段玉聰，王學德，周鑫,*，張佩宇，郭西洋，成星,，樊軍偉

1. 空軍工程大學 航空等離子體動力學重點實驗室，西安 710038 2. 西安空天機電智能制造有限公司，西安 710100

航空裝備的備件保障是世界各國空軍面臨的共性難題，金屬增材制造由于其快速、靈活、小批量生產(chǎn)、個性化定制等諸多優(yōu)點，在零部件的快速反應制造和現(xiàn)場修復中具有巨大優(yōu)勢。金屬增材制造一般包括定向能量沉積成形(Directed Energy Deposition，DED)和粉末床熔融成形(Powder Bed Fusion，PBF)兩類方法。激光粉末床熔融成形適合制備航空裝備中的中小尺寸帶內(nèi)部結構的復雜零件，空軍工程大學已將其應用在現(xiàn)場保障中，未來將向高性能、高批次穩(wěn)定性、成形過程與后(熱)處理復合等方向發(fā)展，并需解決過程回溯和質(zhì)量追溯難題?？刂瞥尚芜^程、提高成形質(zhì)量的關鍵是更好地理解原材料粉末參數(shù)、成形工藝參數(shù)及部件微觀組織結構和機械性能之間的復雜關系。但激光粉末床熔融成形是典型的多物理、多尺度過程，包括微觀尺度的激光-粉末相互作用、介觀尺度的熔池動力學和柱狀晶生長及宏觀尺度的熱力耦合等，工藝參數(shù)與最終質(zhì)量之間的關系過于復雜而難以直接理解。

實施過程在線監(jiān)控是保障成形質(zhì)量的關鍵技術手段。在線監(jiān)控可從多個傳感器獲取數(shù)據(jù)得到成形過程的最直接信息，對監(jiān)測數(shù)據(jù)進行實時、準確分析，可實現(xiàn)對成形質(zhì)量的閉環(huán)控制。但由于光斑(熔池)尺寸小、移動速度快、監(jiān)測信息量大、信號理解不明晰等原因，建立熔池監(jiān)測信號(輻射強度、形貌、溫度場)與材料科學現(xiàn)象(凝固組織、缺陷、表面粗糙)的直接聯(lián)系也較為困難。

對缺陷的在線監(jiān)測和質(zhì)量的在線分析，未來可能有兩條主要的技術路線：一是采用較為先進的成像技術，在成形過程中直接觀察熔池內(nèi)氣泡的演化、識別缺陷形成，這要求較高的空間分辨和時間分辨能力；二是采集熔池溫度、輻射強度和光強信息，上述信息能反應熔池穩(wěn)定性狀態(tài)和缺陷產(chǎn)生傾向，但相互聯(lián)系不直觀，什么樣的熔池信息特征變化代表缺陷一定會產(chǎn)生，目前還不十分清楚。熔池信息與成形質(zhì)量(致密度、表面粗糙度、強度等)存在某種高維特征聯(lián)系。近年來，機器學習算法(Machine Learning，ML)在計算機視覺、自然語言處理、自動駕駛等領域發(fā)展迅速，可識別數(shù)據(jù)之間潛在的復雜模式，表征數(shù)據(jù)之間非線性、高維度、高復雜度的關系，因此機器學習在挖掘激光增材制造過程參量與成形質(zhì)量之間的復雜聯(lián)系方面具有巨大潛力。

在諸多過程參量中，熔池輻射強度信號由激光作用于粉床時形成的熔池及其周圍物質(zhì)輻射而形成，蘊含了豐富的熔池動態(tài)特征信息，反映工藝過程的穩(wěn)定性和最終成形質(zhì)量，國內(nèi)外諸多學者對其進行了研究。比利時魯汶大學Clijsters等采用光電二極管采集到的熔池輻射強度信號和圖像處理技術，在原理上實現(xiàn)了對熔池特征的在線監(jiān)控，但采樣率和系統(tǒng)穩(wěn)定性較低，難以應用于實際生產(chǎn)。Montazeri等使用光電二極管采集到的激光粉末床成形過程數(shù)據(jù)，對過程中的粉床污染進行了監(jiān)測，但不能根據(jù)數(shù)據(jù)對污染類型及污染的嚴重程度進行分類。Coeck等采用離軸監(jiān)測方式，將熔池輻射強度信號與內(nèi)部缺陷關聯(lián)起來，但只適用于監(jiān)測樣件局部固定尺寸的缺陷，局限性較大。上述研究均對熔池輻射強度數(shù)據(jù)有一定的分析與利用，但由于采樣頻率較低、沒有對數(shù)據(jù)進行適當?shù)念A處理及特征提取，造成信息采集不充分、數(shù)據(jù)處理效率低下和精確度不高等問題，難以在實際生產(chǎn)中進行工藝參數(shù)的實時調(diào)整及對樣件總體質(zhì)量進行分類識別。

