粉末床激光成形熔池辐射强度信号的机器学习研究

作者：段玉聪; 王学德; 周鑫; 张佩宇; 郭西洋; 成星; 樊军伟

来源：航空学报, 2021, 1-11.

• 机器学习
• 粉末床激光成形
• 熔池辐射强度
• 异常识别
• 质量识别

粉末床熔融成形（Powder Bed Fusion, PBF）在航空航天等领域具有巨大的应用前景，但制造过程稳定性、质量可靠性难以保证一直是制约其工业应用的瓶颈，因此实施过程工艺监控和质量识别是保障制造质量的关键技术。在监测信号中，熔池辐射强度信号蕴含了丰富的熔池动态特征信息，反映工艺过程的稳定性和最终成形质量。但期望建立熔池监测信号（辐射强度、形貌、温度场）与材料科学现象（凝固组织、缺陷、表面粗糙）的直接联系较为困难。成形质量的在线分析可以归纳为分类问题，适合利用机器学习和算法开展深入探索研究。本文通过实施316L不锈钢成形实验，设置不同的工艺参数（部分偏离工艺窗口），成形过程中采集熔池辐射强度信号。通过数据分割、特征提取和特征选择对信号数据进行预处理，构建了用于机器学习的数据集。使用21种不同的机器学习算法，一是将熔池辐射强度数据按照工艺参数（如激光功率高、中、低）进行分类，经过训练的算法可以在实际生产中识别异常（辐射强度异常、代表激光功率和扫描速度偏离最佳状态）；二是将熔池辐射强度数据按照最终成形块体的质量（密度、表面粗糙度Ra值）进行分类，经过训练的算法可以在实际生产中识别质量。结果表明：对于熔池辐射强度的异常识别，二次支持向量机算法的分类效果最好，准确度达到96.4%以上；对于密度和表面粗糙度预测，由于样件质量与数据样本之间的复杂关系，预测结果呈现不同的分布情况，但是预测准确度均达到了96%以上。

• 单位
  空军工程大学