AM-DefectNet: Additive Manufacturing Defect Classification Using Machine Learning -- A comparative Study

ملخص تقني: AM-DefectNet

بيان المشكلة
تواجه التصنيع المضاف (AM)، ولا سيال عمليات مثل صهر مسحوق الليزر (LPLP) والترسيب الموجه للطاقة، تحديات كبيرة في ضمان جودة الإنتاج بسبب الطبيعة المعقدة ومتعددة الفيزياء لديناميكيات حوض المنصهر. تؤدي العيوب مثل نقص الاندماج (LOF)، ومسامية الثقب المفتاحي (keyhole)، وظاهرة التكور (balling) إلى تقويض السلامة الهيكلية للأجزاء المطبوعة. وبينما تعتمد المراقبة التقليدية على تقنيات في الموقع (مثل المستشعرات الصوتية، والتصوير الحراري) وخارج الموقع (مثل الأشعة السينية، والتصوير المقطعي المحوسب)، فإن هذه الطرق يمكن أن تكون مكلفة وتستغرق وقتاً طويلاً وتتطلب معايرة مكثفة. علاوة على ذلك، فإن العلاقات المعقدة بين معلمات العملية (قدرة الليزر، سرعة المسح، تباعد الخطوط) وخصائص المواد وهندسة حوض المنصهر تجعل من الصعب وضع نماذج تنبؤية قائمة على الفيزياء بشكل موثوق. هناك حاجة ماسة إلى مناهج تعتمد على البيانات يمكنها تصنيف العيوب بدقة بناءً على مجموعات البيانات التجريبية لتحسين معلمات العملية وتحسين جودة الأجزاء.

المنهجية
يقدم المؤلفون AM-DefectNet، وهو إطار عمل شامل للمقارنة المرجعية مصمم لتقييم فعالية نماذج تعلم الآلة (ML) المختلفة في تصنيف عيوب التصنيع المضاف. تتضمن المنهجية الخطوات الرئيسية التالية:

• جمع البيانات وتنسيقها: تستخدم الدراسة مجموعة بيانات تم تجميعها من الأدبيات المراجعة من قبل الأقران، وبالإشارة أساساً إلى عمل أكباري وآخرون (Akbari et al). تتكون مجموعة البيانات من حوالي 2,019 نقطة بيانات، مقسمة إلى 1,514 للتدريب و505 للاختبار. تشمل الميزات المدخلة معلمات المعالجة (قدرة الليزر، سرعة المسح، سمك الطبقة، قطر الشعاع، تباعد الخطوط) وخصائص المواد (الموصلية الحرارية، الحرارة النوعية، نقطة الانصهار، التركيب الكيميائي). المخرج المستهدف هو تصنيف رباعي الفئات: مرغوب (بدون عيب)، ثقب مفتاحي (Keyhole)، نقص الاندماج (LOF)، وتكور (Balling).
• توصيف الميزات والمعالجة المسبقة: يتم تحويل المتغيرات الفئوية (مثل نوع العملية: SLM مقابل EBM) باستخدام الترميز الأحادي (one-hot encoding). تخضع كل من المدخلات الفئوية والعددية لعملية قياس الحد الأدنى والأقصى (min-max scaling). يتم تقسيم مجموعة البيانات باستخدام استراتيجية التحقق المتقاطع ذي الـ 11 طية (11-fold cross-validation) لتخفيف حدة الإفراط في التخصيص وضمان تقدير قوي للأداء.
• اختيار النماذج: تدرس الدراسة 15 نموذجاً مختلفاً من تعلم الآلة، مصنفة إلى:
  • الخوارزميات الخطية: الانحدار اللوجستي وآلات ناقل الدعم (SVM) مع نواة خطية.
    // الخوارزميات الشجرية غير الخطية: أشجار القرار، الغابة العشوائية (Random Forest)، AdaBoost، Bagging، التصويت (Voting)، ومتغيرات تعزيز التدرج (XGBoost، LGBM، CatBoost).
  • الشبكات العصبية: الإدراك متعدد الطبقات (MLP/DNN) ونوى مختلفة لآلات ناقل الدعم (RBF، Polynomial، Sigmoid).
  • التعلم القائم على الأمثلة: ك-أقرب الجيران (k-NN).
• مقاييس التقييم: يتم تقييم أداء النموذج باستخدام الدقة (Accuracy)، والضبط (Precision)، والاستدعاء (Recall)، ومقياس F1-Score، والتي تُحسب عبر المتوسطات الكلية (macro)، والجزئية (micro)، والموزونة (weighted) لمراعاة توزيع الفئات. كما تُستخدم منحنيات التعلم لتحليل تقارب النماذج والمتطلبات من البيانات.

