In-situ surface porosity prediction in DED (directed energy deposition) printed SS316L parts using multimodal sensor fusion

要約

タイトル：多モーダルセンサーフュージョンを用いたDED（直接エネルギー沈着）印刷されたSS316L部品の現場表面多孔性予測

要約：

– 本研究は、多媒体センサーデータとして収集された音響放出（AE）と他の多数のセンサーデータの時間-周波数パターンを、空間高分解能（0.5mm）と時間分解能（<1ms）の下で、直接エネルギー沈着（DED）プロセス中のポア形成と関連付けることを目的としています。 - LIME（Local Interpretable Model-Agnostic Explanations）と呼ばれる説明可能なAI手法を採用し、AEの高周波波形シグネチャーも、DEDプロセスにおける2つの主要なポア形成経路であるスパッタイベントと低熱入力からの隣接印刷トラック間の十分な融合に起因するものだと解釈されることにされます。 - このアプローチによって、印刷される毎に大きさ0.5mmの各ボクセル内のポアの存在をリアルタイムに予測することが可能になり、これまでの試みと比較して大きな進歩となっています。 - プロセスチェーン中にSS316L材料サンプルが印刷され、その後削られた際に収集された力、AE、振動、温度などの同期された多数のセンサーデータを用いて、深層畳み込みニューラルネットワーク分類器を用いて、センサーデータの時間-周波数パターン（スペクトログラム）に基づいてボクセル表面のポアの存在を識別することができました。 - 結果からは、DED中に収集された信号は、削り込んだデータと比較して、ボクセル内の多孔性の検出に対してより感度が高いことが示唆されました（識別テストの精度は87％）。 - LIME分析から得られる根本的な説明によれば、高周波AE波形から取り込まれたエネルギーは、多孔性のボクセルに対して33％低く、溶融プール内でのレーザー - 材料相互作用が比較的低く、隣接印刷トラック間の融合が不十分で重なっていないことを示しています。印刷中にスパッタイベントが広範囲に発生した多孔質ボクセルには、他の多孔質ボクセルと比較して高周波AE帯域のエネルギー量が約27％高いことが示されました。これらのAE信号からのシグネチャーは、スパッタイベントと不十分な融合からのポア形成の理解を深めるのに役立ちます。

要約(オリジナル)

This study aims to relate the time-frequency patterns of acoustic emission (AE) and other multi-modal sensor data collected in a hybrid directed energy deposition (DED) process to the pore formations at high spatial (0.5 mm) and time (< 1ms) resolutions. Adapting an explainable AI method in LIME (Local Interpretable Model-Agnostic Explanations), certain high-frequency waveform signatures of AE are to be attributed to two major pathways for pore formation in a DED process, namely, spatter events and insufficient fusion between adjacent printing tracks from low heat input. This approach opens an exciting possibility to predict, in real-time, the presence of a pore in every voxel (0.5 mm in size) as they are printed, a major leap forward compared to prior efforts. Synchronized multimodal sensor data including force, AE, vibration and temperature were gathered while an SS316L material sample was printed and subsequently machined. A deep convolution neural network classifier was used to identify the presence of pores on a voxel surface based on time-frequency patterns (spectrograms) of the sensor data collected during the process chain. The results suggest signals collected during DED were more sensitive compared to those from machining for detecting porosity in voxels (classification test accuracy of 87%). The underlying explanations drawn from LIME analysis suggests that energy captured in high frequency AE waveforms are 33% lower for porous voxels indicating a relatively lower laser-material interaction in the melt pool, and hence insufficient fusion and poor overlap between adjacent printing tracks. The porous voxels for which spatter events were prevalent during printing had about 27% higher energy contents in the high frequency AE band compared to other porous voxels. These signatures from AE signal can further the understanding of pore formation from spatter and insufficient fusion.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI