3]，但粉末流的实时调整还允许制造多材料部件 [4]、[5]。成分变化改变功能特性，可以在整个构建过程中进行局部定制，提供了前所未有的几何和功能设计自由度的结合。

在铜基和铁基合金之间制造机械性能良好的成分梯度将对航空航天、能源、模具与冲头、电子等部门的许多应用有益 [6]、[7]、[8]。然而，它们在热物理性质（如导热系数、熔点、反射率和热膨胀系数）上的明显差异使其接合处容易出现缺陷。结合高热梯度，残余应力的形成、元素偏析以及脆性界面区域的发展通常会导致增材制造（AM）功能梯度材料（FGM）中的裂纹和未熔合缺陷 [4]、[9]、[10]、[11]。

最近的研究表明，高铜含量会导致熔池不稳定，由于铜的高反射率导致能量吸收减少以及快速热传递，所有这些都会阻碍熔融合增材制造工艺中稳定的层间结合的形成 [5]、[9]。发现裂纹萌生主要发生在晶界缺陷和成分边界处，两者都因热膨胀和力学性能不匹配而集中应力 [11]。钢/铜合金系统的裂纹敏感性作为其熔体成分函数进行了研究。发现 9 wt% 到 50 wt% 的铜含量对于裂纹的发展至关重要 [12]、[13]，因此需要适当的成分监测工具来避免这种情况。

由于工艺稳定性和最终材料性能高度依赖于熔池的成分和温度，因此需要对 DED-LB 工艺熔池进行（组合）成分和热监测 [7]、[11]。大多数现有的 DED-LB 工艺采用光学或热原位监测传感器来观察熔池，包括同轴安装的视觉相机、高速成像、高温计和红外热成像 [14]、[15]、[16]。虽然这些光学和热传感方法可以提供关于熔池不稳定性或不规则性的有价值信息，但这些方法产生间接的热或几何数据，并不能提供关于沉积焊道局部材料成分的见解。

光发射光谱（OES）已被研究作为确定材料确切元素成分的 analytical 技术 [4]、[17]、[18]，包括 DED-LB 工艺中的熔体 [4]、[17]、[18]、[19]。Wasmer 等人在 Ti-Nb 材料系统的四个成分类别中获得了 89.02% 的平均分类准确率，其中 OES 采集时间显著延迟了生产过程。

基于激光的光谱方法也被用于监测增材制造过程中的材料成分。激光诱导击穿光谱（LIBS）通过检测激光与材料相互作用产生等离子体时形成的发射线提供快速的元素分析。许多使用 LIBS 进行的研究成功地确定了合金成分，并展示了金属中元素之间的变化，例如含有微量元素的 Al 合金 [20]；追踪 Al-Ti 合金熔体中的 Ti 浓度 [21]；确定 Cu-Ni 合金中的成分 [22]，并在 220 毫秒内对 180 种钢材合金达到 98% 的分类准确率 [23]。最近的研究将 LIBS 与机器学习（ML）方法相结合，以实现增材制造过程中的缺陷检测和材料表征 [24]、[25]、[26]、[27]。然而，原位 LIBS 的成功实施仍然存在挑战。通常，LIBS 系统需要复杂的光学系统和高功率脉冲激光器，这造成了高成本并增加了系统集成复杂性。此外，大多数 LIBS 系统使用原位或准静态测量操作，不允许在材料沉积期间进行连续原位监测。此外，获得的 LIBS 值受等离子体动力学、工艺参数和背景噪声的极大影响；所有这些使得在动态熔池中准确获得定量成分数据变得困难。