المساهمات الرئيسية

1. إطار عمل AM-DefectNet: يؤسس البحث معياراً مرجعياً موحداً لمقارنة نماذج تعلم الآلة خصيصاً لتوصيف حوض المنصهر وتصنيف العيوب في التصنيع المضاف، وهي مقارنة لم يتم استكشافها سابقاً بهذا الشكل الشامل.
2. مقارنة شاملة للنماذج: تقيم الدراسة بشكل منهجي 15 خوارزمية، بدءاً من المصنفات الخطية التقليدية وصولاً إلى الأساليب التجميعية المتقدمة والتعلم العميق، مما يوفر تسلسلاً هرمياً واضحاً للأداء لهذا المجال المحدد.
3. تحديد الخوارزميات المثلى: يحدد البحث أن الخوارمازميات التجميعية الشجرية غير الخطية، وتحديداً CatBoost و LGBM و XGBoost، تتفوق بشكل كبير على النماذج الخطية والمصنفات الأخرى في هذا السياق.
4. تحليل منحنى التعلم: يقدم المؤلفون رؤى حول سلوك النموذج بالنسبة لحجم مجموعة البيانات، مع تسليط الضوء على النماذج التي وصلت إلى مرحلة التقارب والنماذج التي قد تستفيد من بيانات إضافية.

النتائج
تظهر نتائج المقارنة المرجعية تسلسلاً هرمياً واضحاً في الأداء بين النماذج المختبرة:

• الأداء الأعلى: حققت CatBoost أعلى دقة بنسبة 92.47%، تلاها LGBM بنسبة 91.08%، ثم XGBoost بنسبة 90.89%. أظهرت هذه النماذج أيضاً تفوقاً في الضبط والاستدعاء ومقاييس F1 عبر فئات العيوب.
• أداء التعلم العميق: أظهرت الشبكة العصبية العميقة (DNN/MLP) أداءً تنافسياً بدقة بلغت 88.55%، رغم أنها تطلبت ضبطاً دقيقاً للمعلمات الفائقة (بما في ذلك تطبيع الدفعة والانسحاب/dropout) لتخفيف حدة الإفراط في التخصيص.
• النماذج ضعيفة الأداء: عانت النماذج الخطية، مثل الانحدار اللوجستي (دقة 62.17%) وآلات ناقل الدعم (SVM) ذات النواة الخطية (دقة 70.29%)، من صعوبة في التقاط العلاقات غير الخطية المعقدة المتأصلة في عمليات التصنيع المضاف. أظهرت نماذج SVM ذات النوى غير الخطية (RBF، Polynomial) تحسناً، لكنها لم تضاهِ أداء الأساليب التجميعية الشجرية الرائدة.
• تحليل مصفوفة الارتباك: أكد التحليل البصري لمصفوفات الارتباك أن CatBoost و LGBM قللت بفعالية من أخطاء التصنيف بين أنواع العيوب مقارنة بالخوارزميات الأخرى.

الأهمية والادعاءات
يدعي البحث أن الدراسة تسلط الضوء على فعالية تعلم الآلة، وخاصة الخوارزميات الشجرية غير الخطية مثل CatBoost، في معالجة تحديات اكتشاف العيوب في التصنيع المضاف. ومن خلال إنشاء معيار AM-DefectNet، يوفر المؤلفون أساساً موثقاً لتحسين العمليات. تشير النتائج إلى أن النهج القائمة على البيانات يمكن أن تعمل كبديل فعال ومنخفض التكلفة للمراقبة التجريبية التقليدية للتنبؤ بخصائص حوض المنصهر وتحديد العيوب مثل نقص الاندماج (LOF)، والتكور، وتكون الثقب المفتاحي. وتخلص الدراسة إلى أن هذه النماذج من تعلم الآلة تضع حجر الأساس لتحسين التكرارية وتقليل معدلات العيوب في إنتاج التصنيع المضاف، رغم أنها تشير بتواضع إلى أن المزيد من البيانات قد تظل مطلوبة لتحقيق التقارب الكامل لبعض النماذج، وأن تعقيد فيزياء التصنيع المضاف يظل تحدياً أمام النهج الخطية.