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

Cette étude présente AM-DefectNet, un cadre complet qui évalue 15 modèles d'apprentissage automatique pour la classification des défauts de fabrication additive, révélant que l'algorithme CatBoost surpasse les autres avec une précision de 92,47 % dans la caractérisation du bain de fusion.

L'essentiel

Imaginez que vous cuisez le pain parfait. Autrefois, vous vous fiez à vos sens : observer la croûte, sentir l'arôme et toucher la texture. Mais dans le monde high-tech de la Fabrication Additive (FA), ou impression 3D, le « pain » est construit couche par couche à partir de poudre métallique à l'aide de lasers intenses. Le problème ? Il est difficile de voir ce qui se passe à l'intérieur du métal chaud et en fusion (appelé bain de fusion) pendant que le laser défile. Si la chaleur est trop élevée, vous obtenez un « keyhole » (une bulle profonde et instable) ; si elle est trop faible, les couches ne collent pas entre elles (« manque de fusion ») ; ou si elle est juste, vous obtenez une pièce parfaite et solide.

Ce papier présente un nouvel outil appelé AM-DefectNet. Considérez AM-DefectNet comme un « super-connaisseur » pour les imprimantes 3D. Au lieu qu'un chef humain devine si le pain est brûlé, cet outil utilise l'Apprentissage Automatique (Machine Learning - ML) pour goûter les données et vous dire instantanément si la pièce métallique est parfaite ou défectueuse.

Voici une décomposition simple de la manière dont ils ont construit cet outil et de ce qu'ils ont découvert :

1. Rassembler les Ingrédients (Les Données)

Pour enseigner à un ordinateur comment repérer les défauts, vous avez besoin d'un immense livre de recettes d'exemples. Les chercheurs n'ont pas seulement réalisé une expérience ; ils sont allés à la bibliothèque et ont collecté des données de dizaines d'autres études scientifiques.

• La Recette : Ils ont rassemblé des informations sur les « ingrédients » (comme le type d'alliage métallique, la température du laser, sa vitesse de déplacement et l'épaisseur des couches).
• Le Résultat : Ils ont abouti à environ 2 000 points de données. Chaque point était une instantanée d'un moment d'impression 3D, étiqueté soit comme « Désirable » (parfait), soit « Balling » (le métal s'est roulé en petites boules au lieu de former une couche plate), soit « Keyhole » (trop d'énergie), soit « Manque de Fusion » (pas assez d'énergie).

2. Le Test de Goût (Les Modèles)

Les chercheurs n'ont pas utilisé une seule recette pour prédire le résultat. Ils ont préparé 15 modèles d'Apprentissage Automatique différents pour voir lequel était le meilleur chef.

• Les Chefs « Linéaires » : Ce sont des modèles simples (comme la Régression Logistique) qui tentent de tracer une ligne droite pour séparer les bonnes pièces des mauvaises. Imaginez essayer de trier des billes rouges et bleues avec une seule règle droite. Le papier a constaté que ces chefs peinaient car la relation entre les paramètres du laser et les défauts est désordonnée et courbe, pas droite.
• Les Chefs « Basés sur des Arbres » : Ces modèles (comme les Arbres de Décision, les Forêts Aléatoires et le Gradient Boosting) fonctionnent comme un organigramme. Ils posent une série de questions oui/non : « La puissance du laser était-elle élevée ? » -> « Oui. » -> « La vitesse était-elle lente ? » -> « Oui. » -> « Résultat : Keyhole. »
• Le Chef « Réseau de Neurones Profond » : C'est un cerveau complexe à multiples couches qui tente d'apprendre des modèles par lui-même, similaire à la façon dont un humain apprend à reconnaître un visage.

3. Les Résultats : Qui a gagné le concours de cuisine ?

Après avoir nourri toutes les données à ces 15 modèles, les résultats étaient clairs :

• Le Champion : CatBoost a pris la première place avec une précision de 92,47 %. Il était le meilleur pour identifier correctement les quatre types de résultats (parfait, balling, keyhole ou manque de fusion).
• Les Finalistes : Deux autres chefs basés sur des arbres, LGBM et XGBoost, sont arrivés deuxième et troisième, obtenant environ 91 % et 90 %.
• Le Contendant en Apprentissage Profond : Le complexe Réseau de Neurones Profond (DNN) a fait un travail décent (88,55 %), mais il n'a pas battu les modèles basés sur des arbres. En fait, le papier note que pour cet ensemble de données spécifique, les modèles basés sur des arbres plus simples étaient plus efficaces et précis.
• Les Perdants : Les modèles « Linéaires » simples et certaines méthodes plus anciennes (comme certains types de Machines à Vecteurs de Support) ont mal performé, souvent confus par la physique complexe de la fusion du métal.

