熔池图像的可靠分类架构对于增材制造中的实时监测和控制至关重要。它可以识别实际和所需工艺参数之间的差异，这些因素的不一致可能导致3D打印部件出现缺陷。此外，根据分类结果调整工艺参数可以促进熔池几何形状的一致性，从而提高零件质量。除了分类之外，熔池图像的受控生成还可用于数据生成、分类器训练以及沿扫描路径的离线工艺参数优化。
© 白皮书
ETH-苏黎世联邦理工学院的《MeltPoolGAN: Auxiliary Classifier Generative Adversarial Network for melt pool classification and generation of laser power, scan speed and scan direction in Laser Powder Bed Fusion》研究中介绍了 MeltPoolGAN，这是一种新颖的机器学习架构，专为处理这两项任务而设计。该架构能够对多达 371 个类别进行分类，其中包括激光功率、扫描速度和扫描方向等工艺参数。
论文链接：
https://www.sciencedirect.com/science/article/pii/S2214860423004815
一致性能的追求
众所周知，LPBF 粉末床金属熔融3D打印结果容易受到孔隙或裂纹等缺陷的影响，这些缺陷是由 3D 打印过程中发生的复杂物理过程（例如激光束喷射或材料蒸发）引起的，这些缺陷与熔池的特性，特别是其形状和温度分布密切相关。
此外，业界众多研究强调了在增材制造过程中保持熔池过程中控制的重要性，这可以使构建的零件具有一致的性能。
熔池几何形状的变化会影响打印零件的微观结构和机械性能，导致强度、韧性和其他材料性能的差异。此外，还会引起孔隙和其他缺陷，从而对3D打印部件的性能和可靠性产生负面影响。因此，控制熔池的几何形状对于实现具有一致的材料特性和最小缺陷的高质量打印部件至关重要。
© 白皮书
因此，开发一种算法来验证所需的工艺参数（例如 G 代码文件中指定的参数）是否与打印过程中实际使用的参数相匹配也很有价值。两者之间的潜在差异可能是由于校准不正确或不准确造成的，随着时间的推移，磨损或意外问题可能会导致机器偏离其校准状态。例如，随着时间的推移，激光功率输出、激光镜或相机可能会出现校准错误。这些差异可能会导致缺陷，从而降低3D打印部件的质量。如果算法检测到实际激光功率高于指定值，或者扫描速度较慢，则可能导致材料过热和金属过度蒸发。
低激光功率或高扫描速度会导致融合不足，前者会导致被困的金属蒸气形成孔隙，而后者会导致不合格。此外，如果机器以次优激光功率或速度进行3D打印，可能会导致颗粒熔化和粘合不充分，这会削弱颗粒间和层间的结合，从而在最终产品中产生潜在的缺陷。
最后，如果在 LPBF 工艺过程中所需扫描方向与实际扫描方向不匹配，可能会导致意外的热梯度，从而影响零件的微观结构。这种不匹配还会引入各向异性，使零件的机械性能具有方向依赖性，并影响表面光洁度，导致不一致或粗糙度增加。
从识别到控制
能够生成与工艺参数相对应的熔池图像将是有利的，因为该任务有两个重要的好处。首先，它可以用作数据生成器来训练其他数据驱动的架构。其次，在实际制造过程之前，从业者可以使用与沿激光路径选择的工艺参数相对应的生成的熔池图像来识别关键点，并在必要时调整输入参数。最后，通过使用生成的熔池图像，可以优化沿激光路径使用的工艺参数，以最小化熔池几何形状的变化。
© 白皮书
因此，可以看出，有两个任务需要解决：基于激光功率、扫描速度和扫描方向等工艺参数对熔池图像进行分类和加工工艺控制。
与仅对最多 6 个类别（由单个工艺参数组成）进行分类的最新技术相比，苏黎世联邦理工的研究类别总数以及工艺参数显着增加。通过此输入，MeltPoolGAN 的功率和扫描速度类别分类准确度达到约 97%，扫描方向估计误差低于 3 度，使其成为可靠的解决方案。
