通过机器学习在LPBF金属 additive manufacturing（激光粉末烧结）中监测复杂几何形状的缺陷 Marcin Magolon Jan Boer Mohamed Elbestawi

《Journal of Manufacturing and Materials Processing》：Defect Monitoring of Complex Geometries Through Machine Learning in LPBF Metal Additive Manufacturing Marcin Magolon, Jan Boer and Mohamed Elbestawi

　　摘要
激光粉末床熔融（LPBF）能够制造复杂的金属部件，但容易出现缺陷，如气孔和裂纹，这些缺陷会降低部件的性能。我们提出了一种原位监测框架，该框架结合了结构传播的声发射（AE）技术和同轴双色测温技术，这两种技术以1 MHz的频率同步采集数据。针对不同模式的编码器分别进行预训练，提取它们的潜在表示，然后使用一个轻量级的特征级融合分类器（具有两个二元输出）来预测类似裂纹和气孔的缺陷。评估采用了一个保留的、按建造机器和部件分组的数据集，并结合了独立的Archimedes密度测量结果和微CT成像结果。在保留的测试集上，融合模型的裂纹检测F1分数为0.974，气孔检测F1分数为0.987，相应的AUROC分别为0.998和0.993。两个输出通道的召回率均为1.00，对应的假阳性率分别为11.18%（裂纹检测）和0.945%（气孔检测）。这些结果表明，同步融合AE和测温技术是一种有前景的高灵敏度原位监测方法，适用于LPBF工艺。随后在更严格的检查规则下进行了匹配实验，比较了AE+PY+Aux、AE+PY、AE单独使用以及PY单独使用的不同组合，在相同的分组数据处理协议下进行评估。这些结果共同支持多模态监测的重要性，同时也强调了需要明确区分试样和几何结构，并分别针对不同架构优化单模态基线。

1. 引言
激光粉末床熔融（LPBF）可以实现复杂金属部件的制造，但工艺中的非理想因素会导致气孔和裂纹等缺陷，从而降低机械性能和疲劳寿命[1,2]。因此，可靠的原位监测至关重要[3]。结构传播的声发射（AE）对与裂纹形成和凝固不稳定性相关的瞬态弹性事件非常敏感[4]，而同轴双色测温技术可以提供熔池行为的高分辨率热学代理信息，同时对发射率变化的敏感性较低[5]。由于这两种技术分别观测到不同的弹性和热学现象，它们是特征级融合的自然候选者[6]。之前的基于AE的实践几何结构评估表明，当几何结构改变传感条件时（尤其是在悬垂区域和其他边界敏感特征处），性能可能会下降[4,7]。这些观察结果促使我们引入互补的传感方法，并设计了考虑几何结构的实验方案。本研究专注于利用融合传感技术进行缺陷检测，将结构传播的AE技术与同轴双色测温技术集成在一个生产LPBF平台上，并同步采集1 MHz的数据，同时结合独立的Archimedes密度测量结果和微CT成像结果。当前的手稿报告了在具有不同几何结构的试样集上的裂纹和气孔检测结果，这些试样涵盖了悬垂部分、壁厚变化、水平通道和支持条件等多种情况。本研究通过可重现的数据采集和数据处理流程、多样化的实验设计，以及基于预训练的模态特定潜在表示的特征级融合分类器，推进了LPBF的原位缺陷检测技术的发展。研究结构被精心设计，以便可以在相同的分组数据处理协议下报告匹配的单模态基线和后续的几何结构分层评估结果。

2. 背景与技术现状
2.1 LPBF中的缺陷形成机制
2.1.1 气孔形成
气孔的形成机制及其不良影响在文献中已被广泛研究[8]。气孔的存在会影响LPBF部件的机械完整性，从而缩短其疲劳寿命[9]。图1展示了工艺参数选择如何影响铝合金LPBF加工过程中形成的气孔类型[10]。通常，气孔有多种分类方法，可以根据其几何形状（球形或非球形）进行快速分类。图1显示了在不同工艺参数下形成的典型气孔类型[10]。气体在粉末颗粒雾化过程中被捕获，会导致气孔形成，这些气孔通常是球形的[11]。球形气孔也可能源于LPBF过程中低熔点元素的汽化[12]。工艺引起的气孔形成机制主要与熔合不足和关键孔效应有关[13]，这类气孔是非球形的。熔合不足导致的气孔形成是由于连续熔池之间的重叠不够[14]。因此，粉末未熔化，从而降低了部件的整体密度。相比之下，关键孔效应是由于激光功率过高，导致金属蒸发并形成等离子体空腔[2]，这使得激光深入穿透熔融部分并在其中形成空腔[15]。

2.1.2 裂纹扩展
LPBF工艺的特点是冷却速率极快（约10^5°Ks^-1），从而在熔池周围产生较大的温度梯度[16]。这会导致残余应力，影响微观和宏观裂纹的形成，如图2所示。裂纹的性质和程度取决于LPBF工艺参数和所用材料[1]。DebRoy等人[1]识别了金属增材制造部件中可以观察到的三种裂纹类型：凝固裂纹、液化裂纹和分层裂纹。凝固裂纹通常发生在晶界处，通常由收缩和热收缩引起。液化裂纹与液膜的存在有关[17]，在液体和固相线之间的温度差较大、熔池尺寸较大或热收缩较大的合金中更为常见。分层裂纹发生在层界处的残余应力超过合金的屈服强度时[18]。它可能发生在部件与建造板之间或相邻层之间。虽然预热建造板是一种常见的降低裂纹和分层形成概率的策略，但其效果有限。因此，在LPBF过程中实时检测裂纹形成时，声发射传感器非常有用[19]。图2显示了通过不同能量输入（d）33 J/mm3和（e）297 J/mm3处理的B4C/Ti64复合材料的裂纹形成情况[20]。

2.2 原位监测用于缺陷检测
LPBF的原位监测利用多种传感技术来观察暴露过程中的缺陷相关现象[3]。视觉传感可以捕捉熔池大小、飞溅物和表面异常。热传感包括测温仪和红外成像。光谱传感使用光电二极管或光谱仪测量宽频段的光学发射，而声传感利用声发射（AE）传感器记录由快速应力变化产生的弹性波[4]。这些技术共同覆盖了熔池行为、粉末动态和部件固化的互补方面。数据量和采集速率过高，无法通过手动分析处理，因此需要使用机器学习从多传感器数据流中提取规律性，并将特征映射到缺陷指标[3]。在这方面的研究中，AE和双色测温技术特别适用于本研究所关注的缺陷类型。AE对与熔合不足和裂纹起始相关的瞬态事件敏感，结构安装在建造板上或内部，可以实现宽带捕获并方便集成[4]。双色测温技术可以减少发射率变化的影响，快速提供熔池的温度代理信息[5]，这与导致气孔和熔池不稳定的因素相关[21]。因此，专注于AE和测温技术可以针对气孔和裂纹的形成机制，同时保持与高频率采集和基于学习的检测方法的兼容性[6]。这些内容在表1中进行了总结。

