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

李治文，张志芬*，张帅，王杰，白子键，张琦，黄科，温广瑞

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

李治文a,b，张志芬a,b*，张帅a,b，王杰a,b，白子键a,b，张琦a，黄科a，温广瑞a,b

（西安交通大学 a.机械工程学院 b.航空动力系统与等离子体技术全国重点实验室，西安 710049）

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。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。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。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。

增材制造；激光粉末床熔融；空气传播声发射；迁移学习；缺陷在线监测

激光粉末床熔融（Laser Powder Bed Fusion，LPBF）是增材制造（Additive Manufacturing，AM）技术的一种，它在计算机模型的指导下通过激光源将金属粉末逐层选择性地熔化在一起，并在整个过程中不断重复粉末铺填并激光选择性熔化直至零件成形[1]。与传统制造相比，该技术具有上市周期短、能耗低、可便捷制造非标准结构或快速定制个性化零件等优点[2-3]，已被广泛用于生物医学、航空航天和汽车等领域[4-5]。

虽然LPBF具有传统制造不可比拟的优点，但其成形中普遍存在球化、翘曲、裂纹和匙孔等缺陷[6-7]，这些缺陷会严重影响零件质量，特别是成形件中普遍存在的孔隙率[8]。已有研究表明，LPBF过程产生的孔隙等缺陷与其工艺参数有关，如激光相关参数、扫描相关参数和粉末相关参数等[9]。此外，扫描策略也会通过影响粉末熔化过程中的传热、粉末熔体形成和凝固速度，从而直接影响粉末熔化过程，并会对LPBF缺陷的类型、位置和分布产生影响[9]。这说明要获得高质量的LPBF成形零件需要其加工参数具有最佳组合。目前，质量和可重复性依然是阻碍LPBF广泛应用的关键技术障碍[6]。通过研究缺陷形成机制以抑制缺陷的产生或开发零件加工过程质量监测技术来指导成形件生产过程能够解决这一难题。

常用的AM零件的缺陷监测方法有X射线计算机断层扫描[10]、光学显微镜金相表征[11]和扫描电子显微镜观测[12]等，但上述方法均在材料消耗后进行，无法在缺陷发生时及时预警或采取相应的抑制策略，且存在过程繁琐、成本较高等问题[13]，难以满足零件加工过程的实时监测需求。目前，已有多种监测方式被用于AM过程质量的在线监测，这些监测方式主要用于监测与成形过程或质量有关的物理量，如熔池形貌[14]、熔池尺寸[15]和面积[16]、热[17]、光谱[18]等。声学监测是近年来发展起来的一种较新的监测方法，在焊接等领域得到了一定应用，但在激光增材制造领域相关研究依然较少[19]。声学监测的吸引力在于其传感器具有高灵敏度和低成本的优势[13]。常见的声学监测传感器有2种：结构传播声发射（Structure-borne Acoustic Emission，SBAE）传感器和空气传播声发射（Air-borne Acoustic Emission，ABAE）传感器。相比于SBAE，ABAE具有适用范围更广泛、安装更便捷和成本更低的优势，具有较大的潜在商业价值，也受到了许多研究者的青睐。

机器学习技术的发展也为声学监测技术的发展和应用提供了支撑。Shevchik等[13]开发了频谱卷积神经网络，用来分类不同LPBF缺陷声学特征。Eschner等[19]使用声发射技术和人工神经网络实现了LPBF试样的密度分类。Hossain等[20]利用声学监测技术和小波分析及卷积神经网络对增材制造过程进行了现场监控。综上，基于机器学习的声学监测技术在LBPF质量监测领域被成功应用，但缺陷监测机理研究和更高效的LPBF缺陷监测方法开发依然是所要面临的难题。一方面，LPBF过程中的声音信号产生机制不明晰，缺少有关LPBF缺陷的声学监测机理研究，无法有效支撑基于声学信号的LPBF缺陷监测方法的研究与应用；另一方面，已有研究多局限于特定扫描策略下的缺陷分类，但LPBF过程中扫描策略的差异对成形零件的质量有巨大影响[9]，会造成2种扫描策略下工艺参数的最佳状态产生明显差异，这导致为特定扫描策略而开发的监测算法无法可靠地应用于其他扫描策略的LPBF质量监测。这种由扫描策略改变引起的跨工况质量监测难题亟待解决。

