Kā pamatnozare jomā mākslīgais intelekts, mašīnmācīšanās analizē datus, izmantojot algoritmus, atklāj likumus un modeļus un pēc tam pieņem prognozes un lēmumus. Pēdējos gados tas ir plaši izmantots jomā lāzera apšuvums. Veidojās dažādi defekti lāzera apšuvuma process nopietni ietekmēt apšuvuma slāņa kvalitāti un veiktspēju. uzticamība un atkārtojamība apšuvuma kvalitāte ir lielākās problēmas, ar kurām saskaras lāzera apšuvuma tehnoloģija. Datu vadītus mašīnmācīšanās algoritmus var izmantot lāzera apšuvuma procesa uzraudzībai un defektu noteikšanai, apšuvuma procesa atgriezeniskās saites kontrolei un apšuvuma defektu optimizēšanai un novēršanai, kas ir kļuvis par pētniecības karsto punktu šajā jomā. Šajā rakstā apskatīti lāzera apšuvuma procesā radušos defektu veidi un veidošanās mehānismi, apkopoti lāzerapšuvuma procesā ģenerēto signālu raksturlielumi un to uzraudzības principi un līdzekļi, apkopota mašīnmācīšanās metožu izpētes gaita signālu pazīmju ieguvē, defektu klasifikācijā, atpazīšana un prognozēšana lāzera apšuvuma procesā, kā arī apkopoti tipiski mašīnmācīšanās modeļi un algoritmi defektu noteikšanai. Rezultāti liecina, ka mašīnmācīšanās algoritmus var efektīvi izmantot lāzera apšuvuma pārklājuma defektu noteikšanai un konstruēt attiecības starp raksturīgajiem signāliem un pārklājuma defektiem un apšuvuma procesiem. Pašlaik pētījumā izmantotie mašīnmācīšanās algoritmi galvenokārt ir uzraudzīti mācību algoritmi. Nepārraudzītiem un daļēji uzraudzītiem mācību algoritmiem ir zemas prasības attiecībā uz datu anotāciju, un tie ir guvuši uzmanību lāzera apšuvuma procesa uzraudzības jomā un ir parādījuši lielu potenciālu. Pētījuma rezultāti norāda uz karstajiem punktiem un virzieniem mašīnmācīšanās metožu izpētei lāzerapšuvuma jomā.

Lāzera apšuvums ir efektīva virsmu inženierijas tehnoloģija[1]. Sagatavojot uzlabotus funkcionālos pārklājumus uz mehānisko detaļu virsmas, tas var efektīvi uzlabot mehānisko detaļu servisa veiktspēju ekstremālos apstākļos. Tas ir plaši izmantots tādās rūpniecības jomās kā aviācija, enerģētika, automobiļi un elektroenerģijas ražošana. Tipiskas daļas ir lāpstiņas, turbīnu diski, vārsti, virzuļi, pārkarsētāja caurules un dažādas vārpstas daļas[2-4]. Lāzera apšuvuma tehnoloģija pēdējos gados ir strauji attīstījusies[5]. Tas izmanto augstas enerģijas lāzera starus kā siltuma avotus, lai izkausētu metāla pulverus vai stieples, un veido saplūšanu ar plānu slāni uz pamatnes virsmas, lai iegūtu apšuvuma slāni ar metalurģisko savienojumu[6]. Tam ir augsta apšuvuma efektivitāte, augsta pulvera izmantošana, maza siltuma ietekmētā zona, mazs pārklājuma atšķaidīšanas ātrums, laba metalurģiskā saite, augsta mikrocietība, laba izturība pret koroziju un spēja salabot plānsienu un maza izmēra komponentus[7]. -9]. Tomēr lāzera apšuvuma pārklājuma kvalitāti ietekmē procesa plānošana, materiālu izvēle un apstrādes vide. Nepareiza izvēle radīs dažādus defektus, piemēram, poras, plaisas un pārklājuma deformāciju, samazinot apšuvuma slāņa mehāniskās īpašības [10-11]. Kā optimizēt lāzera apšuvuma procesu, pielāgot tādus parametrus kā lāzera jauda, ​​pulvera padeves ātrums, skenēšanas ātrums, apšuvuma materiāls, samazināt apšuvuma slāņa defektus un nodrošināt apšuvuma slāņa kvalitātes uzticamību un atkārtojamību, ir kļuvis par lielāko lāzera izaicinājumu. apšuvuma tehnoloģija [12-13].

Uzraugot lāzera apšuvuma procesu, var panākt apšuvuma defektu atklāšanu un prognozēšanu, kā arī nodrošināt optimizētu atgriezenisko saiti lāzera apšuvuma procesam, samazinot apšuvuma apstrādes kļūmes iespējamību un saīsinot apšuvuma slāņa izstrādes ciklu. Lāzera apšuvuma process galvenokārt balstās uz sarežģītiem fizikāliem procesiem, tostarp nelīdzsvara kinētiku, termodinamiku un kušanas procesa mikrostruktūras attīstību [14-16]. Lai efektīvi uzraudzītu lāzera apšuvuma procesu, ir nepieciešama dziļa izpratne par fizikālajām un ķīmiskajām reakcijām, kas notiek apšuvuma procesā. Apšuvuma defektu rašanās ir procesa parametru savienošanas rezultāts. Jāizprot dažāda veida defektu veidošanās mehānisms un izplatības likums apšuvuma slānī un jāapkopo apšuvuma defektu kontroles metodes [17]. Pamatojoties uz to, izvēlieties atbilstošus sensorus, lai savāktu procesa signālus, piemēram, skaņu, gaismu un siltumu, kas rodas lāzera apšuvuma laikā, lai iegūtu izkausētā baseina plūsmas un sacietēšanas procesa stāvokļa raksturlielumus [18]. Pašlaik plaši izmantotās signālu iegūšanas metodes ietver akustiskās emisijas sensorus, ātrgaitas kameras, pirometrus utt., kas var realizēt nesagraujošu apšuvuma procesa signālu iegūšanu tiešsaistē. Daudzi pētnieki ir noskaidrojuši korelāciju starp defektu rašanos un apšuvuma stāvokli un procesa parametriem, izmantojot tādu informāciju kā akustiskie signāli, izkausētā baseina plūsmas attēli un izkausēta baseina temperatūras lauka sadalījums apšuvuma procesā [19-22]. Tomēr monitoringa procesā ģenerēto datu apjomi un sarežģītās attiecības starp procesu-signālu-defektu-kvalitāti rada milzīgus izaicinājumus signālu apstrādes metodēm, kuru pamatā ir tradicionālās statistikas metodes [23]. Tāpēc lāzera apšuvuma procesa uzraudzība un defektu noteikšana, kuras pamatā ir mašīnmācīšanās, ir kļuvusi par pētniecības fronti un karsto punktu lāzera apšuvuma tehnoloģiju jomā.

Mašīnmācība (ML) ir plaši izmantota defektu noteikšanas, kļūdu diagnostikas un dzīves prognozēšanas jomās [24-27]. Izmantojot mašīnmācīšanās algoritmus, funkcijas var iegūt no signāliem, kas savākti lāzera apšuvuma procesā, un klasificēt un identificēt. Pamatojoties uz to, var veikt apšuvuma slāņa defektu klasifikāciju, pozicionēšanu, prognozēšanu un optimizāciju. 1. attēlā ir apkopoti tipiski mašīnmācīšanās algoritmi un galvenie defektu veidi, ko izmanto lāzera apšuvuma procesa uzraudzībā. Apšuvuma slāņa defekti galvenokārt tiek iedalīti porās, plaisās, zemā fūzijā un deformācijā. Procesa uzraudzībā izmantotie mašīnmācīšanās algoritmi galvenokārt ietver uzraudzītu mācīšanos, neuzraudzītu mācīšanos, daļēji uzraudzītu mācīšanos un pastiprināšanas mācīšanos. Dažādiem mašīnmācīšanās algoritmiem ir savas priekšrocības un trūkumi, un algoritms ir jāoptimizē atbilstoši konkrētās problēmas būtībai un datu kopas īpašībām [28-30]. Pašlaik vietējie un ārvalstu zinātnieki pētījumi par lāzera apšuvuma procesa uzraudzību un defektu noteikšanu galvenokārt koncentrējas uz saistību starp lāzera enerģijas lauku un materiālu lāzera apšuvuma procesā, izkausētā baseina termisko uzvedību un in situ uzraudzības metodi, apstrādi un funkciju ekstrakciju. signāla novērošanas un klasifikācijas prognozēšanas metode, kuras pamatā ir mašīnmācīšanās algoritms [31-33]. Joprojām trūkst visaptveroša pārskata par lāzera apšuvuma defektu veidošanās mehānismu, uzraudzības signālu iegūšanu un klasifikācijas prognozēšanu, pamatojoties uz mašīnmācīšanos.

Šajā rakstā tiek pētīta pašmāju un ārvalstu literatūra par mašīnmācīšanās metožu pielietojumu lāzerapšuvuma procesa uzraudzībā un defektu noteikšanas jomā pēdējos gados, apkopoti defektu veidi un to veidošanās mehānismi lāzera apšuvuma procesā, sakārtoti to raksturojumi. lāzerapšuvuma procesā ģenerētos signālus un galvenos uzraudzības principus un metodes, apspriež un apkopo dažādu mašīnmācīšanās algoritmu pielietojuma raksturlielumus lāzera apšuvuma procesa uzraudzībā un defektu noteikšanā, analizē pašreizējos mašīnmācīšanās algoritmos esošās problēmas pārklājuma defektu noteikšanas pētījumos. , un apkopo un paredz mašīnmācības pielietojumu lāzera apšuvuma tehnoloģiju pētījumos nākotnē.