2.3 声发射技术
声发射（AE）监测记录工件中由快速应力变化产生的瞬态弹性波[4]。在LPBF中，相关的声源包括塑性变形、微裂纹的起始和扩展、熔合不足事件以及关键孔效应[2,4]。AE通常作为结构传播信号通过安装在建造板上的压电陶瓷传感器进行采集，这提供了宽的可用带宽和在建造环境中的实际集成性[4]。有效的处理流程包括去噪和带限处理，然后将数据分割成与暴露事件或固定持续时间对齐的窗口[19]。常见的表示形式包括用于低延迟决策的时间域波形、通过快速傅里叶变换（FFT）或离散余弦变换（DCT）计算出的频域特征，以及短时傅里叶变换（STFT）或小波频谱图等时频图[29]。这些表示形式作为学习模型的输入，并支持跨不同建造和位置的标准化[19]。报道的方法包括经典的多层感知器（MLPs）和支持向量机（SVMs），以及基于FFT、STFT或小波特征的深度信念网络（DBNs）和卷积神经网络（CNNs）[29,30]。在不同数据集和几何结构下，研究通常报告的缺陷或状态识别准确率在70%到90%之间；基于编码器的降维和特征学习已被用于提高鲁棒性[4,19]。鉴于AE对微裂纹和熔合不足现象的敏感性，以及光谱和时频表示结合学习编码器的有效性，AE是测温技术的有力补充，适用于本文采用的融合传感器框架中检测气孔和裂纹相关缺陷[4,6]。代表性的基于AE的LPBF缺陷检测研究，包括其目标缺陷类别、信号处理流程、机器学习方法和研究结果，在表2中进行了总结。

2.4 测温技术
测温技术通过测量加工区域的热辐射，提供了一种快速的非接触式熔池温度代理[16]。在LPBF中，传感器可以同轴布置在激光路径上，实现任何建造位置的跟踪，或者偏离轴线布置在观察窗口中，以观察固定范围内的情况[5]。通常更喜欢使用双色（比率）测温仪，因为两个光谱带的比值可以减少对未知或变化的发射率、羽流和视场因素的影响，这些因素会干扰单色测量[5,16]。实际采集通常每个通道产生一个高频率的标量时间序列[5]。常见的预处理步骤包括去除虚假尖峰、基准线去趋势、跨层或扫描向量进行标准化，以及根据暴露事件或层进行分割，以将样本与工艺动作对齐[21,33]。然后从窗口化统计数据和简单的动态特征（如平均值、方差、范围、斜率和停留时间替代值）开始特征构建[21,33]。这些表示形式简洁轻量，适合高数据率，并为标准分类器提供良好的输入；研究表明，工程化的特征和紧凑的一维CNNs在分类测温数据流时效果良好[3,33]。报道的机器学习方法包括线性方法和核方法，以及通过浅层神经网络和紧凑CNNs。代表性的结果包括使用SVM、MLP、K-NN、逻辑回归和一维CNNs进行密度预测和气孔或空腔检测，准确率在80%到90%之间，具体取决于传感器位置、采样和标记策略[21,33]。层级热成像可以在某些缺陷类型上达到类似的准确率，但时间分辨率较低[33]；光电二极管是温度相关信号的低成本替代方案，但会牺牲空间信息[34]。这些比较表明，在需要标量高频率温度代理时，双色测温仪是一个强有力的选择[5,21]。测温技术的局限性在于其点状特性和对光学访问的依赖性。单波长设备受发射率变化的影响较大，而双色仪器通过比值处理可以减少这种影响，因此更适合用于生产过程的稳健监测[5,16]。当与其他模态结合使用并启用独立的真实值数据，并进行同步处理时，测温仪已被证明可以可靠地分类LPBF过程中的建造质量和异常检测[6,21]。在我们的研究设置中，测温技术被视为AE的补充手段：它能够捕捉与熔合不足和不稳定相关的热学现象，同时保持与高频率采集和特征级融合的兼容性[6,34]。这种作用利用了双色传感的优势，并与文献中的研究结果一致，文献表明简单、可靠的特征和基于测温数据的监督分类器可以有效提高检测效果[21]。代表性的基于测温的LPBF缺陷检测研究，包括传感器配置、目标缺陷类型、学习方法和研究结果，在表3中进行了总结。

2.5 单传感器方法的局限性
单传感器监测提供了有价值但不完整的LPBF工艺视图。每种传感技术只能观测到有限的现象集，并且受到特定模式的敏感性限制，这在几何结构变化和工艺条件变化时会影响独立的缺陷检测性能[3]。AE能够检测由快速应力变化产生的弹性波，因此对微裂纹和熔合不足事件很敏感[4]。然而，结构传播的信号取决于从源到传感器的耦合路径以及构建板和零件的机械边界条件；基材中的衰减和色散会降低高频信号的质量并扭曲波形，而来自夹具和墙壁的反射则使信号解析变得复杂[4]。在光栅扫描过程中，重叠的信号源会产生难以仅通过时域特征区分的混合信号；通常需要使用分割和频谱表示方法[19]。空气传播的麦克风可以避免与构建板的耦合，但会受到更大的阻尼和环境噪声的影响[30]。在实践中，声发射（AE）对于几何形状的变化非常敏感，因为这些变化会影响传播、阻尼和模式转换，这可能会降低在简单测试工件上训练的模型的泛化能力[4,7]。双色仪器可以减轻发射率的变化，但热成像仍是一种点测量方法，空间 contextual 信息有限。信号是视距传输的，可能会受到羽流、飞溅物和窗口污染的影响，这些因素会导致瞬态损失或偏差；光学对准和光斑大小会影响测量的是熔池还是周围的晕圈[5,16]。合金表面条件和氧化程度的变化即使对于比率测量方法也会影响表观辐射度[16]。作为标量通道，热成像能够捕捉温度趋势，但无法单独确定与裂纹形成相关的机械事件[5]。视觉和红外成像提供了空间 contextual 信息，但通常时间分辨率较低且数据量较大，并且容易受到光照、对焦和烟尘积累的影响[33]。光谱或光电二极管通道可以捕捉与工艺稳定性相关的宽带发射，但对于特定缺陷机制的检测来说是间接的，并且可能会受到羽流动态的干扰[34]。这些限制是互补的，而不是多余的。声发射对与裂纹和未融合相关的弹性事件最敏感，而热成像则能够捕捉与易出现孔隙的工艺和熔池不稳定性相关的热状态。单独使用任何一种方法都无法在各种几何形状和操作条件下稳健地区分所有相关的缺陷状态。这促使人们采用在特征级别结合多种传感模式的方法，以便用一种模式的优点来弥补另一种模式的不足[6,34]。