深度迁移学习（Deep Transfer Learning，DTL）是解决上述问题的一种较好的方法，该方法侧重于使用从一种问题中获得的知识经验来解决另一种不同但相关的问题[21]，它在AM质量监测领域的应用可行性已得到证明[22]。此外，异类扫描策略下LPBF过程缺陷产生机制及声音信号的缺陷监测原理是相似的，这也为迁移学习在该领域的使用提供了可能。为此，本文基于ABAE和DTL开发了一种跨工况的LPBF缺陷在线监测新方法。

1 监测方法与理论

1.1 方法框架

本研究提出了一种基于ABAE和DTL的LPBF缺陷在线监测新方法。首先，使用ABAE传感器采集LPBF过程中产生的声音号。其次，采用连续小波变换（Continuous Wavelet Transform，CWT）将原始1-D声音信号转换为2-D时频谱图，并将含有丰富的信号时频域信息的频谱图作为模型输入，以用于迁移学习模型的训练。最后，基于自然图像数据预训练模型在故障诊断领域中任务处理的有效性及异类扫描策略工况下LPBF过程缺陷的产生机制和缺陷声学监测理论具有相似性的特点，提出了多源域知识融合深度迁移学习（DTL-MDKF）方法。该方法将自然图像知识与一种扫描策略工况下的LPBF缺陷知识相融合，并将其迁移用于另一种扫描策略工况下LPBF缺陷的分类中。所提方法框架如图1所示。

1.2 LPBF过程声学监测理论

声音信号是LPBF过程中释放的重要过程信息，也是重要的质量监测参量，其产生和传播与熔池状态密切相关。LPBF声信号的产生是由激光与粉末剧烈相互作用导致的，其主要来源于LPBF过程中的熔体金属振动发声和混合气体喷射发声。LPBF过程中空气传播声发射信号的产生、传播和收集如图2所示。可见，在LPBF过程中会出现匙孔效应，匙孔内部包含金属蒸气和激光等离子体，二者构成一种混合气体充满匙孔进而形成气腔。匙孔内部的熔体金属流动压力和表面张力等作用力会迫使混合气体从匙孔内部喷射出来，进而使匙孔闭合，但连续的激光作用会不断形成由金属蒸气和激光等离子体组成的混合气体，其产生的作用力会与迫使匙孔闭合的作用力进行抵抗，从而避免匙孔闭合。在此动态过程中，一方面，熔体金属会在金属蒸气和激光等离子体等组成的混合气体压力的作用下发生受迫振动，该振动会引起空气介质与熔体金属之间产生摩擦，进而引发空气振动从而产生声音信号。另一方面，维持匙孔形状的金属蒸气和激光等离子体组成的复合气体会从匙孔内部喷射至空气中，引起空气介质局部体积发生变化，从而引起振动并产生声音信号。综上，LPBF过程的主要声信号来源是熔体金属振动发声和混合气体喷射发声。

图1 所提LPBF缺陷在线监测方法框架

不同的发声方式对声音信号的频率分布特性有显著影响。一般来说，熔体金属振动发声容易导致ABAE信号中发生更低频的事件，而混合气体喷射发声则更容易导致ABAE信号中发生更高频的事件。本研究使用ABAE传感器收集LPBF过程中产生的声音信号并将其用于制造过程的质量监测，在第3.1节中详细讨论了LPBF声信号的时频特征，进一步分析了LPBF过程中声源发声机制和LPBF缺陷的声学监测原理。

1.3 多源域知识融合的深度迁移学习

所提出的DTL-MDKF方法由基线模型和多源域知识融合的迁移学习策略组成，详细的方法框架如图1所示。基线模型为如图3所示的ResNet-50，它是典型的深度卷积网络模型，具有较强的深度特征挖掘能力。所提的DTL-MDKF方法分为以下3个步骤：1）步骤1，使用ImageNet自然图像数据集对模型进行首次训练，该模型将保留自然图像数据先验知识；2）步骤2，使用一种扫描策略工况的缺陷数据集（本研究中为R-SSMD数据集）对经步骤1预训练的模型进行再次训练，训练好的模型在获取了一种扫描策略工况下LPBF缺陷知识的同时也保留有自然图像数据先验知识，即模型保留有两源域的融合知识；3）步骤3，采用另一种扫描策略工况的缺陷数据集（本研究中为S-SSMD数据集）在步骤2中保留有两源域融合知识的模型上进行迁移学习。