1 Apšuvuma defekti un formēšanas mehānisms
Lāzera apšuvums ir dinamisks fizikāls metalurģisks process, kurā augstas enerģijas lāzera stari iedarbojas uz sakausējuma pulveriem un substrātiem, iesaistot vairākas saites, piemēram, pulvera transportēšanu, lāzera enerģijas absorbciju, materiāla kušanu un apšuvuma slāņa sacietēšanu. Tas ietver vairāku sarežģītu procesu mijiedarbību, piemēram, siltuma pārnesi, konvekciju, masas pārnesi un kristalizāciju, un to ietekmē vairāki faktori, piemēram, apšuvuma procesa parametri un pulvera un substrāta materiālu īpašības. Apšuvuma procesā enerģija tiek koncentrēta un apšuvuma slāņa sacietēšanas laiks ir ārkārtīgi īss. Tādu faktoru kā siltuma avota raksturlielumu, apstrādes tehnoloģiju un materiālu īpašību nepareizas saskaņošanas un regulēšanas dēļ apšuvuma slānī bieži rodas tādi defekti kā poras, plaisas, nepietiekama saplūšana, izdedžu ieslēgumi un ģeometriskā deformācija [34], kas savukārt ietekmē apšuvuma slāņa kvalitāti un mikrostruktūru un samazina apšuvuma detaļu kalpošanas laiku.

1.1. Poru ģenerēšana un sadale
Poras ir visizplatītākie lāzera apšuvuma pārklājumu defekti. To lielumam, skaitam, formai un sadalījumam ir tieša ietekme uz apšuvuma slāņa cietību, izturību, anizotropijas un noguruma īpašībām [35-39]. Tā kā apšuvuma slānī ir vāja vieta, poras ir pakļautas sprieguma koncentrācijai un plaisu veidošanās procesam, kas ietekmē apšuvuma slāņa blīvumu, savienojuma veiktspēju, noguruma izturību un kalpošanas laiku. Poru veidošanās mehānismi apšuvuma slānī ir dažādi. Poras ir visvieglāk radušies poru defekti lāzera apšuvuma procesā. Nepietiekama pulvera difūzija, nepietiekama fūzija un atslēgas caurumi var izraisīt arī poras izkusušajā baseinā [40-41]. Poras galvenokārt tiek iedalītas divos veidos atkarībā no ģenerēšanas mehānisma: piesaistes veids un reakcijas veids. Lāzera apšuvuma procesā apšuvuma pulveris un pamatnes virsma absorbēs gaisu un mitrumu. Augstā temperatūrā tie iztvaiko un tiks ievilkti izkusušajā baseinā, veidojot poras. Poru aizplūšanas uzvedību ietekmē virsmas spraigums, Marangoni konvekcijas efekts un atsitiena spiediens [42]. Vairāku spēku savienojuma rezultātā gāze pārvietojas izkusušajā baseinā. Ja gāzei neizdodas izkļūt no cietās-šķidruma virsmas, pirms izkusušais baseins sacietē un aizveras, to uztvers izkusušais baseins, veidojot poru defektus [43]. Izkausētais metāls reaģē ar izplūdušajiem ūdens tvaikiem, veidojot metāla oksīdus un ūdeņradi, un ūdeņradis tālāk tiek ievilkts izkausētajā baseinā, veidojot poras [44]. Poru veidošanos apšuvuma slānī nosaka gāzes izplūdes izturēšanās izkausētā baseina sacietēšanas laikā. Kā parādīts 2. attēlā, lāzera apšuvuma procesa laikā Marangoni konvekcija notiek bultiņas norādītajā virzienā izkausētā baseinā, un plūsmas virziens ir no izkausētā baseina apakšas uz centru un pēc tam no centra uz izkusušā baseina robeža. Šī konvekcija pārnes gāzi uz izkausētā baseina dibenu, veicina poru kustību un palielina sadursmes iespējamību, ka mazi caurumi saplūst lielos caurumos. Poras pārvietojas šķidruma plūsmas virzienā un tiek sadalītas ķēdē.

1.2. Plaisu rašanās un paplašināšana

Plaisas apšuvuma slānī ir defekti, kas radušies iekšējo spriegumu un metalurģisko īpašību savienojuma rezultātā. Plaisu veidošanās cēloni un plaisu rašanās vietu ietekmē apšuvuma parametri.

Plaisu defekti tieši ietekmē apšuvuma slāņa nodilumizturību un izturību pret koroziju un var pat darboties kā sprieguma koncentrācijas punkti, lai izraisītu apšuvuma daļu lūzumu un bojājumus. Tāpēc, balstoties uz mašīnmācīšanās metodēm, apvienojumā ar plaisu raksturlielumiem un izplatību, materiālu, procesu, defektu un veiktspējas iekšējās korelācijas mehānisma izpēte un apšuvuma materiālu un procesu regulēšana pašlaik ir aktuālas pētniecības tēmas lāzera apšuvuma pārklājumu defektu kontroles jomā. . Lāzera enerģijas lauka iedarbībā pulveris un substrāts kūst, veidojot šķidra metāla baseinu. Izkausēto metālu baseinā ietekmē virsmas spraiguma, gravitācijas, viskozā bīdes sprieguma un aizsarggāzes spiediena kombinētā iedarbība, kas padara dažādu materiālu termiskās izplešanās koeficientus izkausētā baseina konvekcijas sacietēšanas procesā atšķirīgus, tādējādi izraisot termisko spriegumu, fāzi. mainīt spriegumu, ierobežojošo spriegumu un citus iekšējos spriegumus apšuvuma slānī. Kad lokālā iekšējā sprieguma uzkrāšanās pārsniedz materiāla sprieguma robežu, apšuvuma slānī veidosies plaisas [45-46]. Termiskajam spriegumam ir vadošā loma plaisu defektu rašanās procesā apšuvuma slānī [47-48]. Ja apšuvuma slāņa materiāla termiskās izplešanās koeficients ir lielāks nekā pamatnes materiālam, termiskais spriegums izpaužas kā stiepes spriegums un otrādi kā spiedes spriegums. Porainība, starpgranulu šķidrā plēve un segregēta cietā fāze apšuvuma slānī mēdz kļūt par lokālām sprieguma koncentrācijas zonām [49]. Plaisas bieži rodas šajās vietās un stiepjas gar materiāla vājajām vietām apšuvuma slānī. Kā parādīts 3. attēlā, plaisu veidus var klasificēt pēc orientācijas un atrašanās vietas. Pēc plaisu orientācijas pārklājuma plaisas var iedalīt šķērsplaisās, garenplaisās un sieta plaisās [50]. Šķērsvirziena plaisas parasti sākas pārklājuma un pamatnes savienojuma vietā un pēc tam stiepjas perpendikulāri skenēšanas virzienam līdz pārklājuma virsmai, parādot visa pārklājuma lūzumu perpendikulāri skenēšanas virzienam. Šķērsvirziena plaisas forma ir salīdzinoši taisna, kas parāda transkristāliskā lūzuma īpašības. Garenisko plaisu rašanos galvenokārt ietekmē pārklājuma šķērsgriezuma stiepes spriegums. Ja pārklājums ir biezs, gareniskās plaisas galvenokārt stiepjas no pārklājuma virsmas gar metalurģiskās savienošanas zonu līdz apakšai; kad pārklājums kļūst plānāks, saskarnes plaisas gar metalurģiskās savienošanas zonu kļūst par gandrīz vertikālām gareniskām plaisām abās pārklājuma pusēs. Tīkla plaisas parasti sākas pārklājumā un attīstās vairākos virzienos trīsdimensiju telpā, ko izraisa termiskais stress. Tie var izstiepties līdz pārklājuma virsmai vai saskarnei, un tiem ir starpkristāliskā un transkristāliskā paplašinājuma īpašības [50]. Atbilstoši plaisu rašanās vietai plaisas var iedalīt apšuvuma slāņa plaisās, pārklāšanās zonas plaisās un metalurģiskās savienošanas zonas plaisās. Lāzera apšuvuma procesā izkausētā baseina temperatūras sadalījums pakāpeniski samazinās no centra uz malu. Nesabalansēta virsmas spraiguma gradienta vadīts, kausētais metāls plūst no zema spriedzes zonas (centra) uz augsta sprieguma apgabalu (malu), izraisot Marangoni konvekcijas efektu [51], kas izraisa sprieguma koncentrāciju un plaisu sākšanos apšuvuma slānī. . Apšuvuma slāņa pārklāšanās zona rada ievērojamu temperatūras gradientu blakus esošo metinājumu atkārtotas kušanas dēļ, un termiskā sprieguma uzkrāšanās pārklāšanās zonā rada plaisas. Tā kā apšuvuma slānim un substrātam ir atšķirīgi lāzera enerģijas absorbcijas raksturlielumi, siltumvadītspēja un siltuma izplešanās koeficients, izkausētā baseina plūsmas un sacietēšanas laikā siltuma vadīšana pakāpeniski pāriet uz termiskās konvekcijas stadiju, padarot termisko spriegumu centrā. izkusušais baseins ir ievērojami mazāks nekā izkusušā baseina malā. Maksimālais termiskais spriegums parādās izkausētā baseina apakšā, kā rezultātā metalurģiskajā savienojuma zonā veidojas plaisas. 1.3. Nepietiekama fūzija un izdedžu iekļaušana Pēc tam, kad pulvera plūsma ir izspiesta no sprauslas un savienota ar lāzera staru, pulveris tiek uztverts izkusušajā baseinā vai pēc lāzera starojuma enerģijas absorbcijas veido šļakatas [52]. Kā parādīts 4. attēlā, izšļakstīto pulveri var iedalīt pilnībā izkusušajā un daļēji izkusušajā stāvoklī atbilstoši tā fizikālajām īpašībām. Daļēji izkusis pulveris izraisīs nepietiekamu fūziju. Kad lāzera jauda ir zema, nepietiekami kausētās pulvera daļiņas uz apšuvuma slāņa virsmas palielinās virsmas raupjumu [53]. Turklāt, ja pulvera padeves ātrums ir mazs, izkausētā baseina platums ir šaurs, kas izraisa pārklājuma pārklāšanās ātruma samazināšanos, kā rezultātā starp vairākām šuvēm paliek liels daudzums neizkusuša pulvera. Izdedžus, kas paliek metinātajā šuvē, sauc par izdedžu iekļaušanu. Izdedžu ieslēgumi samazina metinājuma plastiskumu un stingrību, un to asie stūri viegli izraisa sprieguma koncentrāciju, izraisot plaisu sākšanos [54]. Pārkausēšanas efekts daudzslāņu apšuvuma sagatavošanas procesā var uzlabot pulvera nesaplūstošo stāvokli starp slāņiem [55], bet slāņa raupjums ietekmēs kopējo apšuvuma slāņa raupjumu, izraisot starpslāņu spraugas, izraisot poru veidošanos, un ietekmē starpslāņu savienošanu [56-57]. Daļēji izkusis pulveris izkausētajā baseinā veidos zemas saplūšanas poras, kas kavēs izkausētā baseina saķeri. Kad plūstošais kausētais baseins ir bloķēts, virsmas spraigums, ko izraisa temperatūras gradients izkausētā baseinā uz izkausētā piliena virsmas, izraisīs izkausētā pilieniņa tendenci saritināties bumbiņā, kā rezultātā rodas sferoidizācijas parādība [50, 58] . Starp izkausētajiem pilieniem izveidojušos dobuma laukumu ir grūti pilnībā aizpildīt, kas noved pie arī tādu defektu kā poru rašanās [50, 59].

