基于机器学习的激光粉末床熔融中逐层过热异常的光电二极管数据检测
机器学习
2024-03-22 v1 应用统计
摘要
过热异常检测对于激光粉末床熔融（LPBF）增材制造（AM）所生产零件的质量和可靠性至关重要。本研究聚焦于利用光电二极管传感器数据进行过热异常检测。光电二极管传感器能从熔池采集高频数据，反映过程动力学和热历史。因此，所提出的方法提供了一个机器学习（ML）框架，利用光电二极管传感器数据进行逐层过热异常检测。在此过程中，从原始光电二极管数据中提取了三组特征：MSMM（均值、标准差、中位数、最大值）、MSQ（均值、标准差、四分位数）和MSD（均值、标准差、十分位数）。这三个数据集被用于训练多个机器学习分类器。我们采用代价敏感学习来处理基准数据集中“异常”层（受过热影响）和“正常”层之间的类别不平衡问题。为了提高检测精度，我们提出的机器学习框架采用了多数投票集成（MVE）方法。通过一个案例研究对所提方法进行了验证，该案例研究包含一个公开的基准数据集，该数据集来自一个在某些层故意引入过热异常的LPBF试样的光电二极管测量数据。案例研究结果表明，MSD特征在所有分类器中表现最佳，并且MVE分类器（平均F1分数为0.8654）优于单个机器学习分类器。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%），超越了使用同一基准数据集的现有文献方法。
引用
@article{arxiv.2403.13861,
title = {Machine Learning-based Layer-wise Detection of Overheating Anomaly in LPBF using Photodiode Data},
author = {Nazmul Hasan and Apurba Kumar Saha and Andrew Wessman and Mohammed Shafae},
journal= {arXiv preprint arXiv:2403.13861},
year = {2024}
}
备注
12 pages (including references); 5 figures; 4 tables