此外，MeltPoolGAN 能够根据输入参数以受控且灵活的方式生成合理的熔池图像。最后，由于该架构是在两个不同的数据集（公开可用的 NIST 美国国家标准与技术研究院数据集和内部创建的ETH苏黎世联邦理工学院数据集）上进行训练和测试的，因此也证明了其作为通用 AI 模型的稳健性和能力。
对于熔池图像的分类，苏黎世联邦理工的研究使用类别、类和组合的术语。类别代表更高级别、更一般的数据分组，每个类别至少包含一个类。当来自不同类别的类被组合时，就创建了一个组合。例如，存在三个主要类别：激光功率、扫描速度和扫描方向。每个类别还包含其自己的一组类，对应于特定类别内的不同值。这最终会产生一个熔池图像，它是三个类别的组合，每个类别都从相应的类别中选择。
研究人员使用卷积神经网络 (CNN) 根据一个类别（图像大小）对 4 种不同类别的 NIST 美国国家标准与技术研究院图像进行分类。该架构使用 2,763 张图像进行训练，并使用其他 2,926 张图像进行测试，分类准确率达到 90.8%。
因此，ETH-苏黎世联邦理工的这项研究旨在通过回答以下研究问题来应对上述挑战：
- 预处理熔池图像并结合激光功率、扫描方向和速度等输入参数的最佳方法是什么？
- 辅助分类器生成对抗网络 (ACGAN) 是一种适合分类和控制生成的机器学习架构吗？
- 开发的机器学习架构是熔池图像领域的通用模型吗？
- 与现有最先进的方法相比，所提出的方法有哪些优点和局限性？
图: MeltPoolGAN 的工作流程涉及带有生成器的生成部分，该生成器将噪声和指示激光功率、扫描方向和扫描速度的类别作为输入，并输出相应的图像。此外，还有一个分类部分，鉴别器接收熔池图像并预测它是真还是假，以及相应的激光功率、扫描速度和扫描方向。最后，这些预测参数可以与打印过程中的预期参数进行比较。如果打印过程按照计划进行，则预测的和预期的输入参数应该匹配。
© ETH
鉴别器被设计为以两种不同的方式对输入图像进行分类。一方面，它区分真实图像和生成的（假）图像，这种区别主要与训练过程相关。另一方面，输入图像被分配到与激光功率、速度和扫描方向相对应的类别，这与熔池的旋转有关。本质上，鉴别器用于验证熔池的视觉外观是否与上述输入参数一致。
研究人员强调了他们的新颖的高斯交叉熵损失函数在扫描方向的准确分类中发挥的关键作用。这与其他更传统的损失函数形成对比，例如交叉熵损失或平均平均误差（MAE）损失，常规使用的损失函数在这种情况下未能实现收敛。
高斯交叉熵损失函数的独特优势在于它能够处理表现出类之间固有顺序或循环关系的数据。它承认预测的优点，虽然不准确，但接近实际类别。这与传统的交叉熵损失形成鲜明对比，在传统的交叉熵损失中，所有不正确的预测都被统一处理，而忽略它们与正确类别的相对接近程度。
因此，当预测与熔池旋转相对应的扫描方向类别时（表现出循环连续性和固有顺序），高斯交叉熵损失函数显然更合适。它承认数据的这些独特属性，而传统的交叉熵损失函数忽略了这些属性。此外，MeltPoolGAN 在使用循环 MAE 损失函数时未能收敛的原因可能是因为生成对抗网络 (GAN) 主要设计用于使用分类损失函数进行操作。
其次，三个输入参数（即激光功率、扫描方向和扫描速度）的解开对于有效生成和分类熔池图像至关重要。解开这些输入参数可以更灵活地生成具有不同激光功率、速度和扫描方向的图像。此外，这种解开提供了在数据集中不存在的输入参数之间进行插值的机会，从而无需使用 LPBF 粉末床熔融金属3D打印设备进行额外的实验运行即可创建新数据。