2.6. 文献中的传感器融合
已发表的激光粉末床熔融（LPBF）监测研究结合了互补的传感模式以提高缺陷的可检测性。典型的配置包括热-声学组合（同轴热成像与声发射）、热成像以及更广泛的异构传感框架[34]。在缺陷检测环境中，融合通常在特征级别或决策级别实现，或者通过混合架构实现[34,38]。典型的机器学习研究包括利用热成像和声学进行局部关键孔洞孔隙识别[6]、异构多尺度缺陷检测[38]、特征级多传感器融合[39]以及基于深度学习进行孔隙检测的数据融合[40]。
在缺陷检测环境中，融合通常在三个级别实现：(i) 特征级（早期）融合，将每个传感器的特征或学习到的编码连接起来并传递给共同的分类器；(ii) 决策级（晚期）融合，通过投票或加权汇总每个传感器的预测；(iii) 混合或潜在融合，在保留传感器特定分支的同时学习共享表示[34,38,39]。在这项工作中，我们采用了特征级融合：声发射和热成像的数据流通过适当的编码器进行处理，然后将得到的潜在特征连接起来进行分类，从而平衡了模型的容量、数据效率和可解释性[34,38,39]。
相关工作表明，即使直接检测缺陷不是目标，过程信号也可以编码几何形状或源位置 contextual 信息。在电火花加工（EDM）中，已经直接从过程监测数据中分类出了由几何形状介导的工艺特征[41]。在 LPBF 中，声发射的频率特征已被用来识别与激光运动模式、基板厚度和打印位置相关的源运动和定位效应[42]。本研究的不同之处在于目标和验证方式：它不是对几何形状或 contextual 因素本身进行分类，而是使用一组具有不同几何形状的试样，并分组实验/构建/机器/零件，以评估同步的声发射和同轴双色热成像是否能够支持针对独立的 Archimedes 密度和显微 CT 真实值的缺陷检测。因此，其贡献不仅仅是展示几何形状对过程信号的影响，而是将几何形状的变化纳入一个多模态缺陷检测工作流程中，该流程具有独立的缺陷标签和抗泄漏评估能力。

2.7. 复杂几何形状对缺陷检测的影响
复杂的几何形状会改变缺陷特征的可见性以及用于分类的传感器特征的分布[7,33]。在对一个实际鸟骨形状的先前评估中，基于声发射的模型在固体区域和具有诱导孔隙的带状区域内保持了较高的成功率，但在对应于 45 度悬垂的层中准确率下降，表明记录的特征出现了与几何形状相关的偏移，并且在训练数据分布中存在缺口。类似的行为也出现在已发表的研究中，这些研究指出对于复杂形状，声发射的分类准确率低于简单试样[4,30]。总的来说，这些结果表明几何形状可以改变弹性信号的传播和耦合，并且会影响与孔隙和裂纹相关的热条件，进而影响学习到的决策边界[2,4,33]。这些观察结果促使人们开发出考虑几何形状的数据集和评估协议，在这些协议中，每个试样都隔离特定的特征条件，然后可以在试样或几何形状级别对分组结果进行解释。在本研究中，实验方案涵盖了悬垂部分、壁厚变化、水平通道和支持条件，并配备了独立的真实值数据。这种结构旨在揭示几何形状的敏感性，支持在统一的分组分割协议下的分层分析，并提供基础，以评估当传感条件随着零件几何形状的变化时，融合传感是否比单一模态模型更加稳定。

3. 实验设置
3.1. 平台和材料
实验是在巴西圣保罗的 Omnitek 公司制造的一种生产用激光粉末床熔融（LPBF）系统上进行的，后来该系统被配置为多传感器采集模式。研究使用了 Inconel 625 材制的试样，旨在在不同几何形状下引发孔隙和裂纹相关行为。构建文件被设计用来生成名义上完好无损的和有意退化的材料条件，选定的几何特征用于探索单传感器难以检测区域的可见性。第 5 节详细介绍了试样系列和真实值程序。
环境和机器操作在整个构建过程中保持不变，以减少批次间的变异性。粉末处理和重新涂层程序遵循常规的生产流程，在暴露前验证了腔室压力和气体流动，并根据固定的检查清单重复了构建板的准备和对准。这些控制措施为后续的比较分析提供了稳定的传感条件。

3.2. 声发射传感
声发射（AE）能够监测由快速应力变化产生的弹性波，与缺乏融合和裂纹起始相关的事件相对应。一个结构传播的压电陶瓷传感器被安装在构建板内，以最大化耦合和可用带宽，同时限制声学路径的变异性。安装前清洁并重新湿润了接触表面以保持耦合。电缆路径被设计为减少机械诱导和电磁噪声，并远离移动的组件和电源电子设备。
AE 以 1 MHz 的频率连续采样，以保留瞬态内容而不引入触发偏差。连续采集避免了短时间事件的丢失，并简化了与其他通道的对齐。在数据收集之前，验证了通道的完整性和同步性。每次构建开始时都会进行定期的健康检查（基线噪声水平、 clipping 检测以及测试脉冲之间的通道相位一致性）。
非参与实验的硬件在可行的情况下被机械隔离，夹具在每次构建之间也会进行检查。这些措施减少了混淆信号的情况，并提高了数据集之间的可比性。
声发射测量使用的是来自美国新泽西州普林斯顿 Junction 的 Physical Acoustics/MISTRAS 公司生产的 Physical Acoustics WSα 宽带 AE 传感器（100–1000 kHz）进行。

3.3. 同轴双色热成像
双色热成像提供了一种非接触式的熔池温度测量方法，并通过比率测量减少了对发射率变化的敏感性。热成像仪以同轴方式集成，以跟随扫描路径并在整个区域内保持稳定的视图因子。选择了光学对准和光斑大小，以提高对熔池的敏感性，同时避免被工艺羽流饱和。每次构建前都会检查光学清洁度，并监测窗口状况以最小化随时间变化的衰减。
热成像仪的输出以 1 MHz 的频率采样，并与 AE 同步记录。在生产运行之前，验证了模拟输出的稳定性、对准情况和定时。使用短校准序列确认在固定暴露模式下的可重复信号水平。如果在运行过程中观察到任何漂移或尖峰，会重复对准和清洁程序。
同轴热测量使用的是来自德国 Steinbach 的 Sensortherm GmbH 公司的 Sensortherm METIS H322 高速双色热成像仪。

3.4. 硬件修改
为了实现热成像仪的同轴集成，需要使用在热成像仪检测波长范围内具有适当透射率的红外兼容扫描光学系统，同时保持激光在加工波长下的性能。原来的振镜和 F-Theta 镜片会衰减目标波长带，导致无法进行可靠的温度测量。系统通过更换组件进行了升级，这些组件在热成像仪波长范围内提供了足够的透射率，同时保持了激光在加工波长下的效率。在机械和光学集成后，通过对准和校准确认了适合分析的稳定、高频率的温度采集。

3.5. 数据采集系统
专用的多传感器数据采集系统能够以每个传感器 1 MHz 的频率同步捕获声发射和双色热成像仪的信号。数据采集系统接收来自机器控制器的数字曝光信号，并将其与传感器数据流一起记录下来，作为对齐的可靠时间参考。在使用短时间曝光和环路检查之前，验证了通道同步性和持续 1 MHz 的运行能力。该系统存储了带有构建标识符和试样元数据的原始、带时间戳的波形，以便后续的分割、标注和分析。
本研究中使用的专用多传感器数据采集平台包括定制的采集硬件和支持软件，由加拿大安大略省伯灵顿的 Pegmatis Inc. 公司开发。