針對上述問題，本文設置不同的工藝參數(shù)(部分偏離工藝窗口)開展粉末床激光成形實驗，成形過程中采集熔池輻射強度信號。通過數(shù)據(jù)分割、特征提取和特征選擇對信號數(shù)據(jù)進行預處理，構建用于機器學習的數(shù)據(jù)集。使用21種不同的機器學習算法，一是將熔池輻射強度數(shù)據(jù)按工藝參數(shù)(如激光功率、掃描速度高、中、低)進行準確分類，實現(xiàn)熔池輻射強度偏離最佳參數(shù)窗口時的異常識別；二是將熔池輻射強度數(shù)據(jù)按照最終成形塊體的質(zhì)量(密度、表面粗糙度)進行分類，以期實現(xiàn)根據(jù)熔池輻射強度數(shù)據(jù)識別樣件質(zhì)量。

1 實驗設計與數(shù)據(jù)獲取

1.1 樣件制備

成形實驗采用北京易加三維科技有限公司的EP-M250設備，設備由激光光學掃描系統(tǒng)(激光光學系統(tǒng)、掃描振鏡)、工作艙、氣體流通分析系統(tǒng)(氣體循環(huán)系統(tǒng)、氧氣分析報警系統(tǒng))及控制系統(tǒng)(計算機、軟件系統(tǒng))組成；成形材料選擇霍爾流速為18.8 s/50 g、松裝密度為4.02 g/cm的316L不銹鋼粉末，粉末粒徑分布=20 μm，=32.7 μm，=53.4 μm，其中、、分別表示粒度分布數(shù)達10%、50%、90%時對應的粒徑。

根據(jù)設備廠商提供的標準數(shù)據(jù)包，致密成形的參數(shù)窗口為功率250～280 W、速度950～1 000 mm/s、掃描間距0.1 mm、每層鋪粉厚度40 μm。在較大范圍內(nèi)改變激光功率、激光掃描速度等參數(shù)設置。具體參數(shù)設置詳見表1，掃描策略按標號順序以長直線單向掃描，見圖1。最終成形的每個樣塊尺寸為15 mm×15 mm×60 mm，最終成形樣品見圖2。根據(jù)參數(shù)不同分5組，樣塊3、8處于最佳參數(shù)窗口，其余樣件的參數(shù)偏離最佳窗口。

圖1 激光掃描平面Fig.1 Laser scan plan

圖2 成形樣品Fig.2 Manufactured samples

1.2 樣件測試

打印完成后，使用線切割將樣件從基板上切下，使用OHAUS公司的AX223ZH電子天平，在25 ℃的測試水溫下，每個樣件采用排水法測試5次密度并記錄，最終使用5次密度的均值表示每個樣件的實際密度。用表面粗糙度測試儀檢測表面粗糙度，當樣件粗糙度在上表面分布差異較大時，采取不同位置多次采樣取平均值作為最終值并記錄，密度和表面粗糙度實驗結果見表1。

表1 打印樣件參數(shù)取值范圍分布和測量結果

1.3 熔池輻射強度信號采集

光電二極管可在激光粉末床成形過程中將熔池輻射的光信號轉化為電信號。使用Thorlabs公司的PDA10A2光電二極管可收集來自熔池輻射200～1 100 nm波段的光信號。光電二極管的響應率可定義為在給定時刻產(chǎn)生的光電流與入射光功率的比值。熔池輻射強度采集系統(tǒng)工作原理如圖3所示。