图2 LPBF过程中空气传播声发射信号的产生、传播和收集

图3 所提的ResNet-50网络架构

需要说明的是，步骤1、2中模型的所有参数均参与训练，这种模式能使深度模型充分地从两源域数据集中获得知识。步骤3使用的条形扫描策略熔融缺陷（R-SSMD）数据集在已训练好的模型上进行迁移学习时，模型只有全连接层参与训练，其他层权重参数保留原有的训练结果不变，这样会使原有的学习知识得到保留，同时新的知识得到了扩充。这种方法能够使评估模型同时保留2个源域的融合知识，并使它适用于目标域任务的处理。

2 实验和数据预处理

2.1 实验装置

LPBF缺陷在线监测系统由如图4所示的LPBF设备和ABAE信号采集系统组成。LPBF设备为工业级金属3D打印设备，设备型号为iSLM160，搭载波长为1 064 nm和功率为500 W的光纤激光器，在工作过程中使用氩气作为保护气体。ABAE信号采集系统主要由ABAE传感器、数据采集主机和显示器等组成。其中，ABAE传感器为型号AM4I（美国PAC公司）的空气耦合型声发射传感器，其谐振频率为40 kHz，内置40 dB放大器，并通过可移动夹持装置安装固定在成形基板前端。数据采集主机内置型号为PCI-2的总线声发射处理卡，采样频率为1～3 000 kHz。

2.2 实验和质量表征

选用由威拉里公司制造的雾化316L奥氏体不锈钢粉末作为LPBF实验材料，该金属粉末近似呈规则的圆球状，直径为13～53 μm，主要化学成分如表1所示。设置打印零件为立方体块结构，尺寸为10 mm× 10 mm×10 mm。在LPBF中分别采用如图5a所示的条形扫描策略和如图5b所示的环形扫描策略。

在LPBF过程中激光输入粉末的能量密度与零件成形质量关系密切。一般来说，若激光输入粉末的能量密度较低，则易导致未熔合；若激光输入粉末的能量密度较高，则会导致过熔合。能量密度由激光功率、扫描速度、扫描间距和层厚共同决定，可根据式（1）确定能量密度[7]。

表1 316L金属粉末主要化学成分

图5 条形扫描策略（a）和环形扫描策略（b）

设定扫描间距=0.08 mm，层厚=0.04 mm，通过改变激光功率和扫描速度来控制能量密度以获得不同类型的缺陷零件。为了更好地评估零件质量，本研究对零件的致密度、表面成形质量和内部形貌进行了表征。依据阿基米德原理得到相对致密度[23]，如式（2）和（3）所示。依据表面变形和损伤状况评估表面成形质量，通过光学显微镜对内部形貌进行观测。

式中：为零件测试密度；0为理论计算密度；1为无水乙醇密度；0为零件在空气中的质量；1为零件在酒精中的质量；为相对致密度。

为了探究扫描策略对LPBF质量的影响，进行了变扫描策略工况的LPBF实验。在环形扫描策略下设置5个打印零件，分别为R0、R1、R2、R3和R4；在条形扫描策略下设置5个打印零件，分别为S0、S1、S2、S3和S4。LPBF实验工艺参数如表2所示。除扫描策略外，R0～R4与S0～S4的工艺参数均保持一致。值得注意的是，实验中R0没有成功成形。环形扫描策略和条形扫描策略对应零件的表面质量和相对致密度表征结果如图6所示，环形扫描策略和条形扫描策略下成形零件内部形貌的光学显微镜表征结果分别如图7和图8所示。质量表征结果表明，不同扫描策略对应的成形零件质量差异显著。

激光输入粉末的能量密度过低或过高会引起粉末的熔融状态发生变化，从而导致激光粉末床在熔融过程中出现未熔合和过熔合缺陷。未熔合零件内部普遍存在大量未熔合孔隙，致密度较低，表面未出现明显变形。过熔合零件内部有大量气孔，致密度相对较高，但表面变形严重。质量表征结果表明，以未熔合和过熔合作为LPBF缺陷的分类标签，则零件R1～R4的缺陷类型标签分别为严重未熔合、轻微未熔合、轻微过热和严重过热；零件S0～S4的缺陷类型标签分别为严重未熔合、轻微未熔合、较少缺陷、轻微过熔合和严重过熔合。