4. 数据采集和同步
本节详细介绍了用于对齐、分割、标记和持续同步声发射和热成像信号的程序，以便进行缺陷检测分析。

4.1. 信号对齐和时间戳
所有模拟通道都以每个传感器 1 MHz 的频率从共同的数据采集系统（DAQ）时间基准进行采样。来自机器控制器的数字曝光线被记录为一个离散通道，作为将传感器数据与命令的激光活动对齐的主要参考。
每个样本都携带一个数据采集系统（DAQ）域的时间戳。在数据摄入过程中检测到曝光上升和下降边缘，并对其进行索引。这些索引为后续在矢量、羽状或层级别上的分割提供了确定的边界。
一个简短的前构建测试序列确定了声发射和热成像仪通道之间的任何固定偏移。测量到的偏移被消除，以便两个数据流共享一致的时间起点。通过交叉检查对重复已知曝光模式的响应来确认相位一致性。
通过比较每次构建中传感器流中的曝光边缘间隔与控制器的标称时间来监测时钟漂移。在使用的采集间隔内未观察到材料漂移；如果检测到漂移，则会在分割之前对时间戳进行线性校正。
运行日志记录了通道映射、采样设置、曝光极性、构建标识符和试样元数据。此日志伴随每个数据文件，并作为下游标记的真相来源。

4.2. 分割和标注
使用了两种互补的分割方案：
- 暴露对齐的段：由曝光边缘界定的窗口，适用于矢量或羽状级别分析，并可与构建日志事件配对。
- 固定持续时间的段：用于背景估计或预期张量大小均匀的模型。
除非另有说明，否则曝光对齐的窗口在两侧对称地添加了短上下文，以捕获瞬态的开始和衰减。固定持续时间的窗口通过控制重叠来平衡样本数量和独立性。
每个段都继承了运行日志和曝光索引的标签：构建 ID、试样 ID、几何特征（例如悬垂、壁厚、通道和支持结构）、层号、段类型和传感器类型。Archimedes 密度和显微 CT 的真实值结果在试样或区域级别关联，并传播到相关段。
为了减少批次间的变异性，在特征构建之前对通道幅度进行了标准化。声发射使用基于每个构建的中位数和四分位数范围的稳健缩放方法。热成像仪信号使用基线减法并进行每个构建的缩放，以便模型消耗相对的热趋势而不是绝对值。标准化参数随数据集一起存储，以确保精确的可重复性。

4.3. 管道和吞吐量
高频率的数据流被缓冲在内存中，并以连续块的形式写入磁盘，同时曝光通道并行处理以生成所有后续阶段的事件索引。这种设计保证了连续的采集而不出现间隙，并保持了低延迟，以便进行完整性检查。
轻量级的索引记录了曝光边缘位置和时间戳，使得可以随机访问特定向量或层而无需重新扫描整个数据流。
保持了高速的采集率和存储规划。在1 MHz的采样频率下，使用16位样本时，单通道每秒产生1,000,000个样本 × 每个样本2字节 = 每秒2,000,000字节 ≈ 每秒2MB的数据量。一小时内：2MB/秒 × 3600秒 = 每通道每小时7.2GB。两个相同设置的通道每小时产生14.4GB的数据量；四个通道则产生28.8GB的数据量。如果使用32位样本，这些数值会翻倍。通过分块处理和基于清单的索引技术，可以在不损失精度的情况下处理大规模数据集。

4.4 数据质量检查
系统监控了ADC的饱和度、缺失或畸形的曝光边缘、数据丢失以及缓冲区溢出情况。任何警报都会触发立即停止并重新进行测量。自动化检查确认了以下内容：(i) 各通道长度在允许的范围内；(ii) 曝光边缘计数与构建日志一致；(iii) 不同模态下的段边界对齐；(iv) 不存在NaN值或被裁剪的区域；(v) 所有数据块的完整性哈希值。对于每次构建，都会从两种模态中选取少量数据并进行可视化处理，并叠加曝光信息以确认对齐情况和预期的动态变化。如果发现差异，会在将其纳入分析数据集之前重新采集数据或重新分段。

5. 设计实验 (DOE)
本节描述了用于生成几何特征感知数据集的试样家族、缺陷类别以及几何特征。同时还定义了真实的测试程序以及评估重复实验中特征一致性的方法。

5.1. 试样设计
试样的设计涵盖了不同的材料质量和几何复杂性。DOE包括：(i) 通过控制密度制成的Inconel 625立方体，用于区分不同的缺陷类别；(ii) 针对特定特征的样品，这些样品用于模拟悬垂结构、壁厚变化、水平通道和支持策略。

5.1.1. 缺陷类别
基准立方体按照之前的工艺-结构-属性映射关系，通过调整工艺参数在三种目标密度（约89.9%、约97.5%和约99.9%）下制造。DOE还包括故意设计成以裂纹为主、孔隙为主或混合结果的试样，以提供多样化的缺陷类型供检测任务使用。

5.1.2. 悬垂结构
为了探究几何形状对传感和分类的影响，制造了具有15°、30°和45°悬垂角度的固体样品。这些样品从10毫米的正方形基座开始，逐渐增加形状并达到标称的10毫米高度。悬垂结构会减少局部支撑并改变热传播路径，这对声发射（AE）的传播和熔池行为有已知的影响。

5.1.3. 壁厚
壁厚为0.5毫米、1.0毫米和2.0毫米的试样被制作出来，并固定在一个20毫米×10毫米×3毫米的基座上。墙壁的高度为7毫米，间距为2.5毫米。这种设计改变了导热面积和刚性，有助于分析热特征和弹性特征对薄特征制造的影响。

5.1.4. 水平通道
包含内径为6毫米、8毫米和10毫米的圆形水平通道的试样被打印出来，既有实体形式也有控制密度的变体。通道外壁的厚度至少为3毫米，样品长度为15-20毫米。这些样品模拟了封闭特征，其中热视图因子和弹性路径都发生了变化。

5.1.5. 支撑结构
支持敏感型试样由10毫米的立方体组成，具有多种类型的支撑结构。支撑结构至少高1毫米，并被布置以模拟实际中的不同支撑方式，涵盖大块结构和局部特征。这些样品提供了声波传输和热边界条件与自由站立固体不同的情况。

5.2. 真实值获取
独立的真实值通过Archimedes密度测量和微计算机断层扫描（micro-CT）来确定。基准立方体的密度类别通过Archimedes确认，而微CT则提供了孔隙结构和裂纹迹象的体积证据（如适用）。这些方法应用于所有DOE因素中，以确保训练和评估的一致性。