最终，MeltPoolGAN 主要根据工艺参数对熔池图像进行分类，缺乏直接识别缺陷模式（如锁孔或缺乏融合）的能力。尽管这是一个限制，但可以通过评估测量的过程参数与所需的过程参数之间的差异来识别可能导致此类缺陷的条件，这可能是由扰动引起的，例如 LPBF 机器元件的校准错误。为了能够识别特定的缺陷模式，需要具有此类缺陷的训练数据集。然而，这超出了本研究的范围，并且仍然是一项有前途的未来工作。
更多探索
研究所提出的机器学习架构作为通用人工智能模型 MeltPoolGAN 的能力是本研究的一个值得注意的方面。该架构的适应性通过对两个不同数据集的成功训练得到展示，每个数据集都具有一组与扫描速度和激光功率相关的独特输入参数。此外，在两个数据集的训练过程中，都会执行 0-359 度范围内的动态随机熔池旋转，进一步增强了机器学习模型的灵活性。
尽管数据集之间存在差异，但 MeltPoolGAN 架构在两种场景下都表现出了良好的性能，凸显了其适应性和鲁棒性。
ETH-苏黎世联邦理工的研究人员还在 MeltPoolGAN 架构上尝试了迁移学习的概念。具体来说，该架构在NIST 美国国家标准与技术研究院数据集 数据集上进行预训练，然后在 ETH 苏黎世联邦理工学院数据集上进行微调，反之亦然。然而，这种方法并没有带来更快的收敛或改进的结果。对此的一个可能的解释是，尽管数据集之间明显相似，但在类别、相应的过程参数和视觉外观方面没有重叠。因此，MeltPoolGAN 架构必须重新训练，这构成了当前研究的局限性。
此外，与 MLP 或 CNN 网络等当前方法相比，该架构的复杂性是一个缺点。这可能会导致训练时间更长或训练期间更容易出现不稳定现象。尽管如此，MeltPoolGAN 架构的优势，例如增强的分类能力和解开输入参数的能力，使其成为复杂数据生成和分类的宝贵工具。
总结
MeltPoolGAN 的重大贡献体现在以下几个方面：
- 分类类别数量大幅增加（与之前处理熔池图像的研究相比，增加了 6,000% 以上），允许对熔池图像进行更稳健的分类，更接近具有三个不同输入参数的真实场景。
- 输入参数的解开使得在使用不同的激光功率、速度和扫描方向生成和分类图像时具有更大的灵活性。
- 基于解开的输入参数控制生成看不见的熔池图像，节省了在实际机器上花费的时间，并加速了未来数据驱动算法的开发。
- 高斯交叉熵损失函数的实现可实现精确的扫描方向分类，从而能够成功训练有关扫描方向的机器学习架构。
- 展示了通用功能，其中 MeltPoolGAN 架构在两个不同的数据集（即公开可用的 NIST 美国国家标准与技术研究院数据集数据集和内部创建的 ETH 苏黎世联邦理工学院数据集）上展示了适应性、鲁棒性和良好性能。
- 与在两个不同数据集上测试的现有最先进方法相比，分类准确性具有竞争力且部分提高。
最后，就未来的工作而言，研究人员希望继续探讨以下内容：
- 研究其他相关工艺参数的纳入，例如层厚度、光束直径和材料属性，以进一步增强 MeltPoolGAN 在增材制造中的多功能性和实际适用性。
使用与各种缺陷状态相对应的熔池图像来训练 MeltPoolGAN。
- 开发实时质量控制系统，利用 MeltPoolGAN 架构来检测增材制造过程中熔池图像和工艺参数之间的差异，从而实现调解纠正措施并减少后期检查的需要。
论文链接：https://www.sciencedirect.com/science/article/pii/S2214860423004815#fig4
l 谷专栏 l
欢迎高校及科研机构、企业科学家加入谷专栏，与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果，欢迎扫描下方图片二维码提交您的信息。
白皮书下载 l 加入 QQ群：106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源