图6 环形扫描策略和条形扫描策略表面质量和相对致密度表征

图7 环形扫描策略下零件内部形貌光学显微镜表征

表2 实验工艺参数及缺陷类型

通过对不同扫描策略的LPBF成形零件进行质量评估，研究发现，2种扫描策略对应的过熔合缺陷零件的表面质量存在明显差异。与条形扫描策略相比，采用环形扫描策略的过熔合缺陷零件的表面变形和损伤更严重，且过熔合缺陷零件内部含有较多近似球形的气孔。同时，2种扫描策略对应的未熔合缺陷零件的致密度和内部缺陷类型存在较大差异：零件S2的致密度达98%以上，但零件R2的致密度则不足95%，且其内部含有大量具有拉长形状的未熔合孔隙。研究表明，在异类扫描策略下激光粉末床熔融最佳工艺参数窗口存在明显差别，其成形零件的质量差异显著，特别表现在零件内部的缺陷类型、孔隙率水平和表面质量上。这一现象与不同扫描策略下LPBF过程中的传热、粉末熔体形成和凝固速度具有差异有关。这也说明针对特定扫描策略而开发的监测算法无法可靠地应用于不同扫描策略下LPBF的质量在线监测中。

2.3 数据采集及预处理

在LPBF实验中全程同步进行ABAE信号数据采集，即采集从第一层打印开始至最后一层打印结束。实验中ABAE传感器采样频率设置为100 kHz。本研究使用CWT对声音信号进行时频分析，其中，基函数选用Morlet小波。信号的CWT可以用式（4）表示[24]。

3 结果与分析

3.1 LPBF缺陷信号特征及声学监测原理

LPBF中熔池存在2种模式：传导模式和匙孔模式，且2种模式之间可以发生转变[25-26]。当激光功率增大或扫描速度降低时，熔池可以从传导模式转变为匙孔模式[27-28]。特别地，熔池的2种模式与LPBF缺陷的产生有关。在传导模式中，LPBF容易因熔池重叠不足而出现具有拉长形状的未熔合孔隙[9]。在匙孔模式中，LPBF熔池的深度比传导模式的更大，这种熔池深度变大与金属蒸发增强有关，而金属蒸发形成的气腔坍塌会导致激光束尾迹中出现空洞，从而形成气孔[27]。显然，未熔合缺陷或过熔合缺陷状态与熔池的传导模式或匙孔模式有直接联系。

图9 样本数据集构造流程

传导模式和匙孔模式的示意图如图10所示。对比分析LPBF过程中熔池在2种模式状态下的声源发声情况，可以发现，2种模式状态的ABAE信号产生机理存在差异，在传导模式中，激光能量密度较低且熔池较浅，该状态对应的金属熔体振动较弱且混合气体较少，这会导致熔体金属振动发声和混合气体喷射发声的作用减弱。在匙孔模式中，激光能量密度较高且熔池较深，该状态对应的熔体金属振动剧烈且混合气体较多，这会导致熔体金属振动发声和混合气体喷射发声的作用强烈。

本研究根据缺陷信号频谱信息分布特征将缺陷信号的频谱划分为5～20、20～35、35～50kHz 3段频带并进行对比分析。5种缺陷信号的快速傅里叶变换频谱和各频率分量的占比情况如图11所示。可以发现，无论何种缺陷状态，激光与粉末相互作用产生的声音信号的FFT频谱在8、17、40 kHz附近均出现明显的峰值。分析认为，这种频谱峰值分布的一致性可能与LPBF过程中的主要声源来源相同有关（熔体金属振动发声和混合气体喷射发声）。值得注意的是，传导模式导致未熔合缺陷信号5～20 kHz频带的频率幅值明显高于35～50 kHz频带的，但在匙孔模式对应的过熔合缺陷信号中这一结果是相反的。这种过熔合缺陷信号频谱的中高频段能量成分较多的原因可能与熔池处于匙孔模式时所产生的大量复合气体剧烈作用有关。此外，观察不同缺陷信号的各频段能量占比可知，同种缺陷信号的各频率分量比例较为相似，即5～20 kHz的频率范围在未熔合缺陷信号中占主导地位，35～50 kHz的频率范围在过熔合缺陷信号中占主导地位，20～35 kHz的频率范围则在2种缺陷信号中占比均较少，这种缺陷信号所表现出的相似现象也说明了同种类型缺陷对应的LPBF过程的声源发声特征类似。