圖3 熔池輻射強度監(jiān)測系統(tǒng)Fig.3 Molten pool emission intensity monitoring system

在成形過程中，激光器發(fā)射出激光，經(jīng)掃描振鏡將激光照射到成形缸內(nèi)與粉末發(fā)生相互作用，形成熔池及周圍物質(zhì)，發(fā)出光輻射，而后熔池輻射光經(jīng)掃描振鏡反射通過增透鏡。由于熔池和周圍材料的輻射光在各個波段分布且各個波段輻射強度不同，為避免引入太寬波段影響分析、排除反射激光(波長為(1 024±10) nm)及環(huán)境照明光的干擾，設置700～950 nm的帶通濾光片，將處于輻射強度峰值附近的近紅外波段光傳輸?shù)焦怆姸O管，光電二極管進一步將光信號轉化為電信號進行存儲，實現(xiàn)熔池輻射強度信號的監(jiān)控。

上述監(jiān)控系統(tǒng)數(shù)據(jù)采樣率=50 kHz，打印過程中數(shù)據(jù)采集卡及自主研發(fā)的數(shù)據(jù)采集程序會實時獲取打印機控制系統(tǒng)的層數(shù)同步信息，并在每層打印完成之后，自動將同一激光掃描層的熔池輻射強度數(shù)據(jù)儲存為一個文件。

圖4展示了一層熔池輻射強度數(shù)據(jù)的波形圖，其中包含了一層中10個樣件的熔池輻射強度信息。每層掃描時間約為27 s，采集到數(shù)據(jù)量約為40 MB，由于激光粉末床熔融過程通常耗時長、打印層數(shù)多，造成監(jiān)控總數(shù)據(jù)量巨大。若直接使用原始數(shù)據(jù)進行計算，會耗費大量的計算資源及儲存空間，實時分類十分困難，因此需對數(shù)據(jù)進行進一步的數(shù)據(jù)處理、特征提取和特征選擇。

圖4 一層熔池輻射強度數(shù)據(jù)Fig.4 Emission intensity data of a layer of molten pool

2 數(shù)據(jù)處理

將數(shù)據(jù)輸入機器學習模型前需進行數(shù)據(jù)預處理，首先將采集到的每段數(shù)據(jù)與樣件對應起來(數(shù)據(jù)分割)；隨后將每個熔化道對應熔池輻射強度數(shù)據(jù)的數(shù)據(jù)特征作為一個數(shù)據(jù)樣本(特征提取和特征選擇)，用相應分類標簽進行標定，構成用于機器學習的數(shù)據(jù)集(數(shù)據(jù)集的標定與劃分)。與原始數(shù)據(jù)相比，特征提取和特征選擇后形成數(shù)據(jù)集的數(shù)據(jù)量被壓縮為原始數(shù)據(jù)量的3%以下。有效減少了監(jiān)測數(shù)據(jù)冗余，提高了數(shù)據(jù)處理效率。

2.1 數(shù)據(jù)分割

首先將原始文件的一層數(shù)據(jù)分割為每個熔化道對應的數(shù)據(jù)，然后根據(jù)熔化道之間的時間先后順序將每段數(shù)據(jù)與樣件對應起來。

由于一層數(shù)據(jù)包含了10個不同工藝參數(shù)下樣件的熔池輻射數(shù)據(jù)，因此首先需將一層數(shù)據(jù)的10段數(shù)據(jù)與打印的10個樣品對應起來，對此提出了一種數(shù)據(jù)分割算法，解決熔池輻射數(shù)據(jù)與樣件的對應問題。算法原理如圖5所示。圖5橫坐標為時間軸，由于采樣是在時間域上進行的，因此數(shù)據(jù)點的先后位置與時間點一一對應，相鄰兩個數(shù)據(jù)點之間的時間差即采樣時間，為采樣頻率的倒數(shù)：

=1=002 ms

(1)

圖5 數(shù)據(jù)分割原理Fig.5 Principles of data segmentation

圖5中Δ定義為數(shù)據(jù)序列的第個數(shù)據(jù)脈沖(激光掃描線段也即一個熔化道對應熔池輻射強度)的下降沿對應位置d,與第個數(shù)據(jù)脈沖的上升沿對應位置u,的差值：

Δ=d,-u,

(2)

