美国宾夕法尼亚州匹兹堡卡内基梅隆大学工程学院的研究人员开发了一种深度学习方法，该方法提供了一种利用机载或热技术捕获和表征激光粉末床熔融 (PBF-LB) 增材制造中熔池的新颖方法。该方法最近在《增材制造杂志》上详细的介绍，可以使制造商能够几乎

  ▲机器学习模型架构，由自动编码器和深度 CNN 模型 (ResNet) 组成。

  在增材制造金属时，许多事情都可能会出现一些明显的异常问题，并且假如没有现场过程监控，只能在产品制造后才能检测和表征缺陷。最常见的是，制造商将使用高速摄像机来重视熔池几何形状及其在 PBF-LB 增材制作的完整过程的短时间内的变化。这需要昂贵的设备、大量的内存存储（即每秒保存 20,000-30,000 张高分辨率照片）以及费力的人力来收集和分类数据。这些最终会提高在线视觉跟踪和过程分析的成本。

  L-PBF选区激光熔融3D打印和 L-DED激光定向能量沉积3D打印过程中激光和原材料之间潜在的热相互作用比较相似，因为它们都依赖激光为粉末提供热量，通常将其完全熔化以形成熔池。然后熔池在先前的层或基底之上凝固以形成所需的形状。显然，这些过程的加工参数设置存在显着差异，因此就需要采用不一样的监测方法。

  目前已经开发了几种其他方法用于激光增材制造的原位监测。然而，这一些方法要么适合研究目的，要么不适用于生产规模的监测。

  同步加速器 X 射线监测和纹影成像是激光 AM增材制造的有用研究工具，可以为激光工艺流程中发生的现象提供有价值的见解。同步加速器 X 射线监测允许对熔池区域进行高分辨率成像，揭示加工动态。纹影成像研究激光羽流和构建室的流体动力学，揭示AM增材制作的完整过程如何受其环境影响，这两种技术都需要专门的实验装置。

  光学相干断层扫描 (OCT) 和在线相干成像 (ICI) 监测允许检查零件表面并解读加工参数的影响和理解扫描策略对表面粗糙度的影响。涡流检测 (ECT) 用于检测金属内部的裂纹和亚表面缺陷，并已被提议作为原位监测增材制造工艺的方法。目前，OCT 和 ICI 已在原位监测中进行了最低限度的探索，而 ECT 最近才被科研人员部署用于L-PBF选区激光熔融金属3D打印AlSi10Mg铝合金材料的原位监测。随着这些检测系统对激光金属增材制造的进一步探索，机器学习很可能被用于辅助样本的分类和预测。

  美国宾夕法尼亚州匹兹堡卡内基梅隆大学工程学院的研究人员开发了一种深度学习方法，该方法提供了一种利用机载或热技术捕获和表征激光粉末床熔融 (PBF-LB) 增材制造中熔池的新颖方法。这在增材制造领域是一个创新的进展。以下是他们研究的关键点：

  - 深度学习监测方法：该方法利用机载或热技术捕获和表征激光束粉末床融合（PBF-LB）增材制造中的熔池，能快速获取熔池几何形状并预测熔池变化。

  - 低成本传感器的优势：新方法使用低成本传感器，如麦克风或光电二极管，来重建关键的熔池特性，这大幅度的降低了成本和操作复杂性。

  缺陷检验测试能力：该方法具有识别空间依赖性缺乏融合（LOF）缺陷的潜力，这对于提高最终产品的耐用性和机械性能至关重要。

  - 实验与数据同步：研究人员通过一系列PBF-LB实验，同步收集了声学、热学和高速成像数据，成功重建了熔池几何形状，并能够跟踪熔池的振荡行为。

  - 多模态过程信号的理解：该研究有助于更好地理解声学信号、热发射和熔池形态之间的物理相关性，这对于科学界来说是一个重要的探索领域。

  - 未来研究方向：团队计划探索更多材料的声学和热发射数据，以及跨不同平台和增材制造工艺的实时监控应用，以期构建更先进的替代模型和数字孪生。

  根据3D科学谷的了解，目前该团队进行了一系列PBF-LB实验，探索钛合金Ti-6Al-4V（Ti-64）的各种3D打印参数。从预先设计的竣工结构中收集并同步每个相应工艺条件的机载声学、热学和高速成像数据，以成功重建精确的熔池几何形状。该团队甚至在短短几毫秒的时间内跟踪了熔池的振荡行为。据说该方法还表现出了有效检测两条相邻激光扫描线之间的局部缺陷的良好能力。

  根据卡内基梅隆大学 NextManufacturing 中心联席主任 Jack Beuth，这种方法允许使用低成本传感器来监控熔池，这些传感器能安装在任何激光粉末床增材制造机器中。根据声学和光电二极管传感器数据生成高速熔池的人工视频对于增材制造领域来说是独一无二的。”机械工程教授兼 说道。

  此外，据说该团队的研究还为更好地理解多模态原位过程信号之间的物理相关性迈出了关键的一步。

  这项研究的意义在于，提供了一种成本效益高、易于实施的监测方法，能够实时捕获和分析增材制作的完整过程中的关键信息，来提升产品质量和生产效率。同时，也为未来的研究提供了新的方向，尤其是在多模态过程信号的物理相关性方面。

  根据研究团队的刘博士，通过利用多模态过程信号的基础物理原理和数据驱动人工智能的优势，卡耐基梅陇开发的AI算法使工程师可使用非常实惠且易于使用的传感器重建关键熔池特性。

  根据刘博士，通过对声波和热辐射进行更深入的研究，研究团队希望更好地了解它们与熔池变化、小孔振荡和其他空间相关过程特征的关系，有一天，可能会为同步加速器 X 射线机等其他过程表征设备为整个增材制作的完整过程构建先进的替代模型和功能齐全的数字孪生！

  展望未来，该团队计划探索更多由 Ti-64 以外的材料的声学和热发射数据驱动的实时监控应用程序，以及跨不同平台和增材制造工艺的应用程序。