图10 传导模式和匙孔模式示意图

图11 5种缺陷信号经FFT变换后的频谱和频率分量占比

不同缺陷对应的声音信号的频率信息如图12所示。其中，柱状图为不同频率段的能量密度，折线图为全频段能量密度。可以看出，过熔合缺陷信号各频带的能量密度明显高于未熔合缺陷信号的，该结果可以用LPBF过程声源发声机理证明。具体而言，当过熔合缺陷形成时，熔池处于匙孔模式，在该模式下熔体金属振动发声和混合气体喷射发声作用强烈，导致声音信号的能量幅值较高；当未熔合缺陷形成时，熔池处于传导模式，该模式中熔体金属振动发声和混合气体喷射发声作用较弱，导致声音信号的能量幅值较低。随着激光能量密度的增大，熔体金属振动发声和混合气体喷射发声作用增强，因此，声音信号的能量幅值升高。此外，分析认为，激光能量密度的变化会影响激光与粉末相互作用产生的金属熔体和混合气体的规模及其发声作用的强度，这会导致5种缺陷信号的平均能量密度呈现明显差异。

图12 5种缺陷声音信号频率信息比较

3.2 DTL-MDKF方法性能评估

为验证所提方法的有效性，使用实验同步采集的ABAE信号进行测试。本研究将ImageNet数据集和R-SSMD数据集作为源域，S-SSMD数据集作为目标域。此外，还讨论了2种仅基于单一源域知识（ImageNet数据集、R-SSMD数据集）的迁移学习方法在目标任务处理中的性能，并将其与所提方法进行系统比较。首先，在源域R-SSMD数据集上训练保留有ImageNet数据集先验知识的Resnet-50模型。其次，将预训练后的Resnet-50模型权重被冻结到最后一层，以保留所学习知识。最后，将70%的目标域S-SSMD数据集用于迁移微调训练，其余30%用于测试。需要注意的是，在微调训练过程中，只允许使用S-SSMD数据集的频谱图更新模型的最后一层权重。在TensorFlow平台上搭建实验模型，在型号为GeForce GTX 1650的GPU单元上完成训练。在训练过程中使用Adam优化器方法以10−3的学习率进行迭代训练，并设置批量大小为8。

在目标域数据集上使用3种方法进行迁移学习时的网络模型准确率和损失曲线如图13所示。混淆矩阵（见图14）描述了使用3种迁移学习方法训练的网络模型在任务处理中的预测结果与真实结果。对比发现，随着训练轮次的增多，经3种迁移学习方法训练后，模型的准确率增大，损失减小。其中，DTL-ImageNet Dataset方法的分类精度波动较大，准确率仅为80%，损失高于1.4，并对不同程度过熔合缺陷的识别效果明显不佳。这说明将自然图像分类经验知识迁移学习用于LPBF缺陷时频谱图的分类是有效的，但自然图像数据知识与LPBF缺陷知识间存在的领域知识差异会导致它表现欠佳。与DTL-ImageNet Dataset方法相比，DTL-RSSMD方法的平均准确率提高约4%，损失值降低约1，但其分类准确率仍不足85%。此外，DTL-RSSMD在目标任务处理中表现出了对未熔合缺陷信号频谱图像的分类准确率不高的现象。分析认为，该现象与2种扫描策略下的LPBF缺陷特征具有差异有关，即源域中的已有缺陷知识无法完整有效地包含目标域缺陷知识，进而导致其迁移效果不佳，这也是在相似领域知识之间进行迁移学习时所要克服的难题。

相比之下，DTL-MDKF的分类准确率达98.2%，损失为0.06，具有明显的优势。与DTL-ImageNet Dataset和DTL-RSSMD Dataset相比，DTL-MDKF方法不仅有效克服了对不同程度过熔合或未熔合缺陷识别准确率欠佳的问题，而且很好地保留了2种仅基于单一源域知识的深度迁移学习模型在目标任务处理时的优势。一方面，不同扫描策略下的LPBF缺陷知识相似，有利于任务处理；另一方面，加入图像分类经验知识有利于LPBF缺陷特征的充分挖掘，从而确保迁移学习更为有效。

