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

本研究は、積層造形における欠陥分類のために15の機械学習モデルをベンチマークする包括的なフレームワーク「AM-DefectNet」を導入し、溶融池の特性評価においてCatBoostアルゴリズムが92.47%の精度で他を凌駕することを明らかにした。

要約

完璧なパンを焼くと想像してみてください。昔は、クラストを見て、香りを嗅ぎ、質感を触るなど、五感に頼っていました。しかし、積層造形（AM）、つまり 3D プリンティングというハイテクの世界では、「パン」は強力なレーザーを用いて金属粉末から層ごとに構築されます。問題は、レーザーが飛び回る間、高温の溶融金属（溶融池と呼ばれます）の内部で何が起きているかを把握するのが難しいことです。熱が高すぎると「キーホール」（深く不安定な気泡）が生じ、低すぎると層同士がくっつかず（「未融合」）、ちょうど良ければ完璧で固体の部品が得られます。

この論文は、AM-DefectNetという新しいツールを紹介しています。AM-DefefNet を 3D プリンター用の「スーパー味覚」と考えてください。パンが焦げているかどうかを人間のシェフが推測する代わりに、このツールは**機械学習（ML）**を用いてデータを「味見」し、金属部品が完璧か欠陥があるかを瞬時に教えてくれます。

以下に、このツールの構築方法と発見したことを簡潔にまとめます。

1. 材料を集める（データ）

コンピュータに欠陥を見分ける方法を教えるには、膨大な例のレシピ集が必要です。研究者は単一の実験を行うだけでなく、図書館に出向き、他の数十の科学的研究からデータを収集しました。

• レシピ： 彼らは「材料」（金属合金の種類、レーザーの温度、移動速度、層の厚さなど）に関する情報を収集しました。
• 結果： 彼らは約2,000 のデータポイントを入手しました。各ポイントは 3D プリントの瞬間のスナップショットであり、「望ましい（完璧）」、「ボールング（金属が平らな層の代わりに小さな球に丸まる）」、「キーホール（エネルギーが多すぎる）」、「未融合（エネルギーが不足）」のいずれかにラベル付けされていました。

2. 味見テスト（モデル）

研究者は結果を予測するために単一のレシピだけを使いませんでした。どのシェフが最も優れているかを見るために、15 の異なる機械学習モデルを調理しました。

• 「線形」シェフ： これらはロジスティック回帰のような単純なモデルで、良い部品と悪い部品を分ける直線を描こうとしました。赤と青のビー玉を単一の定規で分類しようとするようなものです。論文によると、これらのシェフは苦労しました。なぜなら、レーザー設定と欠陥の間の関係は直線的ではなく、複雑で曲がっているからです。
• 「木ベース」シェフ： これらのモデル（決定木、ランダムフォレスト、勾配ブースティングなど）はフローチャートのようです。一連のはい/いいえの質問を投げかけます。「レーザー出力は高かったか？」→「はい」→「速度は遅かったか？」→「はい」→「結果：キーホール」。
• 「深層ニューラルネットワーク」シェフ： これは複雑な多層の脳であり、人間が顔を認識する方法に似て、自らパターンを学習しようとします。

3. 結果：料理コンテストの勝者は誰か？

すべてのデータをこれら 15 のモデルに与えた後、結果は明確でした。

• チャンピオン： CatBoostが**92.47%**の精度でトップに立ちました。4 つの結果（完璧、ボールング、キーホール、未融合）をすべて正しく識別する能力が最も優れていました。
• 準優勝： 他の 2 つの木ベースのシェフ、LGBMとXGBoostがそれぞれ 2 位と 3 位となり、それぞれ約**91%と90%**のスコアでした。
• ディープラーニングの挑戦者： 複雑な**深層ニューラルネットワーク（DNN）**はそれなりの仕事（88.55%）を果たしましたが、木ベースのモデルには勝てませんでした。実際、論文はこの特定のデータセットでは、より単純な木ベースのモデルの方が効率的で正確であると指摘しています。
• 敗者： 単純な「線形」モデルや一部の古い手法（特定の種類のサポートベクターマシンなど）は、溶融金属の複雑な物理学に混乱させられ、パフォーマンスが劣っていました。

4. 「学習曲線」が伝えたこと

研究者はまた、「学習曲線」も検討しました。これは、学生が教科書のページをより多く読むにつれてどの程度上達するかを示すグラフのようなものです。

• 彼らは、最高性能のモデル（CatBoost など）では、曲線がまだ完全に平坦化していないことを発見しました。これは、モデルにさらに多くのデータを与えれば、さらに良くなる可能性があることを意味します。
• しかし、他のいくつかのモデルについては、曲線が「過学習」を示していました。つまり、概念を学ぶのではなく教科書の答えを暗記しており、新しい未見の問題では失敗するという状態です。

結論

この論文は、積層造形は複雑なマルチフィジックスのパズルであり、単純な直線的な論理では解決しすぎであると結論付けています。しかし、非線形な木ベースの機械学習モデル（特にCatBoost）はこのパズルを解決するのに優れています。