1.4. Apšuvuma slāņa ģeometriskā deformācija Parastie lāzera apšuvuma ģeometriskie defekti ir plakanuma defekti, kausējuma sabrukšana, deformācija, plaisāšana un atslāņošanās. Ģeometriskā deformācija ir makroskopisks defekts, un tās galvenais cēlonis ir sprieguma un kļūdu uzkrāšanās apšuvuma procesā. Ģeometriskā deformācija tieši ietekmē apšuvuma formēšanas precizitāti. Smagos gadījumos tas izraisīs tiešu daļu nodošanu metāllūžņos [34]. Kā parādīts 5. attēlā, sprieguma uzkrāšanās apšuvuma slānī novedīs pie deformācijas deformācijas un veidos plakanuma defektus [62]. Lielām apšuvuma daļām parasti ir plakanuma defekti. Ja apšuvuma procesā siltums tiek sadalīts nevienmērīgi, uz virsmas veidosies nestabils kausējuma baseins, un apšuvuma slāņa malās bieži notiek kausētais sabrukums [28]. Atlikušie spriegumi, kas izraisa apšuvuma slāņa deformāciju, galvenokārt ietver termisko spriegumu, strukturālo spriegumu, ierobežojošo spriegumu un sacietēšanas saraušanās spēku [63]. Šos spriegumus galvenokārt izraisa temperatūras gradients, kas veidojas, strauji atdziestot izkusušajam baseinam apšuvuma procesā. Izkausētā baseina strauja uzsildīšana un dzesēšana rada nevienmērīgu termisko izplešanos un kontrakciju, tādējādi veidojot termisko spriegumu [64-65]. Atšķirīgie graudu augšanas ātrumi izkausētā baseina sacietēšanas laikā izraisa graudu izmēra atšķirību, kas padara atšķirīgu fāzes transformācijas laiku un pakāpi, tādējādi radot strukturālu spriegumu. Apšuvuma slāņa deformācijas pakāpe un izvietojuma sadalījums ir saistīts ar ierobežojuma režīmu, un ierobežojuma spriegums galvenokārt ir saistīts ar materiāla īpašībām, temperatūru un detaļas izmēru. Cietināšanas saraušanās attiecas uz tilpuma saraušanos, ko izraisa kausējuma tilpuma samazināšanās un nevienmērīgs temperatūras sadalījums kristalizācijas un dzesēšanas laikā, kas rada atlikušo spriegumu [66]. Periodiska vairākkārtēja pārkausēšana izraisa plaisāšanu un atslāņošanās defektus lāzera apšuvuma daļās. Atslāņošanās parasti notiek starp pamatni un apšuvuma slāni vai starp nepārtrauktiem apšuvuma slāņiem. Starpslāņu plaisas parasti izraisa dažādi saraušanās ātrumi, ko izraisa dažādi starpslāņu temperatūras gradienti. Efektīvi pasākumi plaisāšanas un atslāņošanās novēršanai ietver efektīvu siltuma izkliedi, atbilstošus procesa parametrus un materiāla pielāgošanās spējas [67].

2 Apšuvuma procesa signāli un noteikšana
Kā parādīts 6. attēlā, lāzera apšuvuma pārklājumu sagatavošanas laikā lāzera un pulvera un substrāta mijiedarbība radīs akustiskus, optiskus, termiskus un citus signālus. Šie signāli satur bagātīgu apšuvuma procesa informāciju un ir svarīgi, lai uzraudzītu apšuvuma procesa anomālijas un defektus apšuvuma slānī, prognozētu apšuvuma slāņa veiktspēju un optimizētu procesa parametrus. Efektīva un precīza signālu datu iegūšana ir priekšnoteikums, lai panāktu apšuvuma slāņa kvalitātes kontroli un mašīnmācīšanās prognozēšanu.

2.1 Skaņas signāls
Elastīgie viļņi rodas pulvera un substrāta kušanas un izkausēta baseina plūsmas laikā, kas pārraida daudzus akustisko viļņu signālus, kas saistīti ar iekšējām īpašībām, tostarp informāciju, piemēram, defekta veidu, defekta atrašanās vietu un apšuvuma slāņa kvalitāti apšuvuma slānī. Atbilstošu sensoru izvēle akustiskā signāla raksturlielumu apkopošanai un apstrādei var realizēt defektu uzraudzību un apšuvuma slāņa kvalitātes prognozēšanu.
Kā parādīts 7. attēlā, LI et al. [68] atklāja, ka akustiskās emisijas (AE) signāla amplitūda parastā apšuvuma procesā ir 0.05 dB robežās, savukārt akustiskās emisijas signāla amplitūda plaisāšanas procesā var sasniegt līdz 1.5 dB, kas ir 30 reizes vairāk nekā normālā stāvoklī, norādot, ka akustisko signālu var efektīvi izmantot plaisu defektu uzraudzībai. Trokšņa signāls apšuvuma procesā ir sarežģīts, un savāktajam signālam ir jāatbrīvojas no trokšņa un jāizņem funkcija. CHEN et al. [69] izmantoja mikrofona sensoru, lai uzraudzītu martensīta novecojošā tērauda C300 pulvera lāzera apšuvuma procesu, pētīja saistību starp akustiskās emisijas signālu un tādiem defektiem kā plaisas un poras, kā arī izveidoja akustiskā signāla klasifikācijas modeli lāzera un materiāla mijiedarbībai, izmantojot automatizētu. in situ akustiskā trokšņa samazināšana un funkciju noņemšana, realizējot apšuvuma defektu noteikšanu, pamatojoties uz akustiskajiem signāliem. Raksturīgo signālu identificēšana apšuvuma procesā ir pamats, lai noteiktu saistību starp defektiem un akustiskās emisijas signāliem. GAJA et al. [70] pētīja akustiskās emisijas signālus titāna sakausējuma un instrumentu tērauda kompozītmateriālu pulvera lāzera apšuvuma procesā, ieguva no tiem septiņas pazīmes, lai analizētu lāzera apšuvuma procesu, un izmantoja mašīnmācīšanās algoritmus, lai apkopotu raksturīgos datus, efektīvi atšķirot akustisko emisiju. plaisu un poru signāli. Skaņas signāli var uzraudzīt izkausētā baseina stāvokli un defektus apšuvuma procesā. Akustiskās īpašības, kas iegūtas ekstrakcijas, klasifikācijas un citādas apstrādes rezultātā, var noteikt atbilstošu attiecību starp akustiskajiem signāliem un defektiem. Tomēr akustiskā sensora veids, uzraudzības pozīcija un leņķis tieši ietekmē akustisko signālu uztveršanu. Grūtības galvenokārt ir saistītas ar precīzu akustiskās emisijas signālu iegūšanu un funkciju izņemšanu signālu apstrādes laikā. Mašīnmācīšanās metožu izmantošana var efektīvi noteikt saistību starp signāla iezīmēm un defektiem. Patlaban lāzera apšuvuma akustiskās emisijas signālu monitoringa pētījumi galvenokārt ir vērsti uz vienas piegājiena apšuvumu, un ir nepieciešama turpmāka akustisko signālu monitoringa metožu izstrāde, kas piemērotas daudzpāreju, daudzslāņu un visam apstrādes procesam. 2.2 Optiskais signāls
Apšuvuma procesā iegūto attēla informāciju var izmantot, lai pētītu pulvera, izkusušo pūku, šļakatu, poru, plaisu uc parādības. Parastās optiskā signāla uztveršanas ierīces ir rūpnieciskās kameras, ātrgaitas kameras, spektrometri un fotodiodes. Izvelkot savākto signālu pazīmes, var uzraudzīt apšuvuma pārklājuma kvalitāti un defektus. Rūpnieciskās kameras attēla iegūšanai ir zemas izmaksas un augsta izšķirtspēja, un to bieži izmanto, lai novērtētu virsmas kvalitāti un pārklājuma defektus. Ātrgaitas kamerām ir augsta paraugu ņemšanas frekvence, un tās var fiksēt pārejošas izkusušās baseina izmaiņas, uzraudzīt šļakatas, poras un citas funkcijas, kā arī tiešsaistē noteikt defektus. Fotodiodes var pārveidot savāktos optiskos signālus elektriskos signālos, tādējādi izkausētā baseina, šļakatu uc radītie starojuma signāli tiek pārvērsti analogos elektriskos signālos, bagātinot pārklājuma kvalitātes novērtēšanas informāciju. Rentgenstaru spektrometri var iekļūt paraugos un atspoguļot defektu skaitu, morfoloģiju un atrašanās vietu apšuvuma slānī. Tos var kombinēt ar plaisu pagarinājuma modeļiem, lai efektīvi novērtētu pārklājuma noguruma kalpošanas laiku.