Pandiyan 等人 [28] 展示了一种传感器融合策略，将光学和声发射（AE）信号与卷积神经网络（CNNs）相结合，以监测基于激光的粉末床熔融（PBF-LB）中的多材料成分，结果通过潜空间识别了 5 种不同材料的聚类。虽然传感器融合比通过单个传感器的分类更稳健，但它使用了两个独立的传感器（即光探测器和麦克风），因此需要传统 PBF-LB 处理系统中通常找不到的额外硬件和校准。其次，本研究中使用的光学传感器具有单个宽带通道，不能提供空间分辨信息。同时，人们对利用人工智能（AI）、机器学习（ML）和深度学习（DL）算法分析由先进原位监测设备收集的大量数据日益依赖。CNNs 是适合图像处理的 DL 算法，已成功用于处理增材制造应用中的原位监测图像，包括识别熔池状态以进行分类、识别熔池中的缺陷以及识别存在噪声测量数据时的工艺状态 [29]、[30]、[31]。与先前材料成分监测研究中使用的浅层 CNN 和合同学习架构相比 [19]、[28]，本工作采用了一种更先进的 CNN 架构，在完整的高光谱数据立方体上进行端到端训练，在具有挑战性的 Fe-Cu 系统上实现了更高的分类准确率。

本工作的目标是探索高光谱成像是否提供了监测熔池成分的原位替代方法。通过同时以多个波长捕捉熔池图像（见图 1），高光谱成像使得能够收集关于熔池辐射（与发射辐射相关）和热特性的详细信息 [32]。单个高光谱相机因此提供了关于熔池几何形状、温度（分布）以及潜在地与其成分相关的光谱信息的空间分辨信息，使其成为熔池监测（和控制）策略的一个非常多功能的工具 [31]、[33]、[34]、[35]。因此，所提出的解决方案与 OES 相比具有更快的采集时间优势，而 LIBS 需要额外的硬件组件。虽然许多研究致力于高光谱成像技术在遥感应用中的开发，例如监测大规模（卫星）系统的温度，但对增材制造应用（如分析工艺和检测缺陷）的高光谱成像兴趣正在增加 [36]、[37]、[38]、[39]。然而，在多材料沉积期间的原位元素分析几乎完全由点光谱技术解决，即 OES 和 LIBS，它们采样单个位置且不熔池跨越空间分布。HSI 在成分监测中的应用在文献中尚待探索。

本研究旨在确定原位高光谱监测与数据驱动模型的结合是否能够识别并量化 Fe-Cu 多材料结构 DED-LB 制造过程中成分变化。考虑了多种浅层和深层模型，并确定了最合适的模型。

材料与方法
本节第一部分描述了本研究产生的实验设置、工艺参数和样品。本节第二部分详细说明了数据集、预处理步骤和数据驱动模型，用于生成能够使用高光谱熔池图像预测局部熔池成分的模型。

高光谱数据集的探索性分析
在评估 CNN 模型之前，对第 2.3 节中描述的高光谱数据集进行了探索性数据分析（EDA）。使用降维技术，该分析提供了关于光谱变异性、类别可分性和数据整体结构的定性见解，从而为后续的分类结果建立了背景。

结论
本工作的主要贡献是：
•原位高光谱熔池图像数据集：使用 DED-LB 实验装置制造了具有五个标称 Fe-Cu 成分类别的薄壁样品，生成超过 900,000 张原位近红外高光谱熔池图像的数据集。对均匀和梯度样品进行了 EDS 测量，以表征标称成分与测量成分之间的关系。尽管测量成分与标称值不同。

CRediT 作者贡献声明
Charles Snyers：写作 – 审阅与编辑，写作 – 初稿，可视化，验证，软件，资源，方法论，调查，形式分析，数据整理，概念化。Houda Houban：写作 – 审阅与编辑，写作 – 初稿，可视化，方法论，调查，数据整理。Zoé Jardon：写作 – 审阅与编辑，形式分析，概念化。Reynier I. Revilla：写作 – 审阅与编辑，形式分析。Dieter De Baere：写作 – 审阅与编辑。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢
本工作由弗拉芒研究基金会（FWO）通过 FWO-SBO 项目 GRADED（资助号 S001926N）资助。

Charles Snyers|Houda Houban|Zoé Jardon|Reynier I. Revilla|Dieter De Baere|Jan Helsen|Micha?l Hinderdael