Δ={Δ,Δ,…,Δ,…}

(3)

則Δ即對應第個激光脈沖的掃描時間，截取Δ對應的數(shù)據(jù)，就得到了第個數(shù)據(jù)脈沖。由Δ序列組成的數(shù)集Δ對應所有數(shù)據(jù)脈沖掃描時間，如此一層的原始數(shù)據(jù)就被分割為以激光脈沖(單個熔化道)為單位的大量分段數(shù)據(jù)，按照掃描策略及先后順序即可與樣件一一對應起來，每個分段數(shù)據(jù)將作為一個數(shù)據(jù)樣本，進行特征提取與特征選擇。

2.2 特征提取

采用數(shù)據(jù)特征提取算法提取數(shù)據(jù)特征，相關特征量如圖6所示。圖中數(shù)據(jù)特征具體定義及其物理意義參照附錄A。從每道激光脈沖數(shù)據(jù)中提取上述特征，這樣即可用圖6中的一組數(shù)據(jù)特征表征一道激光數(shù)據(jù)脈沖(每個熔化道)，不同樣件對應的脈沖數(shù)據(jù)特征按標定分類存儲即可得到熔池輻射強度數(shù)據(jù)集。

圖6 數(shù)據(jù)特征Fig.6 Data features

2.3 特征選擇

在特征提取過程中，難免會提取到一些與分類結果無關或相關性很小的特征，這些特征對于分類結果沒有明顯的影響，因此會造成特征的冗余及數(shù)據(jù)量的增加，刪除這些特征有利于進一步清晰特征與分類結果之間的關系，去掉數(shù)據(jù)冗余。

使用MRMR(Max-Relevance and Min-Redundancy)算法選擇特征，其原理為：在原始具有個特征的特征集合中找到一個特征子集，使子集中的特征與最終輸出結果的相關性最大，但是特征彼此之間相關性最小。首先將最大相關性和最小冗余度結合起來，通過前向加法方案對特征進行排序，使用啟發(fā)式算法量化特征的重要性，并返回每個特征所得分數(shù)，較大的分數(shù)表明相應的特征更加重要，然后給定特征數(shù)量找到一個最優(yōu)集合。算法原理流程參考文獻[23-24]中具體說明。

使用MRMR算法對提取的特征進行評分和排名，當以工藝參數(shù)為響應變量時，特征值重要性評分-排名柱狀圖如圖7所示，不同響應變量對應的特征重要性評分如表2所示。

圖7 工藝參數(shù)為響應時特征重要性評分及排名Fig.7 Feature importance score and ranking when response is a process parameter

表2 不同響應的特征重要性評分及排名Table 2 Feature importance score and ranking for different responses

在此基礎上，在訓練模型時根據(jù)響應變量選擇對應重要性較高的特征子集，刪除不必要的特征可更高效地求解問題。

2.4 數(shù)據(jù)集的標定與劃分

在構建數(shù)據(jù)集時，刪除由于設備原因采集到損壞的無效數(shù)據(jù)，再從無損的數(shù)據(jù)中進行抽樣，使每個樣件對應數(shù)據(jù)樣本數(shù)盡量一致。得到7 575 組數(shù)據(jù)樣本；再根據(jù)2.3節(jié)結果，選擇每組重要性評分前10的特征構建對應數(shù)據(jù)集。因研究熔池輻射強度分類和樣件質(zhì)量預測分類兩個問題，所以建立兩個數(shù)據(jù)集。

熔池輻射強度分類數(shù)據(jù)集

將最佳工藝參數(shù)下的數(shù)據(jù)樣本標記為“參數(shù)正?！?樣件3、8)。將掃描功率小于和大于最佳值參數(shù)的數(shù)據(jù)樣本分別標記為“功率過小”(樣件1、2)和“功率過大”(樣件4、5)；將掃描速度小于和大于最佳速度參數(shù)下的數(shù)據(jù)樣本分別標記為“速度過小”(樣件6、7)和“速度過大”(樣件9、10)，得到用于工藝參數(shù)異常識別的訓練數(shù)據(jù)集。