Kā parādīts 8. attēlā, LI et al. [71] izmantoja ātrgaitas kameru, lai uzraudzītu izkausētā baseina dinamiskos raksturlielumus lāzera apšuvuma laikā, pētīja dažādu lāzera režīmu ietekmi uz izkausētā baseina robežas stabilitāti un sacietēšanas mikrostruktūru, kā arī atklāja kvazi-nepārtrauktas baseina priekšrocības. viļņu lāzers, uzlabojot ģeometriskās morfoloģijas stabilitāti un veicinot kolonnu dendrītu nepārtrauktu epitaksiālo augšanu. ASSELIN et al. [72] izstrādāja izkausētā baseina vizuālo tiešsaistes mērīšanas sistēmu, kuras pamatā ir trīs rūpniecisko kameru komplekti, un izstrādāja atbilstošu attēlu analīzes algoritmu, lai no attēla iegūtu izkausētā baseina ģeometrisko formu un izmantotu to kā slēgta cikla signālu procesa sasniegšanai. sarežģītu izliektu virsmu lāzera apšuvuma kontrole. HOJJATZADEH et al. [73] izmantoja in-situ rentgena metodi, lai pētītu pulvera kušanas procesu, veidojot kausētu baseinu. Pārvēršot rentgena signālu attēla datos, tika panākta poru ģenerēšanas procesa novērošana in situ, kā arī piedāvāts jauns poru veidošanās mehānisms, kas deva pamatu poru defektu samazināšanai. ZHANG et al. [74] filtrēja izkausētā baseina izstaroto optisko signālu caur vājinājuma plāksni un filtru un pēc tam pārveidoja to strāvas signālā caur fotodiodi. Viņi pētīja savāktā signāla stabilitāti dažādās lāzera jaudās un atklāja, ka relatīvajam attālumam starp izkausēto baseinu un fotodiodi un krītošā leņķim ir liela ietekme uz datu precizitāti.

Optisko signālu mērīšanas tehnoloģijai ir bezkontakta, augstas efektivitātes, augstas precizitātes un vieglas automatizācijas īpašības. Tas ir plaši izmantots lāzera apšuvuma procesa uzraudzībā, un to var izmantot kā slēgta cikla atgriezeniskās saites vadības signālu, lai samazinātu defektu rašanos. Liela nozīme ir lāzerapšuvuma slāņu kvalitātes uzlabošanai un elastīgai izgatavošanai. Tomēr lāzera apšuvuma process ir ātrs, un tam ir augstas prasības atgriezeniskās saites kontrolei. Nepieciešams uzlabot optiskā signāla atpazīšanas precizitāti un ātrumu un optimizēt apšuvuma procesa atpazīšanas algoritmu.

2.3. Siltuma signāls Augstas enerģijas lāzera stari var izkausēt pulveri un izveidot izkusušo baseinu uz pamatnes virsmas. Izkausētā baseina veidošanās, kustība un sacietēšana ir visi siltuma pārneses procesi. Sarežģītā siltuma vadītspēja lāzera apšuvuma procesā tieši ietekmē apšuvuma slāņa mikrostruktūru, atlikušo spriegumu, defektus un deformāciju. Tāpēc temperatūras sadalījuma izpētei lāzera apšuvuma laikā ir liela nozīme, lai optimizētu apšuvuma slāņa kvalitāti. Lāzera apšuvuma laikā temperatūras uzraudzībai izmantotie sensori galvenokārt ir pirometri un termovizori. Ar pirometriem parasti var izmērīt tikai vietējo apgabalu temperatūru, savukārt termovizoriem ir plašāks temperatūras mērīšanas diapazons. Salīdzinot ar tradicionālajiem kontakta termopāra temperatūras sensoriem, pirometri un termovizori ir bezkontakta un var tiešsaistē noteikt kustīgā izkausētā baseina temperatūras sadalījumu. Kā parādīts 9. attēlā, MUVVALA et al. [75] izmantoja pirometru, lai uzraudzītu ar TiC daļiņām pastiprinātu metālu saturošu kompozītmateriālu pārklājumu reakcijas raksturlielumus lāzera apšuvuma laikā. Viņi atklāja, ka zems skenēšanas ātrums un lēns dzesēšanas process izraisītu TiC daļiņu sadalīšanos un dendrīta struktūru veidošanos, pierādot, ka keramikas stiegrojuma fāžu sadalīšanās stāvokļa nesagraujošu analīzi var panākt, pētot izkausētā baseina temperatūras lauku. MISRA et al. [76] izmantoja infrasarkano pirometru, lai uzraudzītu izkausētā baseina temperatūras lauka sadalījumu un izpētītu saistību starp procesa parametriem un izkausētā baseina īpašībām. Apkopojot temperatūras lauka sadalījumu, apšuvuma slāņa mikrostruktūru un nogulsnēšanās raksturlielumus, tiek panākta graudu morfoloģijas, fāzes struktūras un pārklājuma defektu prognozēšana. MAZZARISI et al. [77] izmantoja termovizoru, lai pētītu izkausētā baseina vidējo temperatūru, maksimālo temperatūru, termisko ciklu, dzesēšanas ātrumu un termiskā gradienta raksturlielumus vienslāņu daudzkārtu apšuvuma slāņa sagatavošanas laikā. Pamatojoties uz to, tika analizēts plaisu un poru defektu veidošanās mehānisms un cietības izmaiņu likums, kā arī piedāvāta apšuvuma procesa optimizācijas stratēģija. D'ACCARDI et al. [78] izmantoja infrasarkano termisko attēlu, lai izsekotu un uzraudzītu izkausētā baseina temperatūru lāzera apšuvuma laikā, ieguva termiskās īpašības no izvēlētās izkausētā baseina zonas un analizēja korelāciju starp temperatūras datiem un apšuvuma parametriem, piemēram, lāzera jaudu, skenēšanu. ātrumu un pulvera plūsmas ātrumu, izmantojot dispersijas analīzes statistikas metodes, un pārbaudīja infrasarkano staru termoattēlu iespējamību, lai tiešsaistē uzraudzītu defektus un kvalitātes novirzes lāzera apšuvuma laikā. Temperatūras lauka sadalījums ir cieši saistīts ar materiāla morfoloģiju un termisko emisiju. Apšuvuma procesā ir šķidri izkausēti baseini, cietie pulveri, sacietējuši metāli un gāzveida iztvaicēti metāli. Plūstošais izkusušais baseins arī padara acīmredzamu temperatūras atšķirību dažādās pozīcijās. Tāpēc apšuvuma slāņa siltumvadītspēja nav konstanta, bet mainās atkarībā no materiāla stāvokļa, telpiskā sadalījuma un temperatūras.

2.4. Vairāku signālu saplūšana
Signālam, ko mēra viens sensors, ir grūti pilnībā atspoguļot apstrādes statusu un informāciju par defektiem lāzera apšuvuma procesā. Attīstoties monitoringa tehnoloģijai, pēdējos gados ir parādījušies daudzi pētījumi par lāzera apšuvuma procesa uzraudzību, izmantojot vairāku sensoru integrāciju. Savācot vairākus signālus vienlaikus, tas var vispusīgāk atspoguļot apšuvuma īpašības un uzlabot uzraudzības precizitāti. Kā parādīts 10. attēlā, MAFFIA et al. [79] izveidoja vairāku sensoru saplūšanas kausējuma baseina raksturlielumu uzraudzības sistēmu, lai vienlaikus tiešsaistē uzraudzītu izkausētā baseina augstumu, laukumu un temperatūras raksturlielumus apšuvuma procesa laikā. Rezultāti liecina, ka izkausētā baseina augstumu galvenokārt ietekmē skenēšanas ātrums, savukārt izkausētā baseina laukumu un temperatūru galvenokārt ietekmē lāzera jauda, ​​un izkausētā baseina laukums ir lineāri saistīts ar temperatūru. BI et al. [80] izstrādāja jaunu lāzera apšuvuma galviņu ar integrētu kameru un fotodiodi, kas realizēja izkausētā baseina raksturlielumu tiešsaistes uzraudzību un izmantoja kontrolieri, lai realizētu attāluma un temperatūras slēgtā cikla kontroli apšuvuma procesā, izvairoties no apšuvuma uzkrāšanās un realizējot apšuvumu. sienas biezuma kontrole. CHEN et al. [81] izstrādāja vairāku sensoru spatiotemporālās informācijas saplūšanas metodi, kuras pamatā ir vizuālie attēli, akustiskās emisijas signāli un temperatūras lauka signāli. Viņi izmantoja vizuālos signālus, lai marķētu defektu zonas, un apvienoja akustiskās emisijas signālus ar izkausēta baseina termisko raksturlielumu signāliem, lai apmācītu defektu prognozēšanas modeļus, panākot augstāku precizitāti nekā tradicionālās viena sensora defektu prognozēšanas metodes.

3 Defektu novērtēšanas mašīnmācīšanās algoritms

Lāzera apšuvuma procesā izkausētais baseins satur bagātīgu informāciju par apšuvumu. Izkausētā baseina morfoloģija, temperatūras lauka sadalījums, spektrs un akustiskās emisijas signāli ir cieši saistīti ar apšuvuma slāņa iekšējo struktūru, defektiem un ģeometrisko precizitāti pēc sacietēšanas. Sasaistot šos raksturīgos mainīgos un optimizējot procesa parametrus, var uzlabot apšuvuma slāņa kvalitāti. Mašīnmācīšanās mērķis ir izmantot algoritmus, lai atrastu modeļus, izmantojot datu paraugus, tādējādi izveidojot modeli ar iespēju vispārināt un izdarīt secinājumus no viena piemēra. Kā parādīts 11. attēlā, mašīnmācīšanās metodes var izmantot defektu noteikšanai, veiktspējas novērtēšanai, procesa optimizācijai un sarežģītu attiecību izpētei starp procesa parametriem, mikrostruktūru un lāzera apšuvuma slāņu makroskopisko veiktspēju. Mašīnmācīšanās process galvenokārt ietver datu vākšanu, datu priekšapstrādi, funkciju inženieriju, datu kopu sadalīšanu, modeļu apmācību un verifikāciju utt.