图13 本文提出的3种方法的准确率和损失曲线

图14 用于描述所提三种模型分类准确率的混淆矩阵

3.3 自适应特征提取可视化分析

迁移学习中模型的冻结层主要用于保留原有学习知识，并作为特征提取层进行LPBF缺陷特征的提取。为评估3种方法中将不同知识迁移学习用于目标域任务时自适应特征提取的有效性，研究使用t-SNE方法对3种保留有不同知识模型的已冻结层的特征提取结果进行可视化，其结果如图15所示。如图15a所示，当自然图像知识在迁移学习过程中用于目标任务时，不同程度的未熔合和过熔合缺陷特征存在一定重叠，结合3.1中的信号特征分析结果可知，具有相似类型的缺陷信号间的特征差异较小，这会导致DTL-ImageNet Dataset方法较难区分相似类型的LPBF缺陷信号。由图15b可知，不同扫描策略工况下的LPBF缺陷知识是可以迁移的，并可用于它们之间的质量评估。然而，这种不同领域缺陷数据之间的特征差异和类型不完备可能会导致模型在任务处理时存在较高的分类误差。相比之下，图15c中的5种不同缺陷特征在DTL-MDKF模型中得到了适当分离。结果表明，DTL-MDKF模型具有更强的LPBF缺陷深度特征挖掘能力，经所提迁移学习方法训练的模型不仅保存了有利于图像分类的经验知识，还保留了一定的LPBF缺陷知识，使得它在新工况条件下的LPBF缺陷监测过程中表现出极佳的性能，这也体现了将模型中自适应融合知识迁移用于目标任务处理时的有效性。

4 结论

提出了一种结合ABAE和DTL的LPBF缺陷在线监测新方法，该方法具有较低的部署成本和显著的LPBF缺陷特征挖掘能力，或可用于复杂多变工况的LPBF缺陷在线监测。得出以下结论：

1）LPBF未熔合和过熔合缺陷的形成与其熔池模式（传导模式、匙孔模式）有关。当熔池处于传导模式时，易导致未熔合缺陷，此时熔体金属振动发声和混合气体喷射发声的作用较弱，声音信号能量密度较低；当熔池处于匙孔模式时，易导致过熔合缺陷，此时混合气体喷射发声作用强烈，高频段能量密度较高。2种熔池模式及其缺陷状态的声音发生机理不同是导致LPBF缺陷声信号特征呈现差异性的主要原因，这为开展基于ABAE信号的LPBF缺陷在线监测方法的研究提供了理论依据。

2）DTL-ImageNet Dataset和 DTL-RSSMD Dataset在任务处理中的表现说明自然图像分类经验知识有助于LPBF缺陷时频谱图分类，异类扫描策略下的LPBF过程知识是可迁移的，且可用于它们间的质量评估。

3）所提出的DTL-MDKF方法可以有效融合图像分类经验知识和LPBF缺陷知识，并保留它们在任务处理中的优势，具有较强的自适应深度特征挖掘能力。在实验中，与DTL-ImageNet Dataset和DTL- RSSMD Dataset相比，使用DTL-MDKF方法训练的模型在准确率、损失、混淆矩阵和特征可视化等分析中的表现均更优。

在今后的工作中，还将测试迁移学习在处理更复杂变工况环境下LPBF缺陷监测任务时的效果，并对其进行针对性改进，以满足多种复杂工况并存环境下LPBF缺陷监测的需求。

[1] XIAO X, CHU B, ZHANG Z. Quality Quantification and Control via Novel Self-Growing Process-Quality Model of Parts Fabricated by LPBF Process[J]. Materials, 2022, 15(23): 8520.

[2] ABOULKHAIR N T, SIMONELLI M, PARRY L, et al. 3D Printing of Aluminium Alloys: Additive Manufacturing of Aluminium Alloys Using Selective Laser Melting[J]. Progress in Materials Science, 2019, 106: 100578.

[3] AKBARI P, OGOKE F, KAO N, et al. Meltpoolnet: Melt Pool Characteristic Prediction in Metal Additive Manufacturing Using Machine Learning[J]. Additive Manufacturing, 2022, 55: 102817.

[4] WANG P, YANG Y, MOGHADDAM N S. Process Modeling in Laser Powder Bed Fusion Towards Defect Detection and Quality Control via Machine Learning: the State-of-the-Art and Research Challenges[J]. Journal of Manufacturing Processes, 2022, 73: 961-984.

[5] KAMBOJ N, RESSLER A, HUSSAINOVA I. Bioactive Ceramic Scaffolds for Bone Tissue Engineering by Powder Bed Selective Laser Processing: A Review[J]. Materials, 2021,14(18): 5338.

