基于机器学习的激光粉末床熔融过程层间熔融质量原位监测识别

《Materials》：Machine Learning-Enabled Layer-Wise Melting Quality Recognition for Laser Powder Bed Fusion Process via In Situ Monitoring

　　

激光粉末床熔融（L-PBF）已成为高端领域（包括航空航天和医疗器械制造）的核心金属增材制造技术。然而，制造过程中发生的熔融异常逐层累积，导致成形部件的表面质量下降和机械性能受损——这是限制其大规模工业应用的关键瓶颈。由于此类熔融异常引起的复杂表面形貌，准确且鲁棒的层间熔融质量识别仍然是一个挑战。研究人员提出了一种基于机器学习的原位监测方法，用于L-PBF过程中的层间熔融质量识别。通过系统改变激光功率和扫描速度，设计了24种参数组合，制备了具有三种不同熔融状态的试样：过度熔融（OM）、熔合不足（LOF）和正常熔融。使用高分辨率互补金属氧化物半导体（CMOS）相机捕获试样的层间表面图像，经异常层滤波和人工验证后，构建了一个包含5110张层间图像的高质量数据集。系统评估并优化了两种主流的机器学习方法用于熔融质量分类：基于手工灰度共生矩阵（GLCM）纹理特征的支持向量机（SVM）模型达到了96.77%的分类准确率，而基于端到端特征学习直接从原始图像中学习的卷积神经网络（CNN）模型达到了98.14%的更优准确率。在计算效率方面，CNN模型表现出更快的推理速度，每层推理时间仅为0.036秒，几乎是SVM模型（每层0.068秒）的一半。最关键的是，CNN模型完全消除了OM与LOF之间的致命跨类误分类——这是SVM模型中常见的错误模式，在实际工业应用中会触发错误的过程纠正措施。研究结果表明，基于图像的机器学习为L-PBF过程的智能原位监测提供了可靠的技术基础。凭借高准确率、强鲁棒性和优越的计算效率，CNN模型能够有效支持现场操作决策，减少材料和时间损失，提高工业环境中的过程稳定性，因此在实际工程部署中展现出巨大潜力。

激光粉末床熔融（L-PBF）作为金属增材制造的核心技术，在航空航天和医疗器械等高端领域具有广泛应用前景。然而，制造过程中逐层累积的熔融异常（如过度熔融OM和熔合不足LOF）导致成形件表面质量劣化和力学性能下降，严重制约了其大规模工业应用。现有的层间熔融质量识别研究多将机器学习模型视为“黑箱”，缺乏对模型架构、超参数及特征工程策略的系统探索，尤其忽略了OM与LOF之间跨类误分类在实际操作中可能引发的灾难性后果。为此，研究人员开展了本研究，旨在系统比较基于手工特征的支持向量机（SVM）和端到端卷积神经网络（CNN）在L-PBF原位监测中的熔融质量识别性能，为工业部署提供可靠依据。研究论文发表在《Materials》。

本研究采用三大关键技术方法。第一，多参数实验设计：使用Farsoon FS121M系统，以316L不锈钢粉末为原料，通过系统变化激光功率（P）和扫描速度（v），设计24种参数组合，利用体积能量密度（VED）和表面粗糙度（Ra）界定三种熔融状态——过度熔融（OM, VED>160 J/mm³且Ra>10 μm）、熔合不足（LOF, VED<120 J/mm³且Ra>10 μm）和正常熔融（Ra<10 μm）。第二，原位图像采集与数据集构建：采用Basler CMOS相机（2048×2048像素）在每层激光扫描后、铺粉前捕获层间表面图像，经透视校正和感兴趣区域（ROI）提取，通过灰度直方图相似度（Pearson相关系数，阈值0.95）筛选异常层并人工校验，最终构建5110张图像的高质量数据集（2410张LOF、1140张OM、1560张正常，按7:1:2划分）。第三，两类机器学习模型：SVM模型提取灰度共生矩阵（GLCM）的6种纹理特征（对比度、能量、相关性、同质性、熵、局部方差），经z-score标准化后采用径向基函数（RBF）核，通过五折交叉验证优化惩罚因子C和核宽度γ；CNN模型则由卷积模块（卷积层+最大池化）和全连接层组成，使用ReLU激活、Adam优化器和交叉熵损失，系统调整网络深度、卷积核大小与数量。

### 3.1 基于SVM的熔融质量分类（SVM-Based Melting Quality Classification）

通过对比线性核与RBF核的SVM性能，研究人员发现线性核SVM在惩罚因子C=3时最高准确率仅为85.25%，远低于RBF核，表明图像纹理特征具有非线性可分性。进一步优化RBF核超参数，当log₂C=12.4、log₂γ=?2时，分类准确率达到96.77%。此外，特征数量影响显著：使用全部6个特征时准确率最高，仅用3个特征时降至90.58%。研究表明，基于GLCM纹理特征的SVM模型能够有效区分三种熔融状态，但依赖于人工特征工程且存在非线性边界限制。

### 3.2 基于CNN的熔融质量分类（CNN-Based Melting Quality Classification）

研究人员系统评估了网络结构参数对CNN性能的影响。对比无卷积层的MLP（D-0）与三卷积模块的CNN（D-3），CNN在相同全连接节点数下准确率高出约8%，验证了卷积层自动特征提取的优势。通过调整卷积模块深度（D-1至D-5）和核大小（3×3至11×11），发现单模块（D-1）配合9×9核获得最高97.35%的准确率，但过深网络（D=4,5）因多级池化导致信息丢失使准确率下降。进一步优化卷积核数量（N-z），发现浅层大核模型随核数增加准确率下降（过拟合），而深层小核模型（D=4,3×3核）随核数增加准确率上升，最终最优CNN架构为四模块（D-4）、3×3核、48核（N-48），测试准确率达98.14%。

### 3.3 SVM与CNN分类器对比评估（Comparative Evaluation of SVM and CNN Classifiers）

通过混淆矩阵和性能指标（精确率、召回率、F1分数）进行综合比较。CNN在LOF和正常熔融状态上的精确率与召回率均优于SVM；对于OM状态，CNN召回率更高（98.65% vs. 96.93%），但精确率略低（96.49% vs. 97.36%）。最关键的差异在于误分类模式：SVM存在将OM误判为LOF的跨类错误，而CNN完全消除了这一致命缺陷。在实际工业中，若将OM（能量过剩）误判为LOF（能量不足）而增加激光功率，会加剧缺陷。计算效率方面，CNN推理时间为0.036秒/层，是SVM（0.068秒/层）的近一半。综上，CNN凭借更高准确率、无跨类误分类和更快推理速度，更适合工业部署。

总结讨论部分指出，两种模型均满足实时监测要求（<0.1秒/层），但CNN在鲁棒性和实用性上具有显著优势。研究结论翻译如下：本研究系统研究了基于机器学习的L-PBF层间熔融质量识别。优化的CNN模型分类准确率达98.14%，比SVM模型（96.77%）高出1.37%。更重要的是，CNN消除了SVM中观察到的OM与LOF之间的致命跨类误分类——这种错误在真实部署中会引发灾难性的过程调整。CNN的推理速度（0.036±0.004秒/层）也显著快于SVM（0.068±0.004秒/层），满足L-PBF原位监测的实时要求。这些结果确立了CNN作为实际工业部署首选方法的地位，能够同时鲁棒地检测能量不足和能量过剩缺陷，同时保持计算效率。未来工作将聚焦于CNN模型的在线实现、多传感器数据融合（如熔池热成像）以及向其他金属材料和L-PBF系统的推广。