Mašīnmācīšanās metodes, ko izmanto lāzera apšuvuma procesu izpētē, galvenokārt ir uzraudzīta mācīšanās, bez uzraudzības un daļēji uzraudzīta mācīšanās. Uzraudzītā apmācībā tiek izmantoti marķētu pazīmju dati apmācībai, lai izveidotu kartēšanas attiecības starp procesa parametriem, izkausētā baseina raksturlielumiem, apšuvuma slāņa defektu īpašībām un apšuvuma slāņa veiktspēju, lai prognozētu un klasificētu defektu kategorijas. Nepārraudzītā mācībā tiek izmantoti nemarķēti iezīmju dati apmācībai, lai apkopotu vai samazinātu izkusušo kopu un defektu informāciju ar līdzīgām īpašībām, kā arī izpētītu raksturīgo saistību starp procesa parametriem un apšuvuma slāņa veiktspēju. Daļēji uzraudzītā mācīšanās apvieno uzraudzītas mācīšanās prognozēšanu ar daļēji uzraudzītu mācību klasterizāciju un izmanto nelielu daudzumu marķētu datu un lielu daudzumu nemarķētu datu apmācībai, lai secinātu nezināmu datu defektu kategoriju.

3.1. Uzraudzīta mācīšanās
Uzraudzītā mācīšanās ir visplašāk izmantotā mašīnmācīšanās tehnoloģija.
Parastie uzraudzītie mācību algoritmi ietver loģistisko regresiju (LR), lēmumu koku, atbalsta vektoru mašīnu, K-tuvākā kaimiņa mācīšanos, mākslīgo neironu tīklu un konvolucionālo neironu tīklu.
Apvienojot vairākus pamata uzraudzītas mācīšanās modeļus, var panākt labāku prognozēšanu.
Ansambļa mācīšanās metodes galvenokārt ietver iepakošanas algoritmu, pastiprināšanas metodi un stacking ansambļa mācīšanās metodi [82].
Atbilstoši datu nepārtrauktībai vai diskrētumam uzraudzītos mācību uzdevumus var iedalīt klasifikācijas problēmās un regresijas problēmās. Klasifikācijas problēmu etiķetes ir diskrētas vērtības, un regresijas problēmu etiķetes ir nepārtrauktas vērtības [83-84].
1. tabulā ir uzskaitīta literatūra, kas saistīta ar lāzera apšuvuma pārklājumu defektu analīzi un prognozēšanu pēdējos gados, tostarp uzraudzīti mācību algoritmi, materiāli un defektu veidi, datu kopu veidi un prognozēšanas rezultāti.
GAJA et al. [85] izmantoja loģistikas regresijas modeli, lai atklātu defektus Ti6Al4V un H13 jauktā pulverveida pārklājuma pārklājumos. Savācot akustiskās emisijas signālus apšuvuma procesā, tika iegūta maksimālā amplitūda, pieauguma laiks, ilgums, enerģija un akustiskās emisijas skaits, kā arī tika efektīvi atzīmēti un uzraudzīti divi plaisu un poru defekti. DANG et al. [86] izmantoja grēdas regresijas modeli, lai veiktu titāna sakausējuma noguruma mūža posteriori analīzi, ekstrahētus mikrostruktūras indikatorus un sprieguma intensitātes raksturlielumus, izveidotu noguruma mūža posteriori analīzes modeli un iegūtu labus vispārinājumu prognozēšanas rezultātus. Regresijas modelis paredz rezultātus, analizējot matemātisko saistību starp mainīgajiem. Pēc matemātiskās attiecības to var iedalīt lineārajā regresijā un nelineārajā regresijā. Saskaņā ar ievades lāzera apšuvuma parametriem, materiāla īpašībām un defektu veidiem regresijas modeli var izmantot, lai prognozētu apšuvuma slāņa galvenos veiktspējas rādītājus. Lēmumu koks attēlo kartēšanas attiecības starp objekta atribūtiem un objekta vērtībām, un tā pamatprocess seko "sadali un valdi" stratēģijai. Patoloģiska pulvera plūsma, ko izraisa sprauslas iekšējā plūsmas ceļa bloķēšana un luminiscences un šļakatu izmešana izkausētā baseina zonā, apgrūtina neparastas pulvera padeves uzraudzību. LEE et al. [88] ierosināja apšuvuma anomāliju un pulvera padeves anomāliju atpazīšanas tehnoloģiju, kuras pamatā ir koaksiālās kameras attēli, kā parādīts 12. attēlā. Koaksiālā kamera tika izmantota, lai savāktu izkausētā baseina raksturlielumus normālos un sprauslas bloķētos apstākļos, kas tika izmantoti, lai identificētu neparastu pulvera padevi apšuvuma procesā. Veicot modeļu apmācību un verifikāciju, tika konstatēts, ka, palielinoties savāktā attēla ekspozīcijas laikam, pieauga lēmumu koka metodes prognozēšanas precizitāte. Pie ekspozīcijas laika 300 μs prognozēšanas precizitāte sasniedza 93%. KHANZADEH et al. [87] noteica atbilstību starp izkausētā baseina attēlu un poru stāvokli, pamatojoties uz lēmumu koka modeli, un salīdzināja pārklājuma porainības prognozēšanas precizitāti, izmantojot izkausētā baseina termiskās īpašības un vienkāršos izkausētā baseina rādītājus (garums, platums, maksimālā temperatūra, laukums utt.). Tika konstatēts, ka morfoloģiskais modelis, kas satur izkausētā baseina termiskās īpašības apvienojumā ar uzraudzīto mācību modeli, uzrādīja labāku prognozēšanas precizitāti. Lēmumu koka modeļa kļūdas vērtība, kas identificē parasto izkausēto baseinu kā poras, bija tikai 0.03, XNUMX%. Lēmumu koks var apstrādāt gan skaitliskas pazīmes, gan kategoriskas pazīmes. Tas ir brīvāks neapstrādātu datu apstrādē, neprasa lielu datu pirmapstrādes darbu un neprasa īpašu datu konvertēšanu. Tas ir elastīgāks, apstrādājot dažāda veida datus. Atbalsta vektora mašīna (SVM) ir modelis, kas klasificē parauga vietu, pamatojoties uz apmācības kopu. Tā lēmuma robeža ir maksimālās robežas hiperplakne mācību paraugu risināšanai. To var klasificēt arī nelineāri ar kodola metodi. Kā parādīts 13. attēlā, SEIFI et al. [89] izmantoja daudzlīniju galveno komponentu analīzi, lai no izkausētā baseina attēla iegūtu pa slāņiem pazīmes, un pēc tam izmantoja SVM modeli, lai prognozētu katra slāņa kvalitāti. Lai novērtētu ierosinātās metodes prognozēšanas veiktspēju, tika izmantotas divas savstarpējās validācijas metodes, pierādot, ka tehnoloģija var nodrošināt detaļu kvalitātes tiešsaistes uzraudzību. CHEN et al. [90] izveidoja uz keramikas bāzes veidotu lāzera apšuvuma pārklājuma kvalitātes prognozēšanas modeli, kura pamatā ir SVM, lai izpētītu saistību starp apšuvuma procesa parametriem un pārklājuma kvalitātes raksturlielumiem. Rezultāti liecina, ka iepriekš iestatītais pulvera biezums, lāzera vietas diametrs un lāzera jauda ir galvenie procesa parametri, kas ietekmē apšuvuma slāņa veiktspēju. Atbalsta vektora regresijas (SVR) modelis izmanto SVM modeli regresijas analīzei, lai atrastu optimālo pielāgošanas līkni. HAO et al. [91] izmantoja SVR modeli, lai prognozētu SS316L lāzera apšuvuma pārklājuma augstumu, platumu un maksimālās nobīdes punktu uz slīpas pamatnes. Modeļa ievade ietver slīpuma leņķi, lāzera jaudu, pulvera padeves ātrumu un skenēšanas ātrumu. Pēc modeļa apmācības tika konstatēts, ka SVR modeļa prognozēšanas precizitāti var uzlabot, pielāgojot modeļa hiperparametrus (soda koeficients, kodola koeficients). DANG et al. [92] izveidoja titāna sakausējuma detaļu noguruma prognozēšanas modeli, pamatojoties uz SVR modeli, izmantojot sprieguma intensitātes koeficientu un mikroporu raksturlielumus kā ievades mainīgos, un pārbaudīja, vai prognozētie rezultāti ir tuvu izmērītajiem noguruma kalpošanas laika datiem. SVM modelim ir laba klasifikācijas ietekme uz maziem izlases datiem. Maksimizējot klasifikācijas robežas intervālu, tai ir spēcīga vispārināšanas spēja un tā var sasniegt labu veiktspēju, saskaroties ar jauniem datiem. K-tuvāko kaimiņu (KNN) modelis klasificē paraugus, mērot attālumu starp dažādām pazīmju vērtībām. Šī metode nosaka tikai klasificējamā parauga kategoriju, pamatojoties uz viena vai vairāku tuvāko paraugu kategoriju klasifikācijas lēmumā. Kā parādīts 14. attēlā, CHEN et al. [62] veica pētījumu par virsmas defektu prognozēšanu, pamatojoties uz apšuvuma slāņa virsmas punktu mākoņu kontūras informāciju, un sadalīja virsmas defektus izvirzījumos, iespiedumos un viļņveida defektos. Lai iegūtu 93.15% precizitāti, tika izmantots KNN modelis. WU et al. [60] izmantoja KNN modeli, lai pētītu pulvera izšļakstīšanās fenomenu lāzera apšuvuma laikā. Šļakatu pulveris 5 mm virs izkausētā baseina tika savākts ar ātrgaitas kameru, un izšļakstošais pulveris tika marķēts atbilstoši trim stāvokļiem: neizkusis, daļēji izkusis un pilnībā izkusis. Pārklājuma kvalitāte tika sadalīta četros līmeņos atbilstoši apšuvuma pārklājuma porainībai. Pamatojoties uz to, piešķirot kvalitātes līmenim atbilstošus apgrieztus attāluma svarus, iegūtā pārklājuma kvalitātes prognozēšanas precizitāte bija virs 95%. KHANZADEH et al. [87] ieguva informāciju no lāzera pārklājuma izkausētā baseina temperatūras lauka sadalījuma un izmantoja KNN modeli, lai prognozētu viena plānsienu Ti6Al4V parauga porainību. Pēc parametru regulēšanas un K-reizes krusteniskās validācijas metodes KNN modeļa klasifikācijas precizitāte bija pat 98.44%. KNN modelis ir intuitīvs un vienkāršs, piemērots daudzkategoriju klasifikācijas problēmām ar nelielu izlases lielumu, bet nav jutīgs pret novirzēm.