[6] YE D, HONG G S, ZHANG Y, et al. Defect Detection in Selective Laser Melting Technology by Acoustic Signals with Deep Belief Networks[J]. The International Journal of Advanced Manufacturing Technology, 2018, 96(5/6/7/8): 2791-2801.

[7] PANDIYAN V, DRISSI-DAOUDI R, SHEVCHIK S, et al. Analysis of Time, Frequency and Time-Frequency Domain Features from Acoustic Emissions during Laser Powder-Bed Fusion Process[J]. Procedia Cirp, 2020, 94: 392-397.

[8] ZHAO C, PARAB N D, LI X, et al. Critical Instability at Moving Keyhole Tip Generates Porosity in Laser Melting[J]. Science, 2020, 370(6520): 1080-1086.

[9] MOSTAFAEI A, ZHAO C, HE Y, et al. Defects and Anomalies in Powder Bed Fusion Metal Additive Manufacturing[J]. Current Opinion in Solid State and Materials Science, 2022, 26(2): 100974.

[10] ZHOU X, DAI N, CHU M, et al. X-Ray Ct Analysis of the Influence of Process on Defect in Ti-6Al-4V Parts Produced with Selective Laser Melting Technology[J]. The International Journal of Advanced Manufacturing Technology, 2020, 106(1/2): 3-14.

[11] SALEM H, CARTER L N, ATTALLAH M M, et al. Influence of Processing Parameters on Internal Porosity and Types of Defects Formed in Ti6Al4V Lattice Structure Fabricated by Selective Laser Melting[J]. Materials Science and Engineering: A, 2019, 767: 138387.

[12] HADADZADEH A, AMIRKHIZ B S, SHAKERIN S, et al. Microstructural Investigation and Mechanical Behavior of a Two-Material Component Fabricated through Selective Laser Melting of Alsi10Mg on an Al-Cu-Ni-Fe-Mg Cast Alloy Substrate[J]. Additive Manufacturing, 2020, 31: 100937.

[13] SHEVCHIK S A, KENEL C, LEINENBACH C, et al. Acoustic Emission for in Situ Quality Monitoring in Additive Manufacturing Using Spectral Convolutional Neural Networks[J]. Additive Manufacturing, 2018, 21: 598-604.

[14] LANE B, ZHIRNOV I, MEKHONTSEV S, et al. Transient Laser Energy Absorption, Co-Axial Melt Pool Monitoring, and Relationship to Melt Pool Morphology[J]. Additive Manufacturing, 2020, 36: 101504.

[15] YADROITSEV I, KRAKHMALEV P, YADROITSAVA I. Selective Laser Melting of Ti6Al4V Alloy for Biomedical Applications: Temperature Monitoring and Microstructural Evolution[J]. Journal of Alloys and Compounds, 2014, 583: 404-409.

[16] KRAUSS H, ZEUGNER T, ZAEH M F. Layerwise Monitoring of the Selective Laser Melting Process by Thermography[J]. Physics Procedia, 2014, 56: 64-71.

[17] CHENG B, LYDON J, COOPER K, et al. Infrared Thermal Imaging for Melt Pool Analysis in SLM: A Feasibility Investigation[J]. Virtual and Physical Prototyping, 2018, 13(1): 8-13.

[18] SONG L, HUANG W, HAN X, et al. Real-Time Composition Monitoring Using Support Vector Regression of Laser-Induced Plasma for Laser Additive Manufacturing[J]. IEEE Transactions on Industrial Electronics, 2017, 64(1): 633-642.

[19] ESCHNER N, WEISER L, HÄFNER B, et al. Classification of Specimen Density in Laser Powder Bed Fusion (L-PBF) Using in-Process Structure-Borne Acoustic Process Emissions[J]. Additive Manufacturing, 2020, 34: 101324.

[20] HOSSAIN M S, TAHERI H. In-Situ Process Monitoring for Metal Additive Manufacturing through Acoustic Techniques Using Wavelet and Convolutional Neural Network (CNN)[J]. The International Journal of Advanced Manufacturing Technology, 2021, 116(11/12): 3473-3488.

[21] SHAO S, MCALEER S, YAN R, et al. Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning[J]. IEEE Transactions on Industrial Informatics, 2019, 15(4): 2446-2455.

[22] PANDIYAN V, DRISSI-DAOUDI R, SHEVCHIK S, et al. Deep Transfer Learning of Additive Manufacturing Mechanisms Across Materials in Metal-Based Laser Powder Bed Fusion Process[J]. Journal of Materials Processing Technology, 2022, 303: 117531.

