Surveillance basée sur l'apprentissage machine de la fusion de poudre laser dans un lit

Résumé Une approche en deux étapes basée sur l'apprentissage machine pour la surveillance de la fusion de poudre laser dans un lit (LPBF) est démontrée, permettant des évaluations en temps réel des soudures de pistes laser. Tout d'abord, les données vidéo in situ du bain de fusion acquises pendant le LPBF sont étiquetées selon (1) la moyenne et (2) l'écart type de la largeur individuelle des pistes et aussi (3) si la piste est continue ou non, mesurée après construction par un algorithme d'analyse de carte de hauteur ex situ. Cette procédure génère trois ensembles de données étiquetés comme vérité de terrain pour l'apprentissage machine supervisé. En utilisant une partie des extraits vidéo étiquetés de 10 ms, une seule architecture de réseau de neurones convolutifs est entraînée pour générer trois réseaux distincts. Avec les données LPBF in situ restantes, les réseaux de neurones entraînés sont testés et évalués et se révèlent capables de prédire la largeur de la piste, l'écart type et la continuité sans avoir besoin de mesures ex situ. Cette approche en deux étapes devrait bénéficier à tout système LPBF – ou toute technologie de fabrication additive – où les propriétés dérivées de la carte de hauteur peuvent servir d'étiquettes utiles pour les données des capteurs in situ.