X射线计算机断层扫描使用了麦克马斯特大学提供的Nikon M2系统。

5.3. 特征一致性
为了评估重复性和区分几何效应与随机变异，DOE包括了在每个密度水平以及具有代表性几何特征的重复实验。特征一致性通过以下方式评估：
- 使用曝光对齐的窗口，对每次实验的AE和测温仪表示进行运行间比较，同时考虑每个段的统计数据和与匹配的向量或层索引的相关性；
- 对于名义上完全相同的区域，跟踪层内描述符的稳定性，通过变异系数和分布测试来衡量；
- 在固定工艺参数的情况下改变单一特征（例如悬垂角度），以此来归因于几何变化导致的观察到的变化。

这些程序得到了第4节中定义的同步采集和标准化分割策略的支持，确保检测结果反映了真实的类别和几何差异，而不是采集或标记过程中的伪影。

6. 监控和融合方法
本节描述了用于生成声发射（AE）和测温仪潜在表示的预训练的模态特定编码器、下游特征级融合分类器、分组训练程序以及辅助过程特征的作用。在本手稿中，AE和测温仪编码器应被视为上游的潜在生成阶段。第7节中报告的缺陷分类结果是由下游监控分类器处理导出的AE和PY潜在表示得到的，而不是通过在每次监控实验中重新训练整个原始信号编码器堆栈得到的。以下澄清是为了区分编码器设计原理与结果部分报道的分组融合研究。

6.1. AE编码器
输入和预处理。AE以同步的1 MHz波形形式摄取，并根据第4节的方法进行分割。对于每个 segment，形成两个并行分支：
- 时间分支：原始波形（经过每次构建后的鲁棒缩放）直接提供给可学习的特征提取器；
- 频率分支：使用FFT或DCT对 segment 进行变换，生成适合学习的紧凑频谱。研究表明，在LPBF中，频域表示相对于原始时间信号可以提高缺陷分类的准确性。
每个分支都使用轻量级的Conv1D → 汇聚 → 循环堆栈来捕获局部模式和时间上下文，然后投影到潜在向量。卷积用于总结短距离结构，汇聚用于降采样，LSTM层捕获序列依赖性。两个潜在向量被合并并投影到融合阶段使用的最终AE潜在表示。选择时间加频率分支是基于已发表的证据，即频率变换（FFT/DCT）和学习的编码器（包括VAE）可以提高缺陷检测的可分离性。
这一阶段的目的是将高速声波窗口压缩成保留缺陷相关信息的潜在向量，同时减少呈现给监控头部的维度。在本研究中，报告的缺陷分类结果是由下游分类器处理导出的AE潜在表示得到的，而不是通过对原始波形进行端到端训练得到的。因此，详细的编码器架构和任何编码器阶段的增强并不适用于第7节中报告的下游融合分析。

6.2. 测温仪编码器
同轴双色测温仪流式数据按照第4节的方法进行分割，并进行基线归一化，以便模型能够消耗相对的热趋势。先前的研究表明，工程化特征或过滤带可以提高热传感器相对于原始信号的分类准确性。对每个 segment 应用滤波器组，形成一组带限通道。这些带限通道是通过训练数据的探索性方差/PCA分析或先前的特征筛选得到的，从而生成噪声敏感度较低的紧凑表示。过滤后的多通道序列通过 Conv1D → 汇聚 → LSTM 堆栈处理，然后投影到PY潜在表示进行融合。
与 AE 类似，这些潜在表示总结了与局部熔池状态相关的热行为，同时避免了在融合阶段直接对整个原始标量序列进行端到端训练。第7节中报告的结果是由下游分类器处理导出的测温仪潜在表示得到的，而不是通过在每次监控实验中重新训练整个原始信号编码器得到的。

6.3. 特征级融合
AE和PY潜在向量被合并，形成下游监控分类器使用的传感器特征表示。当启用辅助过程参数时，这些特征会通过一个小型嵌入网络传递，然后再与传感器潜在表示进行融合。下游分类器是一个具有密集层的紧凑多层感知器，包括批量归一化和丢弃机制。下游分类器使用两个二进制输出头：一个用于裂纹类指示，另一个用于孔隙类指示。既没有裂纹类也没有孔隙类指示的 segment 被视为正常/高质量。
同样的下游头可以使用仅包含 AE 或仅包含 PY 的输入进行评估，只需禁用未使用的模态路径即可。因此，这些仅包含 AE 或仅包含 PY 的变体被视为框架内的消融实验，而不是单独优化的单模基线。

6.4. 训练和增强
分组制造实例而不是单个 segment 进行分割，以确保同一实验/制造机器/部件单元的数据不会出现在训练、验证和测试中。下游分类器使用Adam优化器进行训练，并采用加权二元交叉熵目标函数进行训练。在分割构建过程中使用分组分层，以提高裂纹类和孔隙类在训练、验证和测试中的出现频率一致性。
AE潜在表示、PY潜在表示和辅助过程参数特征仅使用在训练分割上拟合的统计数据进行标准化，然后不变地应用于验证和测试数据。模型选择采用了提前停止、在学习平台期降低学习率以及可审计的检查点机制。在检查点审计过程中保留了可疑检查点的防护机制：如果验证检查点过于乐观，则会被记录但不会被纳入最终模型选择。决策阈值在训练后在验证集上校准，然后在保留的测试评估中固定。阈值选择可以根据每个头的监控目标优先考虑高召回率、F1分数或召回率，同时考虑最低精度要求。在本监控研究中，阈值选择倾向于高召回率，因为在安全关键和严格监管的制造环境中，误报比漏报更可接受：未被标记的真实缺陷可以接受额外的检查或裁决，而未被标记的错误缺陷可能会被忽略。
修订后的训练流程编写了分割组、预处理统计信息、阈值、检查点审计结果以及每个 segment 的预测文件，以便直接从保存的样本中重新生成最终表格。

6.5. 辅助过程特征
辅助过程特征提供了关于制造过程的粗略背景信息。这些特征仅包括在制造之前或期间可用的变量，例如指令过程中的设置和派生的能量密度术语。辅助变量通过一个小型的密集网络嵌入，并在融合前进行降权处理，以防止过程背景信息主导传感器衍生的潜在特征。它们的影响通过使用相同的分组分割和阈值校准协议进行的匹配消融研究来量化。在解释这些结果时，辅助变量应被视为背景协变量，而不是传感器证据的直接替代品。辅助路径带来的显著性能提升表明，过程背景信息对当前框架下的分离能力有实质性影响。

7. 结果
本节报告了在1 MHz采样频率下获得的同步声发射（AE）和双色测温仪的检测结果。首先定义了数据集和评估协议，然后总结了模态验证和融合缺陷分类的结果。模型在训练分割上进行训练，在验证分割上进行调优，并在保留的分组分割上进行评估，以防止结果泄露。分别报告了裂纹类和孔隙类检测的准确率、精确度、召回率、误报率、F1分数、AUROC以及相应的混淆矩阵。输入、分割和标记方法遵循第4节；编码器和融合设置遵循第6节。