質(zhì)量預測分類數(shù)據(jù)集

將測得樣件的密度與表面粗糙度按數(shù)值大小進行分類，描述打印樣件的質(zhì)量。316L不銹鋼的密度為7.980 g/cm，將致密度大于95%(密度大于7.581 g/cm)樣件的密度標記為“正?！?，反之標記為“缺陷”；樣件的標記為“正?！薄捌蟆薄斑^大”。相應分類標準如表3和表4所示，以此標記對應樣件的數(shù)據(jù)樣本構成用于質(zhì)量預測的數(shù)據(jù)集。

表3 密度取值范圍及其對應標簽Table 3 Density value range and its corresponding labels

表4 表面粗糙度Ra取值范圍及其對應標簽

在數(shù)據(jù)集1、2中隨機抽取900組數(shù)據(jù)作為測試集，不參與模型訓練過程，只用于模型訓練完成后測試模型性能，其余6 675組數(shù)據(jù)作為訓練集對機器學習模型進行訓練。

3 熔池輻射強度異常識別與樣件質(zhì)量識別

3.1 機器學習與算法模型

常用的有監(jiān)督機器學習分類模型有以下5類：決策樹模型、判別分析模型、樸素貝葉斯分類器(Naive Bayesian Classifier)、支持向量機(Support Vector Machine，SVM)分類、最鄰近(-Nearest Neighbor，KNN)分類，每一類又可根據(jù)算法復雜度不同分為具體的算法模型。采用的相關21種具體機器學習算法模型及其特點見附錄B。

由于各種分類器的特點不同，模型復雜度不同，因此對不同數(shù)據(jù)的適用性也不同，采用21種機器學習模型逐一對構建的兩個數(shù)據(jù)集進行分類和預測，比較不同分類器的分類準確度和算法模型性能，分別得出異常識別和性能預測的最佳模型。

3.2 熔池輻射強度異常識別

首先對工藝異常種類進行識別可有針對性地實時調(diào)控，確保加工穩(wěn)定性和成形質(zhì)量。將數(shù)據(jù)集1中的訓練集逐一輸入不同模型進行訓練，對工藝參數(shù)的異常類型進行識別和分類，為減少數(shù)據(jù)過擬合、提高模型的泛化能力，在訓練過程中采用五折交叉驗證方法進行模型訓練，步驟如下：

1) 不重復抽樣，將6 675組數(shù)據(jù)隨機分為5份。

2) 每次挑選其中1份作為驗證集，其余4份作為訓練集訓練模型。

3) 第2)步重復5次，使每個子集都有一次作為驗證集，其余作為訓練集。

4) 保存5次訓練的驗證結果，計算5組驗證結果的平均值作為最終精度，以此作為五折交叉驗證下模型的性能指標。

訓練完成后比較每個模型的分類準確度，結論如表5所示?？煽闯鰩追NSVM模型對熔池輻射強度的分類準確度最高。表5中識別準確度最高的二次SVM、三次SVM通過核方法(Kernel Method)對數(shù)據(jù)集進行非線性分類。使用非線性函數(shù)將非線性可分問題從原始的特征空間映射至更高維的希爾伯特空間(Hilbert Space)，即特征空間存在超曲面(Hyper Surface)將各個類別分開。由此可說明熔池輻射強度數(shù)據(jù)與其工藝異常類別之間存在高維度的聯(lián)系，只有使用SVM模型對數(shù)據(jù)樣本的最大邊距超平面決策邊界進行求解才能獲得最高準確度。

表5 加工參數(shù)異常識別準確度

相比于支持向量機模型，準確度最低的一類分類器屬于最鄰近法，其算法結構較為簡單，無法準確表征數(shù)據(jù)內(nèi)部的復雜結構，因此準確度相對較低。

3.2.1 模型優(yōu)化

使用隨機梯度下降法對二次SVM的分類問題進行優(yōu)化，圖8展示了一次優(yōu)化過程的準確度曲線，優(yōu)化過程可理解為在空間中尋找一個最優(yōu)化的超平面，使訓練集上不同類別間離其最近的點到此超平面的距離最大化，這些點被稱為支持向量。具體步驟為：先使用數(shù)據(jù)集1中的訓練集訓練模型，將訓練集全部輸入模型得到一個輸出，將此輸出標簽與真實標簽對比，計算準確度；再根據(jù)輸出結果與真實值之間的差異，使用隨機梯度下降方法修正模型參數(shù)，接著進行下一輪迭代。如此進行20萬次訓練，每1 000次記錄一次準確度得到圖8，可知在隨機梯度下降的過程中，準確度曲線先隨訓練次數(shù)增加而上升，直至約13萬次之后逐漸收斂，最終達到了93%以上并趨于平緩。

