基于空气传播声发射与深度迁移学习的激光粉末床熔融缺陷在线监测

目的对激光粉末床熔融(LPBF)过程中的缺陷进行缺陷监测机理研究,并开发可靠的现场质量监测方法来指导零件生产过程。方法使用空气传播声发射(ABAE)技术监测LPBF过程,获取多组变工况LPBF过程中的ABAE信号。通过对LPBF过程进行熔池动态分析及对比缺陷信号时频域特征,探究了LPBF缺陷声学监测机理。同时,提出了一种基于多源域知识融合的深度迁移学习(DTL-MDKF)方法以构建LPBF缺陷在线监测模型,并对模型的准确度和有效性进行了系统评估。结果LPBF熔池状态与产生的缺陷密切相关,所对应的声源发生机理不同是导致其信号特征呈现差异性的主要原因。所提出的DTL-MDKF方法模型对5类LPBF缺陷的识别准确率可达98.2%,且t-SNE可视化分析结果证明了其良好的深度特征挖掘能力以及将模型中多源域自适应融合知识迁移用于目标域LPBF缺陷监测任务的有效性。结论相比于传统单一源域迁移学习方法,所提出的方法模型具有更好的性能,能够实现对复杂多变工况的LPBF制造缺陷的精准实时监测,可为LPBF零件的生产提供一定的指导。