基于深度学习模型的超声声导 Additive Manufacturing 高级预测质量评估
机器学习
2025-02-19 v2 计算机视觉与模式识别
摘要
超声声导 Additive Manufacturing (UAM) 采用超声波焊接技术连接相同或不同金属箔片于基底上，形成实心、浇铸金属组件。然而，某些加工条件可能导致层间缺陷，影响最终产品的质量。本研究开发了一种基于深度学习卷积神经网络 (CNN) 的 in-process 质量监控方法。对所开发的 CNN 模型进行评估，其分类能力用于在五个功率水平 (300W, 600W, 900W, 1200W, 1500W) 下，对带有和不带热电偶的样本进行分类，采用带监督标签的热成像图像。为不同情景创建了四个不同的 CNN 分类模型，包括无热电偶 (基线) 和带热电偶的情况、仅无热电偶 across 功率水平、仅带热电偶 across 功率水平，以及无热电偶和带热电偶 combined across 功率水平。该模型在 combined 基线和热电偶图像上达到了 98.29% 的准确率，在基线图像 across 功率水平上达到 97.10%，在热电偶图像上达到 97.43%，在两种类型 across 功率水平上达到 97.27%。该高准确率 (超过 97%) 表明该系统在识别和分类 UAM 过程中条件方面具有有效性，为制造环境中的质量保证和过程控制提供了可靠工具。
引用
@article{arxiv.2410.24055,
title = {Advanced Predictive Quality Assessment for Ultrasonic Additive Manufacturing with Deep Learning Model},
author = {Lokendra Poudel and Sushant Jha and Ryan Meeker and Duy-Nhat Phan and Rahul Bhowmik},
journal= {arXiv preprint arXiv:2410.24055},
year = {2025}
}
备注
J Intell Manuf (2025)