Binocular Model: A deep learning solution for online melt pool temperature analysis using dual-wavelength Imaging Pyrometry

要約

金属積層造形 (AM) では、部品の品質、プロセスの安定性、欠陥の防止、プロセス全体の最適化を確保するために、メルト プール (MP) の温度を監視することが重要です。
従来の方法は収束が遅く、データを実用的な洞察に変換するには多大な手作業が必要となるため、リアルタイムの監視と制御には非現実的です。
この課題に対処するために、手動のデータ処理への依存を軽減し、データから洞察への移行効率を向上させることを目的とした人工知能 (AI) ベースのソリューションを提案します。
私たちの研究では、二波長のリアルタイムプロセス監視データと対応する温度マップで構成されるデータセットを利用します。
我々は、「双眼モデル」と呼ばれる深層学習モデルを導入します。これは、二重入力観測を利用して、レーザー粉末床融合（L-PBF）におけるMP温度の正確な分析を実行します。
高度な深層学習技術を通じて、生データをシームレスに温度マップに変換し、プロセスを大幅に合理化し、従来の方法よりも約 1000 倍速い 1 秒あたり最大 750 フレームの速度でのバッチ処理を可能にします。
私たちの双眼モデルは、0.95 の R 二乗スコアで証明される高い温度推定精度を達成すると同時に、処理効率を $\sim1000x$ 倍向上させます。
このモデルは、リアルタイム MP 温度監視の課題に直接対処し、遭遇する制約とディープ ラーニング ベースのアプローチの利点についての洞察を提供します。
効率と精度を組み合わせることで、私たちの研究は L-PBF の温度モニタリングの進歩に貢献し、金属 AM の分野の進歩を推進します。

要約(オリジナル)

In metal Additive Manufacturing (AM), monitoring the temperature of the Melt Pool (MP) is crucial for ensuring part quality, process stability, defect prevention, and overall process optimization. Traditional methods, are slow to converge and require extensive manual effort to translate data into actionable insights, rendering them impractical for real-time monitoring and control. To address this challenge, we propose an Artificial Intelligence (AI)-based solution aimed at reducing manual data processing reliance and improving the efficiency of transitioning from data to insight. In our study, we utilize a dataset comprising dual-wavelength real-time process monitoring data and corresponding temperature maps. We introduce a deep learning model called the ‘Binocular model,’ which exploits dual input observations to perform a precise analysis of MP temperature in Laser Powder Bed Fusion (L-PBF). Through advanced deep learning techniques, we seamlessly convert raw data into temperature maps, significantly streamlining the process and enabling batch processing at a rate of up to 750 frames per second, approximately 1000 times faster than conventional methods. Our Binocular model achieves high accuracy in temperature estimation, evidenced by a 0.95 R-squared score, while simultaneously enhancing processing efficiency by a factor of $\sim1000x$ times. This model directly addresses the challenge of real-time MP temperature monitoring and offers insights into the encountered constraints and the benefits of our Deep Learning-based approach. By combining efficiency and precision, our work contributes to the advancement of temperature monitoring in L-PBF, thus driving progress in the field of metal AM.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google