7.1. 数据集和评估协议
本小节定义了本研究使用的数据集、标签、分割方式和度量标准。所有信号都是以1 MHz采样频率同步获取的AE和双色测温仪数据，并按照第4节的方法进行分割。所有 segment 都继承了运行清单中的分组标识符。在修订后的训练流程中，分割是在分组实验/制造机器/部件实例上进行的，确保没有相同的分组制造单元出现在训练、验证和测试中。每个 segment 都带有两个二进制缺陷标签：裂纹类指示和孔隙类指示。既没有裂纹类也没有孔隙类指示的 segment 被视为正常/高质量。几何元数据标识了相关的试样家族和特征级别。
试样级别和区域级别的标签来源于Archimedes密度测量和微CT（第5节）。由于无法直接进行点对点工具路径注册，segment 标签通过曝光索引和运行清单继承了最详细的试样或区域级别的真实值。在分割之前，会排除与饱和区间、数据丢失或畸形曝光边缘相交的 segment。质量控制过滤后的计数和分割组成由修订后的训练流程自动记录。
在分割过程中使用分组分层，以提高裂纹类和孔隙类在训练、验证和测试中的出现频率一致性，同时保持部件/制造机器之间的独立性。对于每个输出头，我们报告了准确率、精确度、召回率、误报率、F1分数、AUROC以及相应的混淆矩阵。相同的评估流程也支持在相同分组分割条件下进行的单模消除实验的对比报告。初步融合结果对应于用于主要研究的原始分组分割实现，并在原始的非可疑检查点选择规则下被保留。后续仅使用AE、仅使用PY、AE + PY以及AE + PY + Aux的重跑是基于更严格的检查点筛选标准进行的框架内匹配敏感性研究，因此不应被解释为对初步融合模型结果的直接复制测试。用于定义名义条件、孔隙主导条件和裂纹主导条件的过程参数组合列在表4中。用于实施几何感知DOE的试样系列、名义尺寸和特征级别总结在表5中。表4：按缺陷类别分类的过程参数。表5：试样几何形状和特征级别。7.2. AE验证：AE以1 MHz的频率记录，并作为在多层和扫描线上的共注册波形和光谱进行审查。信号幅度随施加功率系统性地变化，时间包络中显示了迹长效应。在给定的零件内，层间模式保持一致，且显著的AE瞬变与热成像流中可见的特征同时发生。在所有DOE设置中，AE特征因环境而异，但在重复测试中保持稳定。7.3. 热成像验证：同轴双色热成像的时间序列检查和频域视图显示出在层间和扫描线上的可重复的准周期行为。幅度包络随扫描路径长度变化，而显著的热成像瞬变与AE记录中的事件同时发生。在给定的零件内，层间模式保持一致；在AE耦合随高度减弱的区域，热成像继续报告稳定的热趋势，并能分辨出单线暴露，如支撑迹线。这些观察结果与之前强调的轴向集成准备度和传感器间事件一致性一致，它们为下面报告的定量分析提供了依据。以下小节总结了过程参数和材料对之前实验中观察到的热成像光谱的影响：功率主要影响光谱幅度，扫描速度大致成比例地改变一次谐波，条纹宽度则反向影响基频，合金选择会产生材料依赖的频谱偏移。7.3.1. 过程参数和材料属性的影响：初步测试确认了新同轴安装中热成像的操作和准确性，记录的温度显示出有趣的行为。在预期温度稳定的情况下，出现了周期性模式，记录的温度显著变化，如图3中的时间序列图所示。这种模式在相应的FFT中表现为一系列谐波频率峰值。在Ti64样品的数据中，激光功率为250 W、扫描速度为900 mm/s、开槽间距为0.08 mm、层厚度为0.04 mm时，一次谐波出现在大约80 Hz。为了理解这些数据，开发了一个包含三种激光功率水平（250、300和350 W）和三种扫描速度水平（900、1000和1100 mm/s）的DOE，并对Ti64和H13粉末进行了重复测试。以下部分将讨论收集的数据以及激光功率、扫描速度和材料对频率响应的潜在影响。图3：生产Ti64零件过程中记录的温度数据的时间序列图和FFT图。(a) 时间序列—Ti64-250 W @ 900 mm/s； (b) FFT—Ti64-250 W @ 900 mm/s。7.3.2. 激光功率对温度数据频率响应的影响：图4中的图表包括在不同激光功率和恒定扫描速度下生产的Ti64零件的FFT图。虽然频率峰值的幅度随激光功率的增加而增加，但它们的相对位置似乎没有变化，始终大约出现在80 Hz、160 Hz、240 Hz和300 Hz。图4：在不同功率和恒定扫描速度下生产Ti64零件过程中记录的温度数据的FFT图：(a) 250 W @ 900 mm/s；(b) 300 W @ 900 mm/s；(c) 350 W @ 900 mm/s。7.3.3. 扫描速度对温度数据频率响应的影响：与激光功率不同，扫描速度的变化似乎对一次谐波的位置有成比例的影响。图5显示了在900、1000和1100 mm/s扫描速度下暴露于250 W激光功率的Ti64零件的FFT图。可以清楚地看到，随着扫描速度的增加，一次谐波的位置也增加了。在900 mm/s时，一次谐波出现在大约80 Hz；在1000 mm/s时，它出现在大约87 Hz；在1100 mm/s时，它出现在大约95 Hz。当比较在1000 mm/s和2000 mm/s下暴露的零件的FFT时，这种关系更加明显，如图6所示。虽然峰值的幅度不同，但在2000 mm/s下暴露的样本中的一次谐波出现在大约180 Hz，大约是1000 mm/s下暴露的样本中一次谐波的两倍。图5：在不同扫描速度和恒定激光功率下生产Ti64零件过程中记录的温度数据的FFT图：(a) 250 W @ 900 mm/s；(b) 250 W @ 1000 mm/s；(c) 250 W @ 1100 mm/s。图6：在1000和2000 mm/s扫描速度下生产Ti64零件过程中记录的温度数据的FFT图：(a) 250 W @ 1000 mm/s；(b) 200 W @ 2000 mm/s。7.3.4. 材料属性对温度数据频率响应的影响：为了确定材料属性对温度数据频率响应的影响，对Ti64和H13粉末重复进行了相同的DOE实验。所有与激光功率、扫描速度和扫描路径相关的参数保持不变；因此，FFT的任何差异都是材料属性差异的结果。图7显示了在250 W激光功率、900 mm/s扫描速度、0.08 mm开槽间距和0.04 mm层厚度下暴露的Ti64和H13的FFT响应。虽然频率峰值的幅度不同，但它们之间的一次谐波位置有明显差异。尽管工艺参数相同，H13的FFT中的一次谐波出现在大约60 Hz，而Ti64中的一次谐波出现在80 Hz。图7：在固定激光功率和扫描速度下生产Ti64和H13零件过程中记录的温度数据的FFT图。(a) Ti64；(b) H13。7.3.5. 扫描路径对温度数据频率响应的影响：进行了额外的实验来探索扫描路径（扫描策略）可能对频率响应产生的任何潜在影响。开发了一个包含两种条纹宽度水平（如图8所示）和两种不同方向的DOE，这些方向相对于惰性屏蔽气体的流动。所有零件都以相同的激光功率（250 W）、扫描速度（900 mm/s）、开槽间距（0.08 mm）和层厚度（0.04 mm）进行暴露。图8：扫描路径和条纹宽度的示意图[43]。图9中显示的FFT结果表明，在改变扫描路径相对于惰性屏蔽气体流动的方向时，一次谐波的位置没有变化。然而，当条纹宽度从5 mm增加到10 mm时，观察到显著的变化。在这些情况下，一次谐波从5 mm时的80 Hz减半到10 mm时的40 Hz。图9：在恒定激光功率和扫描速度下生产Ti64零件过程中记录的温度数据的FFT图：(a) 5 mm条纹宽度，平行于屏蔽气体流动；(b) 10 mm条纹宽度，平行于屏蔽气体流动；(c) 10 mm条纹宽度，垂直于屏蔽气体流动；(d) 5 mm条纹宽度，垂直于屏蔽气体流动。7.4. 融合传感器缺陷分类：本研究的目的是使用AE和双色热成像的潜力的特征级融合进行缺陷分类（第6节）。输入、分割和标记遵循第4节。模型在训练分割上进行训练，在验证分割上进行调整，并在保留的测试集上进行评估，其中零件和构建被保留以防止泄露。报告的指标包括准确率、精确度、召回率、FPR、F1和AUROC。7.4.1. 整体性能：表6总结了按零件/构建/机器分离的保留测试分割的结果，表明融合的AE + 热成像模型在裂纹类检测上达到了F1 = 0.974，在孔隙类检测上达到了F1 = 0.987，且回收率为1.00。AUROC值分别为0.9975和0.9925。这些值与报告的基于AE的监测研究相比是有利的；然而，在本手稿中，直接的内部比较应来自第7.5节中报告的框架内匹配消融结果，而不是从外部文献中推断出来的。表6：测试集性能。7.4.2. 混淆矩阵：表7和表8分别报告了裂纹类和孔隙类检测的融合模型混淆矩阵。裂纹类操作点有意偏向召回率，因此比孔隙类操作点有更大的误报负担。具体来说，裂纹类混淆矩阵包含21,074个误报和0个漏报，而孔隙类混淆矩阵包含4055个误报和0个漏报。这种权衡是故意的：在安全关键和受监管的制造环境中进行缺陷筛查时，误报在操作上比漏报更安全，因为它会触发额外的检查、裁决或建造后的审查，而不是让潜在有缺陷的区域未经标记就通过。一些明显的误报也预计出现在试样或区域级别的标签边界附近，因为模型是在段级别进行预测的，而可用的真实情况更为粗略。因此，裂纹类检测器应被解释为一个保守的筛查模型，其干扰警报负担必须通过聚合和上下文化在面向操作员的部署前进行管理。表7：裂纹检测的融合模型混淆矩阵。表8：孔隙检测的融合模型混淆矩阵。7.5. 框架内匹配消融研究：在下游分类器上进行了匹配消融，使用相同的组分割概念、相同的阈值校准程序和相同的可疑检查点保护措施。这些运行应被视为共享潜势融合框架内的组件去除研究，而不是单独的架构优化单峰基线。消融活动还作为比原始主要融合模型运行更严格的检查点筛选政策的敏感性审计。因此，这里报告的值反映了共享框架内的模态去除和种子/检查点敏感性。它们提供了关于AE、热成像和辅助过程上下文的相对依赖性的信息，但并不是表6中主要融合结果的直接替代。仅使用AE和仅使用PY的行是在共享潜势融合分类器内的模态去除消融，不代表单独的架构优化单峰基线；更广泛地说，表9应被视为框架内的敏感性审计，而不是表6的直接替代。表9：三个种子（保留测试集，平均值±标准差）的框架内匹配消融结果。8. 讨论：本节将结果解释为使用1 MHz融合声发射和双色热成像的LPBF原位缺陷检测的背景。几何感知DOE和同步采集产生的数据集隔离了悬垂部分、薄壁、水平通道和支撑结构，使我们能够研究几何形状如何预期影响传感和分类。AE验证显示了层间模式的重复性，事件与热成像瞬变同时发生。热成像特征表明光谱幅度随功率变化，一次谐波随扫描速度增加，条纹宽度设定了几何基频，材料选择改变了光谱。融合模型在保留的测试集上提供了强大的整体性能；只有在报告了明确的分层分析时，才应解释特定于几何的性能。本节的其余部分讨论了三个问题。第8.1节解释了如果监测系统旨在用于实际零件，为什么试样设计中必须存在复杂几何形状。第8.2节总结了AE加上热成像融合的实际限制，包括耦合、视场因素、标记和可转移性问题。第8.3节讨论了这些发现对实时监测的含义，关注延迟预算、同步、通道健康检查和生产环境中的数据管理。### 在 coupon 设计中融入复杂几何形状的合理性