Mākslīgā neironu tīkla (ANN) modelis sastāv no vairākiem mezglu slāņiem, kas parasti ietver ievades slāni, vienu vai vairākus slēptos slāņus un izvades slāni. Mezgli ir savienoti viens ar otru, izmantojot atbilstošus svarus un sliekšņus, un svari tiek mainīti, pamatojoties uz apmācības datiem, lai samazinātu kumulatīvo kļūdu treniņu komplektā. Tipisks piemērs ir kļūdu izplatīšanās (BP) algoritms, kura pamatā ir gradienta nolaišanās stratēģija.
Pārklājuma defektu noteikšanā ANN modelis var uzlabot klasterizācijas un klasifikācijas efektivitāti un precizitāti.

Kā parādīts 15. attēlā, FEENSTRA et al. [93] izmantoja ANN modeli, lai pētītu lāzera apšuvuma procesa ietekmi uz apšuvuma šuvju ģeometriju un atšķaidīšanas ātrumu. Ievades slānis ietver septiņus apstrādes parametrus, piemēram, lāzera jaudu, stara diametru un skenēšanas ātrumu, un izvades slānis ir apšuvuma slāņa ģeometriskais izmērs.
Apmācītajam modelim ir apšuvuma slāņa augstuma, dziļuma un atšķaidīšanas pakāpes prognozēšanas precizitāte attiecīgi 91%, 95.5% un 92.7%, kas efektīvi atklāj saistību starp apšuvuma procesa parametriem un izkausētā baseina sacietēšanas ģeometriskajiem raksturlielumiem. . BHARDWAJ et al. [94] izveidoja ANN modeli, kas apvienots ar procesa parametriem, savācot apšuvuma slāņa šķērsgriezuma ģeometriskos izmērus, lai pētītu vienkāršā Ti15Mo materiāla apšuvuma slāņa atkārtojamību. Pēc modeļa parametru optimizācijas tika sasniegta augstas precizitātes apšuvuma slāņa atšķaidīšanas ātruma prognoze. LI et al. [95] pētīja mikrostruktūras veidošanās mehānismu Ti6Al4V lāzera apšuvuma izkausētā baseina sacietēšanas procesā un izveidoja ANN modeli, kura pamatā ir tādi faktori kā graudu robežas slīpuma leņķis un termiskais gradients, kristāla orientācija un Marangoni efekts, kas efektīvi aprakstīja konkurētspēju. graudu augšanas uzvedība un mikrostruktūras veidošanās kvantitatīvā simulācija. ANN modelis labi darbojas liela mēroga un augstas dimensijas datu kopās, var apgūt un modelēt sarežģītas nelineāras attiecības, ir adaptīvs un var iegūt līdzekļus no datiem, mācoties bez manuālas funkciju izstrādes. CIAMPAGLIA et al. [96] apmācīja divus modeļus, uz priekšu vērsto neironu tīklu un fiziskās informācijas neironu tīklu, lai izpētītu apšuvuma slāņa mikrostruktūras un defektu ietekmi uz parauga noguruma kalpošanas laiku. Vidējā kļūda starp noguruma stiprības prognozēšanas rezultātiem un eksperimentālajiem rezultātiem AlSi10Mg datu kopai bija 4%, un maksimālā kļūda bija 17%. Šajā pētījumā fiziskā modeļa un uz datiem balstītā modeļa priekšrocības tika integrētas jauna veida fizikas vadītā mašīnmācīšanās metodē. Izkausētā baseina maksimālā temperatūra tika secināta, izmantojot fizikālās īpašības, kas iegūtas no temperatūras lauka un izkausētā baseina plūsmas, lai metode varētu efektīvi apgūt izkausētā baseina dinamiku, un Marangoni indekss tika izveidots kā izkausētā ūdens izmaiņu indikators. baseina plūsmas morfoloģiju, un tika noteikta kompleksā nelineārā sakarība starp procesa parametriem un izkausētā baseina platumu un slāņa augstumu. WANG et al. [110] izveidoja fizikas vadītu temporālā konvolucionālā tīkla (TCN) modeli, izstrādāja fizisko modeli, pamatojoties uz izkausētā baseina dinamiku un izkausētā baseina plūsmas mehānismu, ieguva raksturīgās fizikālās īpašības, kas ir cieši saistītas ar izkausētā baseina platumu un izkausētā baseina slāņa augstumu, un realizēja izkausētā baseina platuma un slāņa augstuma prognozi. Tradicionālajām mašīnmācīšanās metodēm ir grūtības iegūt slēptu fizisko informāciju no temperatūras lauka un izkausētā baseina plūsmas, kā rezultātā lāzera apšuvuma sarežģītās termomehāniskās parādības nav fiziski interpretējamas, kā rezultātā var rasties kļūdainas attiecības starp ievadi un izvadi. Integrējot no fiziskā modeļa iegūtās fiziskās zināšanas vai noteikumus mašīnmācības vadītā modeļa ievadā, var uzlabot modeļa caurspīdīgumu, interpretējamību un analītisko spēju [111]. Konvolucionālā neironu tīkla (CNN) modelim ir lieliska attēlu apstrādes un modeļa atpazīšanas veiktspēja, un tas ir plaši izmantots lāzera apšuvuma izkausētā baseina iezīmju klasifikācijas un apšuvuma slāņa defektu noteikšanas jomā. CNN modelis galvenokārt ietver ievades slāni, konvolūcijas slāni, aktivizācijas slāni, apvienošanas slāni, pilnībā savienotu slāni un izvades slāni. Izmantojot lokālo savienojumu un parametru koplietošanu, tiek izveidota kartēšana starp ievades attēlu un izvades mērķi, lai realizētu attēla klasifikāciju. Pašlaik CNN modelis ir izmantots tādu defektu kā poru, plaisu, saplūšanas trūkuma un ģeometriskās deformācijas noteikšanai un analīzei lāzera apšuvumā. GONZALEZ-VAL et al. [97] izmantoja CNN modeli, lai pētītu trīs veidu tērauda lāzera apšuvuma slāņu kvalitāti. Modeļa ievade ir funkciju parametri un kvalitātes rādītāji, kas iegūti no izkausētā baseina koaksiālā infrasarkanā attēla. Defektu datu kopā ir 24,444 50 attēli, kas iegūti no XNUMX metinājumiem, un defektu veidi tiek anotēti manuāli. Pēc apmācības modelis prognozē, ka defektu, piemēram, poru un saplūšanas trūkuma, F1 (precizitātes un atcerēšanās harmoniskais vidējais) rādītājs sasniegs 0.975.

