面向增材制造机器学习过程监控的冗余分析与缓解
计算工程、金融与科学
2025-05-01 v1 机器学习
信号处理
摘要
机器学习（ML）驱动的过程监控系统的部署显著推动了增材制造（AM），使其能够实现实时缺陷检测、质量评估和过程优化。然而，冗余是 ML 驱动 AM 过程监控系统部署和运行中的关键且常被忽视的挑战。过度的冗余导致设备成本增加、模型性能受损以及高计算需求，成为工业采用的障碍。然而，现有研究缺乏冗余的统一定义以及其评估和缓解的系统框架。本文定义了 ML 驱动 AM 过程监控中的冗余，并将其分为样本级、特征级和模型级冗余。提出了综合的多级冗余缓解（MLRM）框架，集成数据注册、降维、跨模态知识迁移和模型修剪等先进方法，以系统性地减少冗余的同时提高模型性能。该框架通过针对定向能量沉积（DED）的基于 ML 的原位缺陷检测案例进行验证，显示出 91% 的延迟降低、47% 的错误率下降以及 99.4% 的存储需求降低。此外，所提出的方法降低了传感器成本和能源消耗，实现了轻量级、成本效益高且可扩展的监控系统。通过定义冗余并引入结构化的缓解框架，本研究确立了冗余分析与缓解作为生产环境高效 ML 驱动过程监控的关键使能器。
引用
@article{arxiv.2504.21317,
title = {Redundancy Analysis and Mitigation for Machine Learning-Based Process Monitoring of Additive Manufacturing},
author = {Jiarui Xie and Yaoyao Fiona Zhao},
journal= {arXiv preprint arXiv:2504.21317},
year = {2025}
}
备注
13 pages, 5 figures, 2 tables. Accepted by IDETC-CIE 2025