4. Ce que les « Courbes d'Apprentissage » leur ont appris

Les chercheurs ont également examiné les « Courbes d'Apprentissage », qui sont comme des graphiques montrant combien un étudiant s'améliore alors qu'il étudie davantage de pages d'un manuel.

• Ils ont constaté que pour les modèles les plus performants (comme CatBoost), la courbe ne s'était pas encore tout à fait aplatie. Cela signifie que si l'on nourrissait le modèle avec encore plus de données, il pourrait s'améliorer davantage.
• Cependant, pour certains autres modèles, la courbe montrait qu'ils souffraient de « surapprentissage » — essentiellement mémoriser les réponses du manuel plutôt que d'apprendre les concepts, ce qui les faisait échouer sur de nouveaux problèmes jamais vus.

La Conclusion

Le papier conclut que la Fabrication Additive est un puzzle complexe et multi-physique trop difficile à résoudre pour une logique simple et linéaire. Cependant, les modèles d'Apprentissage Automatique non linéaires et basés sur des arbres (spécifiquement CatBoost) sont excellents pour résoudre ce puzzle.

En utilisant AM-DefectNet, les ingénieurs peuvent désormais s'appuyer sur ces algorithmes intelligents pour prédire les défauts dans les pièces métalliques imprimées en 3D avec une grande précision, agissant comme un inspecteur de contrôle qualité numérique fiable qui apprend de milliers d'exemples passés. L'étude prouve que nous n'avons pas besoin de deviner si une pièce est bonne ; nous pouvons laisser les données nous le dire.

Résumé technique

Résumé Technique : AM-DefectNet

Énoncé du Problème
La Fabrication Additive (FA), en particulier des procédés tels que la Fusion sur Lit de Poudre par Laser (LPBF) et le Dépôt d'Énergie Dirigée, fait face à des défis majeurs pour garantir la qualité de production en raison de la nature complexe et multi-physique de la dynamique du bain de fusion. Des défauts tels que le manque de fusion (LOF), la porosité par effet de clé, et les phénomènes de balling compromettent l'intégrité structurelle des pièces imprimées. Bien que la surveillance traditionnelle repose sur des techniques in-situ (par exemple, capteurs acoustiques, thermographie) et ex-situ (par exemple, rayons X, tomographie), ces méthodes peuvent être coûteuses, chronophages et nécessiter un étalonnage extensif. De plus, les relations complexes entre les paramètres de procédé (puissance laser, vitesse de balayage, espacement des hachures), les propriétés des matériaux et la géométrie du bain de fusion rendent difficile l'établissement de modèles prédictifs fiables basés sur la physique. Il existe un besoin critique d'approches pilotées par les données capables de classifier avec précision les défauts à partir de jeux de données expérimentaux afin d'optimiser les paramètres de procédé et d'améliorer la qualité des pièces.

Méthodologie
Les auteurs introduisent AM-DefectNet, un cadre de référence complet conçu pour évaluer l'efficacité de divers modèles d'Apprentissage Automatique (ML) dans la classification des défauts de FA. La méthodologie comprend les étapes clés suivantes :

• Collecte et Curation des Données : L'étude utilise un jeu de données compilé à partir de la littérature scientifique évaluée par les pairs, faisant principalement référence aux travaux d'Akbari et al. Le jeu de données comprend environ 2 019 points de données, répartis en 1 514 pour l'entraînement et 505 pour le test. Les caractéristiques d'entrée incluent les paramètres de traitement (puissance laser, vitesse de balayage, épaisseur de couche, diamètre du faisceau, espacement des hachures) et les propriétés des matériaux (conductivité thermique, chaleur spécifique, point de fusion, composition chimique). La sortie cible est une classification à quatre classes : Souhaitable (sans défaut), Clé, Manque de Fusion (LOF) et Balling.
• Vectorisation et Prétraitement : Les variables catégorielles (par exemple, type de procédé : SLM vs EBM) sont converties à l'aide d'un encodage one-hot. Les entrées catégorielles et numériques subissent une mise à l'échelle min-max. Le jeu de données est partitionné à l'aide d'une stratégie de validation croisée à 11 plis pour atténuer le surapprentissage et assurer une estimation robuste des performances.
• Sélection du Modèle : L'étude évalue 15 modèles de ML distincts, classés en :
  • Algorithmes Linéaires : Régression Logistique et Machines à Vecteurs de Support (SVM) avec un noyau linéaire.
  • Algorithmes Non Linéaires Basés sur les Arbres : Arbres de Décision, Forêt Aléatoire, AdaBoost, Bagging, Voting, et variantes de Gradient Boosting (XGBoost, LGBM, CatBoost).
  • Réseaux de Neurones : Perceptrons Multicouches (MLP/DNN) et divers noyaux SVM (RBF, Polynomiale, Sigmoïde).
  • Apprentissage Basé sur les Instances : k-Plus Proches Voisins (k-NN).
• Métriques d'Évaluation : Les performances des modèles sont évaluées à l'aide de la Précision, du Rappel, de la Précision (Accuracy) et du Score F1, calculés via des moyennes macro, micro et pondérées pour tenir compte de la distribution des classes. Des courbes d'apprentissage sont également utilisées pour analyser la convergence des modèles et les besoins en données.