圖8 隨機梯度下降法下二次SVM模型的準確度曲線Fig.8 Accuracy curve of quadratic SVM model with stochastic gradient descent method

3.2.2 結果分析

在高維空間中，每個特征維度都對應一個坐標軸，數(shù)據(jù)點在每個坐標軸上的投影即為數(shù)據(jù)點相應特征值。高維空間難以展示，所以用其中兩個特征為軸將這些數(shù)據(jù)點投影到二維平面以便于觀察。對比發(fā)現(xiàn)以平均值和波形因子分別作為橫、縱坐標時，同類數(shù)據(jù)點聚集性及不同類數(shù)據(jù)的區(qū)分度最佳，因此選擇平均值和波形因子為軸畫出散點圖。

圖9為將留出的900組測試集數(shù)據(jù)輸入訓練后的二次SVM分類模型得出的熔池輻射強度分類散點圖。圖9中一個點即代表對應橫縱坐標數(shù)值下的一個樣本，不同顏色代表不同樣本的原始類別。由圖9可看出激光功率過小類別的樣本點均值特征明顯較小，此類樣本呈現(xiàn)明顯的聚集性。這表明激光功率的異常變化最直接地影響了熔池輻射強度數(shù)據(jù)特征變化，使數(shù)據(jù)特征在數(shù)值上出現(xiàn)了明顯差異。對于圖9中其余異常強度下的樣本，相同種類的樣本也呈現(xiàn)出一定的聚集性，但不同種類樣本點之間的重疊性較大，說明這些數(shù)據(jù)樣本具有在原始特征空間觀察不到的高維空間聚集性。

圖9 基于二次SVM分類模型的工藝參數(shù)異常識別散點圖Fig.9 Scatter plot of abnormality identification of process parameters based on quadratic SVM classification model

圖10為混淆矩陣，展示的是二次SVM分類模型性能指標，矩陣中的數(shù)據(jù)為將第類樣本判別為第類的樣本點百分比，所以對角線上越大表示分類模型的準確度越高。圖10中TPR(True Positive Rate)為召回率，定義為

(4)

圖10 基于二次SVM分類模型的工藝參數(shù)識別混淆矩陣Fig.10 Confusion matrix for process parameter identification based on quadratic SVM classification model

式中：TP為真正例數(shù)(True Positive)；FN為假負例數(shù)(False Negative)。

TPR可以理解為所有正類中預測正確的比例，即真正例數(shù)與假負例數(shù)之和中真正例數(shù)的比例。FNR(False Negative Rate)為正類中預測錯誤的比例，定義為

(5)

從混淆矩陣中可看到功率過小和速度過小時識別準確度達100.0%，分類器的準確度非常高。在功率過大時TPR為83.3%，是幾個類別中最低的，說明在激光功率過大時容易出現(xiàn)錯誤分類。分析原因認為功率過大時熔池輻射強度容易超出采用的光電二極管量程，從而使傳感器采集到更多的錯誤數(shù)據(jù)，進而影響識別準確度。

3.3 樣件質(zhì)量識別

經(jīng)過大量不同數(shù)據(jù)集的測試證明在使用熔池輻射強度數(shù)據(jù)進行預測和分類時，通常二次SVM模型準確度最高，因此選用二次SVM模型分別對樣件密度和表面粗糙度進行識別。

3.3.1 對密度的識別

由于10個樣件中標記為“缺陷”的樣件只有1個，使分類問題中不同類別數(shù)據(jù)樣本不均衡，易造成訓練模型對大樣本類別過擬合而對小樣本類別欠擬合，為解決此問題，在構建數(shù)據(jù)集時對小樣本類別進行過采樣(over-sampling)，即增加部分樣本，對大樣本類別進行欠采樣(under-sampling)，即刪除部分樣本，以此達到數(shù)據(jù)集的均衡。使用以密度作為分類標簽經(jīng)過特征選擇、均衡處理之后的數(shù)據(jù)集(2 000組數(shù)據(jù))輸入二次SVM模型，以數(shù)據(jù)特征作為預測變量，以密度分類標簽作為響應訓練模型，以五折交叉驗證法訓練模型，訓練完成后將900組測試集的數(shù)據(jù)輸入，得到測試集數(shù)據(jù)樣本的密度預測結果，準確度達99.6%，其識別結果散點圖如圖11所示。