复杂的几何特征会改变传感器所观察到的现象以及信号的传播方式 [7,33]。悬挑结构可以减少局部热沉降并改变应力释放方式，从而影响 AE（声发射）的幅度和频谱内容，同时通过改变视野因子来修改测温器的热路径 [44]。薄壁和封闭通道会改变材料的硬度和导热面积，进而影响弹性波的耦合和熔池的稳定性 [45]。支撑结构可能会引入局部单线曝光区域，这些区域在热量上可能不明显，但在机械信息方面却很有价值 [46]。如果忽略这些因素，可能会导致对性能的乐观估计，并且在实际应用中泛化能力较差 [3]。通过设计能够控制悬挑角度、壁厚、通道直径和支撑策略的 coupon，本研究将几何形状的影响从偶然因素变为显性因素。这种设计为选择训练数据分布和设定现实的部署预期提供了依据，甚至在引入细粒度空间聚合之前也是如此。简而言之，考虑到几何形状的 coupon 设计可以将单传感器监测中的常见故障模式转变为模型开发和后期验证过程中的可测量因素。

### 8.2 AE 与测温融合的局限性

尽管 AE 与测温融合能够提高监测覆盖范围，但仍无法消除监测盲区 [6,39]。AE 对换能器与板材的耦合方式以及随零件高度和特征布局变化的传播路径非常敏感；模式转换、夹具的变异性以及局部阻尼都可能独立于缺陷状态而改变信号的幅度，从而混淆简单的阈值判断 [4,30]。仔细的安装和每次制造过程中的归一化可以减少这些影响，但无法完全消除它们。双色测温技术可以减少发射率的变化，但其信号仍然受视线限制，可能受到熔渣、飞溅物、窗口污染或部分遮挡的影响；作为标量通道，它能够捕捉热场信息，但无法单独区分机械裂纹事件 [5,21]。在 coupon 或区域尺度上通常可以获得准确的数据（例如使用阿基米德原理或微 CT），而推理则在部件或矢量尺度上进行；因此，过渡区和混合缺陷可能会引入标签噪声，即使模型表现正常，也可能会影响监测效果 [33,47]。在单一机器、特定合金或气体流动条件下训练的模型可能需要适应性调整才能在其他环境下通用；几何分布同样重要 [3,38]。当每种方式的应用频率为 1 MHz 时，窗口长度需要在延迟和上下文信息之间取得平衡；较长的窗口窗口可以更稳定地捕捉特征，但会延迟决策时间并增加内存需求 [3]。虽然特征级的融合可以保留每种方式特有的信息，但在不同方式之间的结果不一致或某个通道性能下降时，故障判断可能会变得模糊 [38,39]。这些局限性促使我们需要采取一些实际的保护措施：严格的同步（包括记录曝光信号）、几何形状平衡的训练数据集、每次制造过程中的归一化、通道健康状况检查、校准后的置信阈值，以及在光学系统、合金或流动条件发生变化时进行定期重新验证 [3]。