Contributions Clés

1. Cadre AM-DefectNet : L'article établit une référence standardisée pour comparer les modèles de ML spécifiquement pour la caractérisation du bain de fusion et la classification des défauts en FA, une comparaison qui n'avait pas été explorée de manière aussi complète auparavant.
2. Comparaison Complète des Modèles : L'étude évalue systématiquement 15 algorithmes, allant des classifieurs linéaires traditionnels aux méthodes d'ensemble avancées et à l'apprentissage profond, fournissant une hiérarchie claire des performances pour ce domaine spécifique.
3. Identification des Algorithmes Optimaux : La recherche identifie que les méthodes d'ensemble non linéaires basées sur les arbres, spécifiquement CatBoost, LGBM et XGBoost, surpassent significativement les modèles linéaires et autres classifieurs dans ce contexte.
4. Analyse des Courbes d'Apprentissage : Les auteurs fournissent des insights sur le comportement des modèles par rapport à la taille du jeu de données, mettant en évidence quels modèles ont atteint la convergence et lesquels pourraient bénéficier de données supplémentaires.

Résultats
Les résultats de l'étalonnage démontrent une hiérarchie de performance claire parmi les modèles testés :

• Meilleurs Performeurs : CatBoost a atteint la précision la plus élevée de 92,47 %, suivi de LGBM à 91,08 % et XGBoost à 90,89 %. Ces modèles ont également démontré une précision, un rappel et des scores F1 supérieurs à travers les classes de défauts.
• Performance de l'Apprentissage Profond : Le Réseau de Neurones Profond (DNN/MLP) a démontré des performances compétitives avec une précision de 88,55 %, bien qu'il ait nécessité un réglage minutieux des hyperparamètres (incluant la normalisation par lots et le dropout) pour atténuer le surapprentissage.
• Modèles Sous-performants : Les modèles linéaires, tels que la Régression Logistique (62,17 % de précision) et les SVM avec un noyau linéaire (70,29 % de précision), ont eu du mal à capturer les relations complexes et non linéaires inhérentes aux procédés de FA. Les SVM avec des noyaux non linéaires (RBF, Polynomiale) ont montré une amélioration mais n'ont pas égalé les performances des meilleures ensembles basés sur les arbres.
• Analyse de la Matrice de Confusion : L'analyse visuelle des matrices de confusion a confirmé que CatBoost et LGBM ont efficacement minimisé les mauvaises classifications entre les types de défauts par rapport aux autres algorithmes.

Signification et Affirmations
L'article affirme que l'étude met en évidence l'efficacité de l'Apprentissage Automatique, en particulier des algorithmes non linéaires basés sur les arbres comme CatBoost, pour relever les défis de la détection des défauts dans la Fabrication Additive. En établissant la référence AM-DefectNet, les auteurs fournissent une base validée pour l'optimisation des procédés. Les résultats suggèrent que les approches pilotées par les données peuvent servir d'alternative rentable et efficace à la surveillance expérimentale traditionnelle pour prédire les caractéristiques du bain de fusion et identifier des défauts tels que le LOF, le balling et la formation de clé. L'étude conclut que ces modèles de ML jettent les bases pour améliorer la répétabilité et réduire les taux de défauts dans la production de FA, bien qu'elle note modestement que davantage de données pourraient encore être nécessaires pour faire converger pleinement certains modèles et que la complexité de la physique de la FA reste un défi pour les approches linéaires.