圖11中被分類為缺陷的數(shù)據(jù)點明顯分布在均值較低的區(qū)域，集中度很高，且在縱坐標波形因子分布上相對較高。而密度正常的樣本點集中程度較低，整體分布區(qū)域跨度較大，說明在形成致密樣件時存在一定的參數(shù)窗口，熔池輻射只要在此參數(shù)窗口下，樣件致密度均可處于較高水平。比較密度正常樣本與缺陷樣本可發(fā)現(xiàn)密度正常樣本通常聚集在均值較大區(qū)域，說明熔池輻射強度均值較小時更易出現(xiàn)致密度較低的情況，原因是此時不能充分熔化粉末。

圖11 基于二次SVM分類模型的密度預測散點圖Fig.11 Scatter plot of density prediction based on quadratic SVM classification model

3.3.2 對表面粗糙度的識別

同樣使用二次SVM模型，以表面粗糙度作為標簽的訓練數(shù)據(jù)集輸入模型進行訓練，使用測試集對訓練結果進行測試，得出對表面粗糙度的預測準確度為97.0%，分類結果散點圖如圖12所示?？煽闯鐾槐砻娲植诙阮愋椭g在一定程度上聚集在不同區(qū)域，其分散程度也有所不同，如過大時的數(shù)據(jù)點聚集在兩個不同的區(qū)域，正常的數(shù)據(jù)點有一部分較為集中，另一部分較為分散。分析其原因認為與成形密度不同，在熔池輻射強度過大和過小時都會出現(xiàn)較大的表面形貌缺陷；而在輸入激光的功率和速度分別變化時，不同的參數(shù)可產(chǎn)生相同的表面粗糙度，情況較為復雜，導致表面粗糙度相同類型的數(shù)據(jù)點呈現(xiàn)不同的分散程度。

圖12 二次SVM分類模型預測Ra散點圖Fig.12 Scatter plot of Ra predicted by quadratic SVM classification model

4 結 論

首先設計實驗，使用熔池輻射強度數(shù)據(jù)采集系統(tǒng)對粉末床激光成形中的強度數(shù)據(jù)進行了采集；然后對其進行數(shù)據(jù)分割、特征提取和特征選擇，使用工藝參數(shù)的異常類型及相應密度、表面粗糙度進行數(shù)據(jù)標定；最后構建了用于機器學習分類模型的數(shù)據(jù)集，并對模型進行了訓練。

1) 提出的熔池輻射強度數(shù)據(jù)特征提取方法可大幅減少過程監(jiān)控的數(shù)據(jù)量，提高數(shù)據(jù)計算和存儲效率。

2) 解決了監(jiān)測數(shù)據(jù)有效利用問題，對采集到的大量數(shù)據(jù)進行了有效分析，建立了工藝參數(shù)-監(jiān)測數(shù)據(jù)-樣件質(zhì)量之間的關聯(lián)。機器學習分類模型對于制造過程中工藝參數(shù)的異常識別準確度很高，可實現(xiàn)實時監(jiān)測熔池輻射強度數(shù)據(jù)，進行工藝參數(shù)異常識別，為實時反饋調(diào)整參數(shù)提供依據(jù)，進而達到提高產(chǎn)品質(zhì)量的目的。

3) 使用機器學習模型預測產(chǎn)品質(zhì)量，建立了監(jiān)測數(shù)據(jù)與最終質(zhì)量的聯(lián)系，對密度、表面粗糙度預測準確度很高?；谌鄢剌椛鋸姸缺O(jiān)測手段可一定程度上替代傳統(tǒng)人工復雜的質(zhì)量檢測方法，節(jié)省儀器和時間成本，從而實現(xiàn)實時預測質(zhì)量，對樣件進行智能分類。