### 8.3 对 LPBF 实时监测的影响

研究结果表明，如果解决了一些实施限制，融合声发射（AE）和双色测温技术可以支持接近实时的监测 [6]。通过曝光对齐的分割和轻量级的 Conv-LSTM 编码器，可以实现低延迟的推理。最终的决策时间将取决于窗口长度、步长、预处理和推理成本，并应在目标硬件上进行测试 [3]。采用短视距的滑动窗口可以在响应速度和提供足够上下文信息之间取得平衡，以便及时处理瞬态事件。为了做出可靠的判断，需要记录曝光信号，在每次制造开始时估计通道间的固定偏移量，并在制造过程中检查信号变化。如果无法验证对齐情况，系统应降低置信度或推迟决策。在运行时应对通道健康状况进行监控（例如噪声水平、信号剪辑和丢弃率），并在某种方式性能下降时明确相应的处理方式（例如暂时切换到单传感器操作，并向操作员发出通知 [3]）。与其连续流式输出警报分数，不如生成每个矢量或每个层的缺陷概率，并将这些概率汇总为分层的质量分布图。这样的汇总结果应在各层之间保持稳定，以减少警报疲劳并便于追溯审查 [33]。当存储空间受限时，应优先保留能够保持审计能力的紧凑数据结构：曝光事件索引、每次制造过程中的归一化参数以及融合后的数据表示。可以保留以高置信度事件为中心的原始数据片段，以便后续评估，而无需存档完整的数据流 [3]。每当工艺窗口、光学系统、合金或气体流动条件发生显著变化时，都应重新检查监测性能。定期进行校准测试，以跟踪性能变化，并确认监测方法对于实际生产中的几何形状仍然有效 [3]。综上所述，考虑到这些因素，如果在特征层面上融合 AE 和双色测温技术，并结合严格的同步措施、规范的分割和报告政策以及定期的几何形状验证，就可以构建出实用的监测工作流程，用于检测孔隙率和裂纹相关问题。

### 9. 未来的工作方向

本节概述了基于本研究结果和局限性而提出的未来研究方向。重点在于提高空间可解释性、扩展监测覆盖范围、评估方法在不同平台和合金上的泛化能力，以及为将监测系统与监督控制系统连接起来做准备。

- **STL 感知映射与定位**：未来的工作应将模块级别的预测结果映射到构建坐标框架中，生成基于 STL 的缺陷概率场。这需要通过控制器日志将曝光指数转换为机器坐标，然后再将这些坐标映射到 STL 网格或体素化的零件表示中。随后可以在体素或工具路径邻域内对模块分数进行空间聚合，同时通过重复预测来传播不确定性。这样的场可以支持针对特定几何形状的阈值设定、有针对性的检测，并能够在共同的空间基础上与制造后的微 CT 结果进行直接比较 [9.2]。
- **集成其他传感器**：评估能够补充 AE 和双色测温技术所无法完全捕捉的现象的传感器，并量化它们在融合监测中的附加价值。候选传感器包括用于监测熔渣和飞溅物动态的轴向或非轴向高速成像传感器、用于宽带发射的光敏二极管或紧凑型光谱仪，以及用于检测表面异常的结构化层成像传感器。优先考虑的因素包括同步可行性、带宽和存储成本，以及能否在当前基于 coupon 或零件级别的几何形状感知报告中实现显著提升。融合策略可以包括特征级别的连接、在决策层对特定方法的信号进行整合，以及结合辅助重建损失的方法 [9.3]。
- **多材料和跨机器验证**：使用留一法（leave-one-domain-out）来评估不同材料和平台之间的泛化能力。例如，在 IN625 和 Ti-6Al-4V 上进行训练，在 H13 上进行测试；或者在一个机器上训练然后在另一个机器上进行测试。需要报告绝对性能以及恢复目标指标所需的最小调整（例如仅进行每次制造过程中的归一化、编码器微调或使用有限的标记数据）。协议应重用之前的几何形状数据，以便将观察到的变化归因于材料或机器的变化，而非几何分布的变化。特别需要注意测温器的波长校准和 AE 信号耦合路径，因为这些因素可能会随着光学系统、气体流动或夹具的变化而改变 [9.4]。
- **与过程控制框架的集成**：一旦确定了系统的可靠性，可以将融合后的检测系统作为监测前端，为监督控制提供支持。未来的工作应定义接口和决策规则，例如根据所选的窗口策略和计算资源来安排延迟时间；制定在检测结果超出容忍范围时何时抑制、标记或采取行动的规则；以及当同步或通道健康状况不佳时的保护措施。建议采用分阶段部署方式，首先以 Advisory 模式开始，然后在重新验证几何形状参数后逐步引入有限的闭环干预措施。任何集成都应记录故障模式，并向操作员展示可观测的置信度和数据来源，同时通过保留的事件索引和融合后的数据结构维护审计追踪。

### 10. 结论

我们证明了在结构携带的声发射和同轴双色测温技术（两者均为 1 MHz 工作频率）的融合应用可以在 LPBF 中实现高灵敏度的原位缺陷检测。利用包含独立阿基米德原理和微 CT 标准数据的多样化几何形状数据集，以及按实验/制造/零件分组的数据集，融合模型在裂纹检测和孔隙率检测方面均表现出了很强的整体性能。在主要的融合模型测试中，裂纹检测的 F1 分数达到 0.974，孔隙率检测的 F1 分数为 0.987，召回率为 1.00，AUROC 值分别为约 0.998 和 0.993。结合传感器特性测试的结果，这些发现支持将 AE 和测温融合技术作为近实时缺陷筛查的实用方法。后续的框架内消融研究进一步明确了在不同检查规则下的各类传感器的贡献。这些结果强调了过程背景和多模态融合在当前系统中的价值，同时也表明消融研究应被视为一种敏感性评估，而不是直接复制原始融合模型的结果，也不是与单独优化的单模态基线进行比较。未来的重点工作包括按 coupon 或几何形状分层的数据报告方式、按零件、制造过程和层别进行误报分析、校准分析、基于不同架构优化的仅使用 AE 或仅使用测温的基准模型，以及将模块级别的预测结果进行 STL 感知整合，为最终实现监督控制打下基础。