Towards reproducible machine learning-based process monitoring and quality prediction research for additive manufacturing

基于机器学习（ML）的监测系统已经广泛开发，以增强增材制造（AM）的印刷质量。使用传感器获取的原位和过程数据可用于训练ML模型，以检测过程异常、预测零件质量并调整过程参数。然而，所提出的AM监测系统的可重复性尚未得到研究。尚未有一种方法来评估和改善在AM和ML联合领域中的可重复性。因此，通常从出版物中缺少复制研究所需的关键信息，因此基于出版物复制的系统通常无法达到声称的性能。本文建立了该领域的可重复性定义，提出了可重复性调查流程，并编写了可重复性检查清单。如果使用不同的实验设置由不同团队复制研究时可以获得与原始研究相当的性能，则该研究是可重复的。可重复性调查流程会逐步指导读者完成所有必要的复制步骤，在此过程中，可重复性检查清单将有助于从出版物中提取可重复性信息。通过复制基于视觉的翘曲检测系统的案例研究，证明了所提出的流程和清单的使用和有效性。观察到，可重复性检查清单可以帮助作者验证出版物中提供了所有关键的可重复性信息。调查流程可以帮助确定缺失的可重复性信息，这些信息应从原始作者那里获取，以实现声称的性能。

验证基于机器学习的增材制造监控系统的可重复性是否得到保证

提出了一种验证增材制造和机器学习领域可重复性的方法，包括定义可重复性、建立可重复性检查清单和可重复性调查流程

论文提出了一种验证可重复性的方法，通过案例研究验证了该方法的有效性，可以帮助作者验证提供的信息是否足够用于重现实验，同时也可以帮助读者识别缺失的关键信息

最近的相关研究包括：1. Anomaly Detection in Additive Manufacturing: A Review 2. Deep Learning-Based Monitoring of Laser Powder Bed Fusion Process