Kā parādīts 16. attēlā, Zhang et al. [98] izmantoja koaksiālo ātrgaitas kameru, lai uzraudzītu izkausētā baseina īpašības titāna sūkļa pulvera lāzera pārklājuma procesā, un izmantoja rentgenstaru šķērsgriezuma tomogrāfiju, lai ekstrahētu poru izmēru apšuvuma slānī. Izkausētā baseina parametri un poru lielums tika izmantoti kā CNN modeļa ievades parametri. Modelis var paredzēt mikroporas zem 100 μm, un poru prognozēšanas precizitāte apšuvuma slānī sasniedza 91.2, XNUMX%. TIAN et al. [99] izstrādāja uz CNN balstītu PyroNet modeli, lai izpētītu saistību starp izkausētā baseina temperatūras lauka sadalījumu un starpslāņu porainību. Paraugi ar porām, kas lielākas par 0.05, XNUMX mm, tika atzīmēti kā defekti ar tomogrāfiju. Izveidotajā datu kopā bija 840 fotoattēli. Pārmērīgas uzstādīšanas problēma tika novērsta, veicot savstarpēju validāciju. Iegūtā algoritma prognozēšanas precizitāte bija gandrīz 100% attiecībā uz Ti6Al4V plānsienu detaļu poru defektiem. Kā parādīts 17. attēlā, CHEN et al. [69] izstrādāja defektu atpazīšanas tehnoloģiju lāzera apšuvuma slāņiem, pamatojoties uz akustiskās emisijas signāliem. Poru un plaisu pozīcijas apšuvuma slānī tika savāktas ar optisko mikroskopiju, un pozīcijas tika telpiski un laikā saskaņotas ar savāktajiem akustiskās emisijas signāliem, lai iegūtu akustiskās īpašības, kas atbilst bezdefektu, poru un plaisu iezīmēm. Apmācot CNN, adaptīvās pastiprināšanas (AdaBoost) un gradienta pastiprināšanas (GB) modeļus attiecīgajā trokšņu datu kopā, salīdzinot ar citiem klasiskajiem mašīnmācīšanās modeļiem, CNN modeļa kopējā precizitāte apšuvuma slāņa defektu prognozēšanā sasniedza 89%. HOSSAIN et al. [100] izmantoja akustiskās emisijas sensorus, lai savāktu akustiskās emisijas signālus piecos stāvokļos: iekārta dīkstāvē, tikai pulvera izsmidzināšana, optimāls apšuvuma process, zema lāzera jauda un zems pulvera padeves ātrums, un izmantota viļņu transformācija, lai iegūtu akustiskā laika frekvences spektru. emisijas signāli katrā procesa apstākļos. Pamatojoties uz to, CNN modelis tika izmantots, lai korelētu akustiskās emisijas signālu ar defektiem, kas novēroti apšuvuma slāņa šķērsgriezuma skenējošā elektronu mikroskopa attēlā. Modelis sasniedza 96% precizitāti, prognozējot Ti6Al4V apšuvuma slāņa defektus. XIE et al. [103] izmantoja lāzera apšuvuma tehnoloģiju, lai sagatavotu daudzslāņu plānsienu paraugus uz niķeļa bāzes. Pielāgojot apšuvuma intervāla laiku un optimizējot sienu ģeometriju, tika pētīta sakarība starp sagatavošanas procesu un paraugu mehāniskajām īpašībām. Kā parādīts 18. attēlā, datu kopā ir iekļauta sienu veidošanas procesā savāktā termiskā vēsture un atlasītā laukuma parauga galīgā stiepes izturība. Pamatojoties uz to, CNN modelis tika izmantots, lai prognozētu paraugu stiepes izturību dažādās ģeometriskās pozīcijās ar prognozēšanas kļūdu, kas mazāka par 3%. Rezultāti parādīja, ka apšuvuma intervāls palīdz uzlabot plānās sienas mehāniskās īpašības. PERANI et al. [101] veica pētījumus par lāzera apšuvuma slāņu ģeometrisko deformāciju tiešsaistes monitoringu un prognozēšanu, lai izvairītos no lielas apšuvuma pārklājuma deformācijas. Izmantojot koaksiālos izkausētā baseina attēlus un procesa parametrus kā CNN modeļa apmācības datus, izmantojot modeļa optimizāciju, ir konstatēts, ka modelis ar vairāk nekā trim konvolucionālajiem slāņiem uzrāda labāku prognozēšanas spēju. Modelis nodrošina atbalstu lāzera apšuvuma procesa regulēšanai un apšuvuma metinājuma platuma, augstuma un ģeometrijas optimizēšanai. FRANCIS u.c. [102] norādīja, ka apšuvuma slāņa ģeometrisko deformāciju galvenokārt izraisa termiskā cikla radītais atlikušais spriegums. Izpētot vietējās teritorijas termisko vēsturi apšuvuma procesa laikā, var prognozēt apšuvuma slāņa ģeometriskos kropļojumus. Apkopojot dažādu pozīciju temperatūras lauku un deformācijas datus Ti6Al4V disku apšuvuma sagatavošanas procesā, tiek izveidots CNN modelis, kas ietver apšuvuma procesa parametrus. Modelis var paredzēt diska izgatavošanas deformācijas kļūdu 56 μm robežās. CNN modeļi koncentrējas uz telpisko iezīmju ieguvi no ievades datiem, un tie labi apstrādā tādus uzdevumus kā attēlu klasifikācija, mērķa noteikšana un attēla segmentēšana, kuros telpiskā attiecība starp pikseļiem vai elementiem ir ļoti svarīga. Atšķirībā no atkārtotiem neironu tīkliem (RNN) vai ilgtermiņa īstermiņa atmiņas (LSTM) modeļiem, CNN modeļiem nav raksturīgas laika secības koncepcijas. Lai atrisinātu gradienta izzušanas problēmu apšuvuma procesa uzraudzības laikā un optimizētu reāllaika procesa vadību, ir nepieciešams izveidot hibrīda mašīnmācīšanās modeli [104-106], lai uzlabotu modeļa prognozēšanas precizitāti. Ansambļa mācīšanās apvieno vairākus pamata apmācāmos, lai uzlabotu vispārējo prognozēšanas veiktspēju un vispārināšanas spēju. Pēc ģenerēšanas metodes un atkarības starp apmācāmajiem to var iedalīt sērijveida metodēs un paralēlajās metodēs. Seriālo metožu pārstāvji ir Boosting method un Stacking method, savukārt paralēlo metožu pārstāvji ir Bagging algoritms un Random forest (RF). Kā parādīts 19. attēlā, GARCÍA-MORENO et al. [109] izmantoja RF modeli, lai novērtētu porainības defektus metāla lāzera pārklājumos (LMD). Izmantojot attēla trokšņa samazināšanos un poru segmentāciju, no attēla tika iegūti 15 ar poru defektiem saistīti elementi. Poras tika iedalītas trīs kategorijās pēc to lieluma: mikroporas, lielas poras un iegarenas poras. Tie tika manuāli anotēti, un tika izveidota datu kopa ar 6,552 paraugiem. Apmācītā modeļa klasifikācijas precizitāte bija lielāka par 94%. RF modelis var samazināt pārmērības risku un uzlabot modeļa vispārināšanas spēju, apvienojot vairāku lēmumu koku prognozēšanas rezultātus. Tam ir spēcīgas lielapjoma datu kopu apstrādes iespējas. ZHU et al. [107] pētīja lāzera apšuvuma procesa parametru ietekmi uz 304 nerūsējošā tērauda apšuvuma slāņa formu. Izmantojot optisko mikroskopu, tika savākta 210 apšuvuma slāņu šķērsgriezuma morfoloģija, un datu kopas izveidošanai tika iegūts izkausētā baseina augstums un platums. Prognozes modelis tika izveidots, izmantojot ārkārtējo gradientu pastiprināšanas (XGBoost) algoritmu. Modeļa prognozēšanas precizitāte izkausētā baseina augstumam un platumam sasniedza attiecīgi 97.0% un 96.3%. XGBoost samazina modeļa pārmērīgas pielāgošanas risku, katrā iterācijā ieviešot regularizācijas terminu, un var sniegt novērtējumu par pazīmju nozīmīgumu modelim, kas palīdz saprast, kā modelis pieņem prognozēšanas lēmumus. LI et al. [108] izmantoja kraušanas metodi, lai izveidotu apšuvuma slāņa augstuma prognozēšanas modeli, lai risinātu materiālu sakraušanas problēmu stūros lāzera apšuvuma laikā, lai samazinātu tādus defektus kā sabrukšana, izspiedums un deformācijas, ko izraisa siltuma uzkrāšanās stūros. Pēc izkausētā baseina elementu ekstrakcijas un apšuvuma slāņa kontūru apstrādes kā modeļa ievades tika izmantoti apstrādes parametri un izkausētā baseina īpašības, un kā izvade tika izmantots apšuvuma slāņa biezums. Apmācības rezultāti parādīja, ka Stacking modeļa prognozēšanas precizitāte bija augstāka nekā viena apmācāmā SVR modeļa prognozēšanas precizitāte ar vidējo absolūto procentuālo kļūdu 2.369 7%. Stacking metode ir piemērota pamata modeļiem ar daudzveidību. Izvēloties pamata modeļus ar lielām veiktspējas atšķirībām, var labāk uztvert dažādus datu aspektus un uzlabot integrētā modeļa vispārināšanas spēju. Uzraudzītās mācīšanās trūkums ir tas, ka tai ir ārkārtīgi augstas prasības attiecībā uz datu kopas kvalitāti. Lāzera apšuvuma salīdzinoši augsto izmaksu un ierobežoto pieejamo datu dēļ ir sarežģīti izveidot augstas kvalitātes modeļus, kuru pamatā ir fizika vai dati. Transfer learning (TL) ir jauna veida mašīnmācīšanās metode, kas var savienot dažādus datu avotus ar ierobežotiem jauniem datiem un veidot modeļus ar augstu pārnesamību. Kā parādīts 20. attēlā, uz gadījumiem un funkcijām balstītas TL metodes tiek izmantotas tikai kvalitātes prognozēšanai un procesa optimizācijai, savukārt uz modeļiem balstītas TL metodes un daudzuzdevumu mācīšanās tiek plaši izmantotas kvalitātes prognozēšanā un atklāšanā, defektu noteikšanā un procesu uzraudzībā. . Attiecībā uz lāzera apšuvuma datu kopām lielākā daļa pētījumu ir vērsti uz to, lai izpētītu pārnesamību no procesa uz procesu, no pārklājuma uz pārklājumu un no materiāla uz materiālu. Pašlaik lāzera apšuvuma procesa pētījumos galvenokārt tiek izmantots bezsaistes apmācības režīms un izmantoti ierobežoti dati, lai pārbaudītu izveidoto modeli. Tomēr apmācītā modeļa prognozēšanas precizitāti mērķa procesam ierobežo apmācības paraugu skaits. Tiešsaistes TL metodes atbalstītā modelēšanas sistēma var izmantot in situ datus, lai uzlabotu modeļa prognozēšanas veiktspēju tiešsaistē [112]. 3.2 Nepārraudzīta mācīšanās
Nepārraudzīta mācīšanās parasti pēta datu iekšējo struktūru, attiecības un likumus bez priekšzināšanām par nemarķētiem datiem. Tas galvenokārt ietver klasterizācijas, pašorganizācijas kartes (SOM) un dziļās pārliecības tīkla (DBN) algoritmus. 2. tabulā ir apkopota literatūra par lāzera apšuvuma defektu noteikšanu, pamatojoties uz iepriekš minētajiem algoritmiem. K-means ir visbiežāk izmantotais klasterizācijas algoritms. Tas sadala izlases datus K grupās, nejauši atlasa klasteru centrus un klasificē datus, aprēķinot attāluma funkcijas. To var izmantot, lai pētītu datu sadales struktūru vai klasificētu datu objektus. SOM ir konkurētspējīgs mācīšanās veids bez uzraudzības mācīšanās algoritms. Tas aprēķina datus ievades telpā, samazina dimensiju, lai ģenerētu zemas dimensijas, diskrētu kartējumu (karti), un saglabā ievades datu topoloģisko struktūru augstas dimensijas telpā, tādējādi realizējot datu klasifikāciju.

Kā parādīts 21. attēlā, REN et al. [116] izmantoja LSTM-autoencoder, lai iegūtu spektrālo signālu raksturlielumus 7075 alumīnija sakausējuma apšuvuma procesā, un apkopoja poru defektu raksturlielumus no apšuvuma slāņa šķērsgriezuma SEM fotoattēliem. Pamatojoties uz to, K-vidējo klasterizāciju izmantoja, lai klasificētu un prognozētu apšuvuma slāņa kvalitāti. Modelis var efektīvi atšķirt nekvalificētus apšuvuma slāņus un kvalificētus apšuvuma slāņus, pamatojoties uz virsmas raupjumu un augstu porainību. LSTM modelis var uztvert secības raksturlielumus un uzlabot vispārējo prognozēšanas veiktspēju. DBN modelis var uztvert nelineārās attiecības datos, un tam ir labākas pielāgošanas iespējas sarežģītām datu struktūrām. SVM modelis objektu telpā konstruē hiperplakni, un tam ir labas apstrādes spējas lineārām neatdalāmām problēmām. Apvienojot DBN un SVM modeļus, var klasificēt augstākas dimensijas telpā, tādējādi labāk apstrādājot akustiskās emisijas signālus.

