卡内基梅隆大學的研究人員開發了一種新穎的人工智能方法，可以簡化金屬部件3D列印過程的監控。該方法沒有使用昂貴的高速錄影機，而是使用低成本的聲音和熱量發射傳感器來實時重建關鍵參數。
該研究的從業人員表示，“我們的系統使用深度學習來記錄過程參數的實體過程，優點之一是及早發現因粉末熔化不足而引起的缺陷，這些關鍵缺陷顯著削弱了部件的機械性能。人工智能支援的钛合金選擇性雷射熔化監測在檢測此類缺陷方面顯示出重要價值。”
LPBF 列印室内的實驗和傳感器設定
過程監測和量化在許多制造過程中得到了發展，旨在提高品質和效率。對于某些衆所周知的制造過程，如計算機數控（CNC）加工，利用力/振動傳感等監測技術來檢測加工缺陷和刀具磨損。其他熱傳導驅動的工藝，如注塑和鑄造，也采用離位後處理品質量化方法，如切片、計算機斷層掃描（CT）或非破壞性材料測試，以優化工藝參數，如材料流入速率、冷卻時間或模具尺寸。
對于LPBF（雷射粉末床融合）工藝，熔池形态——熔池在任何給定時刻的大小和形狀，以及它沿掃描線或在一層中的變化——是過程工程師最關心的特性之一。熔池的動态振蕩可能導緻熔池形态随時間發生不期望的變化，并可能引發各種列印缺陷，如飛濺噴射、雷射吸收減少、不穩定的重熔比、由羽流引起的雷射阻塞、軌道末端的異常，甚至層間結合不良（LOF）。
然而，盡管廣泛使用了某些已知的理論模型和仿真工具，如Rosenthal或Eagar–Tsai方程，但精确地捕捉瞬态熔池狀态仍然是一個挑戰，因為這僅僅是初始列印條件和列印過程中時間戳的函數。此外，由于LPBF過程高度機械化和自動化，制造商也有興趣将熔池監測與工藝設計相結合，以實作線上列印表征和優化，進而通過穩健而精細的閉環過程控制實作最小缺陷的建構。
鑒于LPBF過程的高度複雜性和動态實體特性，以及線上過程感覺和品質管理的價值，引入實時原位視覺監測熔池的技術至關重要。這種技術能夠實時提供熔池的動态變化資訊，幫助工程師們準确掌握列印過程中的關鍵參數和狀态。通過實時分析熔池的形态、溫度分布等關鍵名額，可以及時發現潛在的列印缺陷，并采取相應的措施進行調整和優化。
實時原位視覺監測技術不僅可以提高列印品質和效率，還可以為工藝改進和創新提供有力的支援。通過收集和分析大量的熔池監測資料，可以建立更加準确的工藝模型，揭示LPBF過程的内在規律和機制。這将有助于推動LPBF技術的持續發展，為制造業的轉型更新和高品質發展注入新的動力。
雷射開啟事件被用作三個獨立資料通道的同步錨點。根據聲學接收器和建構點之間的距離手動表征聲學延遲時間
卡内基梅隆大學的研究人員提出了一種基于機器學習（ML）的流程，該流程能夠利用聲發射（AE）和光電二極管收集的熱輻射時間序列資料，以高度時間分辨的方式推斷熔池的視覺特性，如圖1所示。結果不僅證明了利用聲學和光電二極管信号來量化熔池關鍵動态特征的可行性，還進一步探索了聲學、熱輻射以及瞬态熔池圖像資料之間的實體相關性。
實驗結果顯示，通過輸入聲學和熱輻射資料的組合，模型在熔池幾何特征預測方面達到了0.85的評分。時間視窗的參數研究結果表明，流程能夠在短至1.0的時間視窗内實作熔池的準确視覺跟蹤。此外，還開發了一種新的熔池跟蹤評估名額，用于評估預測品質，該名額涵蓋了熔池寬度和變化性等關鍵實體特征。
作為驗證案例，展示了所提出的資料驅動方法能夠在不同局部熱積累狀态下檢測掃描線級别的層間熔合不良（LOF）缺陷，進而證明了該方法在實時缺陷表征方面的潛在能力。相信這項工作朝着多模态和成本效益高的LPBF過程監測邁出了有價值的一步。
該研究以“Inference of highly time-resolved melt pool visual characteristics and spatially-dependent lack-of-fusion defects in laser powder bed fusion using acoustic and thermal emission data”為題發表于
Additive Manufacturing
來自：AM-Insights 增材制造技術前沿
歡迎大家參加長三角G60雷射聯盟舉辦的活動：
雷射智造在新能源汽車中的應用：
2024年7月29日-31日，安徽合肥豐大國際大酒店
歡迎您參會、歡迎參展！