要約
超音波積層造形 (UAM) では、超音波溶接を使用して類似または異種の金属箔を基板に接着し、固体の統合された金属コンポーネントを生成します。
ただし、特定の処理条件によっては層間欠陥が発生し、最終製品の品質に影響を与える可能性があります。
この研究では、深層学習ベースの畳み込みニューラル ネットワーク (CNN) を使用してプロセス内品質を監視する方法を開発します。
CNN モデルは、教師ありラベリング付きの熱画像を使用して、5 つの出力レベル (300W、600W、900W、1200W、1500W) にわたって熱電対が埋め込まれているサンプルと埋め込まれていないサンプルを分類する能力について評価されました。
熱電対なし (ベースライン) と熱電対あり、電力レベル全体で熱電対なしのみ、電力レベル全体で熱電対のみあり、電力レベル全体で熱電対なしと熱電対ありの組み合わせなど、さまざまなシナリオに対して 4 つの異なる CNN 分類モデルが作成されました。
このモデルは、ベースライン画像と熱電対画像の組み合わせで 98.29%、パワー レベル全体のベースライン画像で 97.10%、熱電対画像で 97.43%、および両方のタイプのパワー レベル全体で 97.27% の精度を達成しました。
97% 以上の高い精度は、UAM プロセス内の状態の特定と分類におけるシステムの有効性を示しており、製造環境における品質保証とプロセス制御のための信頼できるツールを提供します。
要約(オリジナル)
Ultrasonic Additive Manufacturing (UAM) employs ultrasonic welding to bond similar or dissimilar metal foils to a substrate, resulting in solid, consolidated metal components. However, certain processing conditions can lead to inter-layer defects, affecting the final product’s quality. This study develops a method to monitor in-process quality using deep learning-based convolutional neural networks (CNNs). The CNN models were evaluated on their ability to classify samples with and without embedded thermocouples across five power levels (300W, 600W, 900W, 1200W, 1500W) using thermal images with supervised labeling. Four distinct CNN classification models were created for different scenarios including without (baseline) and with thermocouples, only without thermocouples across power levels, only with thermocouples across power levels, and combined without and with thermocouples across power levels. The models achieved 98.29% accuracy on combined baseline and thermocouple images, 97.10% for baseline images across power levels, 97.43% for thermocouple images, and 97.27% for both types across power levels. The high accuracy, above 97%, demonstrates the system’s effectiveness in identifying and classifying conditions within the UAM process, providing a reliable tool for quality assurance and process control in manufacturing environments.
arxiv情報
著者 | Lokendra Poudel,Sushant Jha,Ryan Meeker,Duy-Nhat Phan,Rahul Bhowmik |
発行日 | 2024-10-31 15:48:36+00:00 |
arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google