3.3. Daļēji uzraudzīta mācīšanās
Uzraudzītai apmācībai ir nepieciešams liels daudzums marķētu datu, lai apmācītu modeli, un datu marķēšana ir laikietilpīga un dārga. Nepārraudzītai apmācībai ir augstas prasības attiecībā uz datu kvalitāti. Datiem pēc klasterizācijas vai dimensijas samazināšanas trūkst interpretējamības. Mērķu un etiķešu trūkums padara modeļa veiktspēju un precizitāti subjektīvu un grūti izmērāmu, kā arī pastāv pārmērības risks. Daļēji uzraudzītā apmācībā var palīdzēt nemarķēti dati, kuru pamatā ir daļēji marķēti dati. Nemarķētus datus parasti ir vieglāk iegūt, tāpēc apmācības kopas mērogu var paplašināt, lai uzlabotu modeļa veiktspēju un vispārināšanas spēju. 3. tabulā ir apkopota literatūra par lāzera apšuvuma defektu noteikšanu, pamatojoties uz daļēji uzraudzītiem mācību algoritmiem. YADAV et al. [117] izmantoja tomogrāfijas tehnoloģiju, lai pētītu dreifēšanas fenomenu lāzera apšuvuma procesā. Viņi izmantoja nepārraudzītu K-means klasterizācijas algoritmu, lai marķētu nemarķētos datus, izmantojot nelielu daudzumu marķētu datu, un palīdzēja izvēlēties vispiemērotāko attāluma metriku. Viņi apmācīja KNN modeli ar marķēto datu kopu un, izmantojot daļēji uzraudzītu metodi, veiksmīgi klasificēja apšuvuma slāni “drift” un “be drift”. K-means klasterizāciju var uzskatīt par veidu, kā samazināt datu dimensiju. Izvēloties klastera centru kā līdzekli, tiek samazināta ievades dimensija, kas palīdz KNN modelim klasificēt efektīvāk. Kā parādīts 22. attēlā, PANDIYAN et al. [118] izmantoja koaksiālo kameru, lai uzraudzītu lāzera apšuvuma procesa kvalitāti in situ. Apšuvuma slāņa kvalitāte tika sadalīta sešos līmeņos atbilstoši apšuvuma procesam. CNN modelis, kas balstīts uz kontrastējošu mācīšanos, tika izmantots, lai apkopotu savāktos izkausētā baseina attēlus. Pamatojoties uz to, loģistikas regresijas algoritms tika izmantots, lai uzraudzītu zemas dimensijas datu klasifikāciju. Iegūtā daļēji uzraudzītā modeļa apšuvuma slāņa defekta veida prognozēšanas precizitāte bija vidēji 97%. YUAN et al. [119] izstrādāja daļēji uzraudzītu CNN modeli 316L nerūsējošā tērauda pulverveida lāzera apšuvuma procesa uzraudzībai. Apkopojot viena apšuvuma slāņa ģeometriskās īpašības un izkausētā baseina iezīmes, daļēji uzraudzītais CNN modelis tika apmācīts, izmantojot daļēji marķētus datus un lielu daudzumu nemarķētu datu. Rezultāti liecina, ka daļēji uzraudzītās metodes regresijas un klasifikācijas veiktspēja ir labāka nekā pilnībā uzraudzītajai metodei. JAFARI-MARANDI et al. [120] izmantoja infrasarkano termisko attēlu, lai iegūtu Ti6Al4V lāzera apšuvuma baseina termiskos datus, un izmantoja rentgena starus, lai uztvertu mikrostruktūru un informāciju par defektiem apšuvuma slānī. Daudzslāņu perceptrons (MLP) tika izmantots, lai prognozētu datu pozīciju SOM algoritma kartēšanā. Konstruētais daļēji uzraudzītais pašorganizējošais kļūdu vadītais neironu tīkls var efektīvi paredzēt poru defektu telpisko sadalījumu apšuvuma slānī, nodrošinot atbalstu apšuvuma slāņa mehānisko īpašību optimizēšanai un kontrolei. MLP var automātiski veikt funkciju apguvi mācību procesa laikā un iegūt noderīgu informāciju no ievades datiem. Kartējot MLP izvadi SOM algoritmā, tas palīdz samazināt datu dimensiju un vizualizēt datu struktūru, lai modelis varētu labāk pielāgoties dažādām datu funkcijām. Tomēr MLP un SOM algoritmu kombinācijai ir jāpielāgo salīdzinoši vairāk hiperparametru, kas var palielināt kopējā aprēķina sarežģītību. 4 Secinājums un perspektīva
Apskatīta mašīnmācīšanās algoritmu pielietošana lāzera apšuvuma defektu novērtēšanas jomā un veikta vispusīga un padziļināta izplatīto defektu un to veidošanās mehānismu analīze lāzerapšuvuma procesā; tiek apkopoti apšuvuma procesā radītie skaņas, gaismas un siltuma signāli, izskaidrota atbilstošā sakarība starp signāliem un apšuvuma defektiem, kā arī apkopotas biežāk lietotās lāzerapšuvuma procesa uzraudzības metodes, sensori un signālu raksturlielumi; sakārtota mašīnmācīšanās algoritmu klasifikācija un raksturlielumi, un apkopota to pielietošana lāzerapšuvuma procesa signālu apstrādē. Izmantojot literatūras analīzi, kopsavilkums ir apkopots šādi:
(1) Lāzera apšuvuma process ir sarežģīts, un radītie defekti tieši ietekmē apšuvuma slāņa kvalitāti. Defektu veidošanās mehānismu un izplatības likumu ietekmē daudzi faktori, turklāt defekti viens otru ietekmē un attīstās. Pašlaik vietējie un ārvalstu pētnieki ir veikuši tādu defektu izpēti kā poras un plaisas no vairākām skalām, izmantojot eksperimentus un simulācijas, taču saistīto defektu rašanās mehānisms un apšuvuma kvalitātes defektu mehānisms joprojām nav pietiekami padziļināts. un lāzerapšuvuma procesa pētīšanai jāizmanto daudz bagātīgākas metodes.
(2) Lāzera apšuvuma procesa procesa signāla, defekta kvalitātes kvantitatīvās novērtēšanas sistēmas izveide ir galvenais izaicinājums, lai nodrošinātu lāzera apšuvuma kvalitātes uzticamību. Šobrīd lāzera apšuvuma procesa uzraudzībā ir izmantoti dažādi sensori, piemēram, skaņas, gaismas un siltuma sensori, lai pētītu attiecības starp signālu un procesu, defektu un kvalitāti. Tomēr sensora precizitātes un defektu pazīmju ekstrakcijas efektivitātes ierobežojumu dēļ joprojām ir grūti noteikt kvantitatīvu saikni starp procesa, signāla un defektu. Lai iegūtu visaptverošu, uzticamu un precīzu apšuvuma informāciju un defekta statusu, un realizētu visa procesa reāllaika kvalitātes uzraudzību, ir jāizstrādā tiešsaistes lāzera apšuvuma procesa uzraudzības tehnoloģija un defektu iezīmju noņemšanas tehnoloģija ar vairāku sensoru un vairāku signālu saplūšanu, kas ir nozīmīgs lāzerapšuvuma procesa uzraudzības attīstības virziens. (3) Lāzera apšuvuma defektu noteikšanā ir izmantoti mašīnmācīšanās algoritmi. Parasti datu kopa tiek veidota, pamatojoties uz iezīmēm, kas iegūtas no savāktajiem signāliem, apšuvuma procesa un defektu pazīmēm, un pēc tam tiek izmantots mašīnmācīšanās algoritms, lai noteiktu saistību starp signālu un defektu un procesu. Tomēr pašreizējie pētījumi par lāzera apšuvuma procesa uzraudzību galvenokārt ir vērsti uz vienas gājiena vai nelielas platības apšuvuma slāņiem. Nelielā savāktā datu kopa izraisīs modeļa pārmērīgu pielāgošanu, kā rezultātā samazinās faktiskā defekta noteikšanas precizitāte. Nepieciešams izstrādāt universālu standarta defektu noteikšanas datubāzi lāzerapšuvuma procesam. Turklāt piemērotu mašīnmācīšanās algoritmu izvēle ir ļoti svarīga dažādu defektu noteikšanai lāzera apšuvuma procesā. Dažādiem algoritmiem ir savas priekšrocības attēla datu vai sensoru signālu apstrādē. CNN ir vēlamā metode dažādu defektu attēlu datu apstrādei. SVM metode ir piemērota sensoru signālu vai attēlu vairāku klašu klasifikācijas problēmām. K-means klasterizāciju plaši izmanto nekontrolētā un daļēji uzraudzītā apmācībā. Lai veicinātu lāzera apšuvuma tehnoloģiju, lai tā kļūtu par jaunu kvalitatīvu produktivitāti mehāniskās ražošanas un atkārtotas ražošanas jomā, mašīnmācīšanās metožu pielietošana lāzera apšuvuma tehnoloģijā tiek plānota šādi: (1) Lāzera apšuvuma tehnoloģijai ir plašs pielietojuma klāsts. apstrādes rūpniecībā, un mašīnmācīšanās tehnoloģiju ieviešana var efektīvi uzlabot lāzera apšuvuma efektivitāti un samazināt apšuvuma pārklājumu defektus. Pašlaik publicētajā literatūrā galvenokārt tiek izmantoti uzraudzīti mācību algoritmi, taču uzraudzītai apmācībai ir augstas prasības attiecībā uz datu anotāciju un tas prasa daudz laika un izmaksu. Līdz ar to lāzerapšuvuma procesa uzraudzības jomā ievērību ir izpelnījušies neuzraugāmie un daļēji uzraudzītie mācību algoritmi, un viens pēc otra ir radušies jauni modeļi, parādot lielu potenciālu. (2) Izmantojot mašīnmācīšanās tehnoloģiju, ir iespējams realizēt automātisku vadību un tiešsaistes uzraudzībulāzera apšuvuma iekārtas. Analizējot un iegūstot lielu daudzumu lāzera apšuvuma datu, optimizējot un pielāgojot tādus parametrus kā lāzera jaudu, skenēšanas ātrumu un pulvera iesmidzināšanu, lāzera apšuvuma procesu var automatizēt un inteliģents, uzlabojot ražošanas efektivitāti un samazinot izmaksas. Mašīnmācīšanās tehnoloģija radīs vairāk inovāciju un attīstības iespēju lāzera apšuvuma jomā, kā arī palīdzēs tehnoloģiju plaši izmantot apstrādes rūpniecībā.