Machine Learning-based Layer-wise Detection of Overheating Anomaly in LPBF using Photodiode Data

过热异常检测对于激光粉床熔化成形（LPBF）增材制造（AM）生产的零件的质量和可靠性至关重要。本研究侧重于使用光电二极管传感器数据检测过热异常。光电二极管传感器可以从熔池中收集高频数据，反映了过程动态和热历史。因此，提出了一种机器学习（ML）框架来利用光电二极管传感器数据进行逐层检测过热异常。为此，从原始光电二极管数据中提取了三组特征：MSMM（平均值、标准差、中位数、最大值）、MSQ（平均值、标准差、四分位数）和MSD（平均值、标准差、十分位数）。这三个数据集用于训练多个ML分类器。成本敏感学习用于处理基准数据集中“异常”层（受过热影响）和“正常”层之间的类不平衡。为了提高检测准确性，我们提出的ML框架涉及使用多数投票集成（MVE）方法。本研究使用一个案例研究演示了所提出的方法，包括一个开放的基准数据集，该数据集包含来自LPBF样品的光电二极管测量值，其中某些层存在故意的过热异常。案例研究的结果表明，对于所有分类器，MSD特征表现最佳，而MVE分类器（平均F1分数为0.8654）超过了单个ML分类器。此外，我们的机器学习方法在检测逐层过热异常方面取得了优异的结果（平均F1分数提高了9.66%），超过了使用相同基准数据集的现有文献中的现有方法。

论文旨在利用光电二极管传感器数据，提出一种机器学习框架，用于逐层检测激光粉床熔融成形过程中的过热异常，以提高零件生产的质量和可靠性。

论文提出了一种利用光电二极管传感器数据进行逐层检测的机器学习框架，并使用多数投票集成方法来提高检测准确性。该方法提取了三组特征数据，采用成本敏感学习来处理基准数据集中“异常”层和“正常”层之间的类别不平衡问题。

论文使用了一个开放的基准数据集，并对比了多种机器学习分类器的性能。实验结果表明，所提出的方法在检测逐层过热异常方面表现优异，比现有方法有更高的检测准确性。此外，论文还开放了相关的代码和数据集。

在这个领域中，最近的相关研究包括：1. “A Deep Learning Framework for Real-Time Defect Detection in Additive Manufacturing”；2. “In-Process Quality Monitoring and Control of Laser Powder Bed Fusion Additive Manufacturing Using Optical Emission Spectroscopy”；3. “Thermal Imaging for Quality Control in Laser Powder Bed Fusion Additive Manufacturing”等。