[23] DEBROY T, WEI H L, ZUBACK J S, et al. Additive Manufacturing of Metallic Components-Process, Structure and Properties[J]. Progress in Materials Science, 2018, 92: 112-224.

[24] CHENG Y, LIN M, WU J, et al. Intelligent Fault Diagnosis of Rotating Machinery Based on Continuous Wavelet Transform-Local Binary Convolutional Neural Network[J]. Knowledge-Based Systems, 2021, 216: 106796.

[25] YANG J, HAN J, YU H, et al. Role of Molten Pool Mode on Formability, Microstructure and Mechanical Properties of Selective Laser Melted Ti-6Al-4V Alloy[J]. Materials & Design, 2016, 110: 558-570.

[26] QI T, ZHU H, ZHANG H, et al. Selective Laser Melting of Al7050 Powder: Melting Mode Transition and Comparison of the Characteristics Between the Keyhole and Conduction Mode[J]. Materials & Design, 2017, 135: 257-266.

[27] KING W E, BARTH H D, CASTILLO V M, et al. Observation of Keyhole-Mode Laser Melting in Laser Powder-Bed Fusion Additive Manufacturing[J]. Journal of Materials Processing Technology, 2014, 214(12): 2915-2925.

[28] AGGARWAL A, PATEL S, KUMAR A. Selective Laser Melting of 316L Stainless Steel: Physics of Melting Mode Transition and Its Influence on Microstructural and Mechanical Behavior[J]. JOM, 2019, 71(3): 1105-1116.

Online Monitoring for Laser Powder Bed Fusion Defects Based on Air-borne Acoustic Emission and Deep Transfer Learning

LI Zhi-wena,b, ZHANG Zhi-fena,b*, ZHANG Shuaia,b, WANG Jiea,b, BAI Zi-jiana,b, ZHANG Qia, HUANG Kea, WEN Guang-ruia,b

(a. School of Mechanical Engineering, b. National Key Lab of Aerospace Power System and Plasma Technology, Xi'an Jiaotong University, Xi'an 710049, China)

The work aims to research the monitoring mechanisms of defects generated in the laser powder bed fusion (LPBF) process and develop reliable on-site quality monitoring methods to guide the part production process. In this paper, air-borne acoustic emission (ABAE) technique was used to monitor the LPBF process, and several sets of ABAE signals of LPBF process under variable operating conditions were obtained. The LPBF defect acoustic monitoring mechanism was explored by analyzing the molten pool dynamics of the LPBF process and comparing the time-frequency domain characteristics of defect signals. Meanwhile, a deep transfer learning method with multi-source domain knowledge fusion (DTL-MDKF) was proposed for constructing an online monitoring model of LPBF defects, and the accuracy and effectiveness of the model were systematically evaluated. The LPBF melt pool state was closely related to the defect generated. The different generation mechanisms of the corresponding sound sources were the main reasons for the variability of their signal characteristics. The proposed DTL-MDKF method model could identify 5 types of LPBF defects with an accuracy of 98.2%, and the t-SNE visualization analysis results demonstrated its good deep feature mining capability and the effectiveness of the model's multi-source-domain adaptive fusion knowledge transfer for the task of monitoring LPBF defects in the target domain. Compared with the traditional single-source domain transfer learning method, the proposed method model has better performance and can realize accurate real-time monitoring of LPBF manufacturing defects in complex and variable working conditions, which can provide certain guidance for the production process of LPBF parts.

additive manufacturing (AM); laser powder bed fusion (LPBF); air-borne acoustic emission (ABAE); transfer learning; online monitoring of defects

10.3969/j.issn.1674-6457.2023.11.009

TG665

A

1674-6457(2023)11-0076-13

2023-08-17

2023-08-17

国家重点研发计划（2022YFB4600803）

National Key R&D Program of China (2022YFB4600803)

李治文, 张志芬, 张帅, 等. 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[J]. 精密成形工程, 2023, 15(11): 76-88.

LI Zhi-wen, ZHANG Zhi-fen, ZHANG Shuai, et al. Online Monitoring for Laser Powder Bed Fusion Defects Based on Air-borne Acoustic Emission and Deep Transfer Learning[J]. Journal of Netshape Forming Engineering, 2023, 15(11): 76-88.

通信作者（Corresponding author）

责任编辑：蒋红晨