AM-DefectNet を使用することで、エンジニアはこれらのスマートなアルゴリズムに頼って、3D プリントされた金属部品の欠陥を高い精度で予測できるようになります。これは、過去の数千の例から学習する信頼できるデジタル品質管理検査員として機能します。この研究は、部品が良いかどうかを推測する必要はなく、データに答えさせることができることを証明しています。

技術概要

技術的概要：AM-DefectNet

問題定義
レーザー粉末ベッド融合（LPBF）や指向性エネルギー堆積（DED）などの積層造形（AM）プロセスは、溶融池ダイナミクスが複雑で多物理場であるため、生産品質の確保において重大な課題に直面しています。融合不足（LOF）、キーホール気孔、ボールング現象などの欠陥は、印刷された部品の構造的完全性を損ないます。従来の監視は、in-situ（例：音響センサー、サーモグラフィ）および ex-situ（例：X 線、CT）技術に依存していますが、これらの手法はコストが高く、時間がかかり、広範な較正を必要とします。さらに、プロセスパラメータ（レーザー出力、走査速度、ハッチ間隔）、材料特性、溶融池幾何形状の間の複雑な関係により、信頼性の高い物理ベースの予測モデルを確立することが困難です。実験データセットに基づいて欠陥を正確に分類し、プロセスパラメータを最適化して部品品質を向上させるためのデータ駆動型アプローチが緊急に必要とされています。

手法
著者は、AM 欠陥の分類における各種機械学習（ML）モデルの有効性を評価するために設計された包括的なベンチマークフレームワーク「AM-DefectNet」を導入します。手法には以下の主要なステップが含まれます。

• データ収集とキュレーション: 本研究は、主に Akbari らの研究を参照して、査読付き文献から収集されたデータセットを利用します。データセットは約 2,019 のデータポイントで構成され、1,514 が学習用、505 がテスト用に分割されています。入力特徴量には、処理パラメータ（レーザー出力、走査速度、層厚、ビーム直径、ハッチ間隔）と材料特性（熱伝導率、比熱、融点、化学組成）が含まれます。ターゲット出力は、4 クラス分類（望ましい状態（欠陥なし）、キーホール、融合不足（LOF）、ボールング）です。
• 特徴量化と前処理: カテゴリカル変数（例：プロセスタイプ：SLM 対 EBM）はワンホットエンコーディングを使用して変換されます。カテゴリカル変数と数値入力の両方が最小 - 最大スケーリングを受けます。過学習を軽減し、堅牢な性能推定を確保するために、11 回交差検証戦略を使用してデータセットを分割します。
• モデル選択: 本研究では、以下のカテゴリに分類される 15 の異なる ML モデルを評価します。
  • 線形アルゴリズム: ロジスティック回帰と線形カーネルを持つサポートベクターマシン（SVM）。
  • 非線形ツリーベースアルゴリズム: 決定木、ランダムフォレスト、AdaBoost、バギング、ボティング、および勾配ブースティング変種（XGBoost、LGBM、CatBoost）。
  • ニューラルネットワーク: 多層パーセプトロン（MLP/DNN）および各種 SVM カーネル（RBF、多項式、シグモイド）。
  • インスタンスベース学習: k 近傍法（k-NN）。
• 評価指標: モデルの性能は、クラス分布を考慮してマクロ、マイクロ、加重平均で計算される精度、適合率、再現率、F1 スコアを使用して評価されます。また、モデルの収束とデータ要件を分析するために学習曲線も使用されます。

主要な貢献

1. AM-DefectNet フレームワーク: 本論文は、AM における溶融池の特性評価と欠陥分類に特化した ML モデルを比較するための標準化されたベンチマークを確立します。これは、これまでにこの包括的な方法で探索されたことがない比較です。
2. 包括的なモデル比較: 本研究は、従来の線形分類器から高度なアンサンブル手法および深層学習まで、15 のアルゴリズムを体系的に評価し、この特定のドメインにおける明確な性能階層を提供します。
3. 最適なアルゴリズムの特定: 研究により、非線形ツリーベースのアンサンブル手法、特にCatBoost、LGBM、およびXGBoostが、この文脈において線形モデルや他の分類器を大幅に上回ることが特定されました。
4. 学習曲線分析: 著者は、データセットサイズに対するモデルの挙動に関する洞察を提供し、どのモデルが収束に達したか、どのモデルが追加データから恩恵を受ける可能性があるかを強調しています。

結果
ベンチマーク結果は、テストされたモデル間に明確な性能階層を示しています。

• トップパフォーマー: CatBoostが92.47%の最高精度を達成し、次いでLGBMが91.08%、XGBoostが**90.89%**でした。これらのモデルは、欠陥クラス全体で優れた適合率、再現率、F1 スコアも示しました。
• 深層学習の性能: 深層ニューラルネットワーク（DNN/MLP）は**88.55%**の精度で競争力のある性能を示しましたが、過学習を軽減するために慎重なハイパーパラメータ調整（バッチ正規化やドロップアウトを含む）が必要でした。
• 性能が低いモデル: ロジスティック回帰（精度 62.17%）や線形カーネルを持つ SVM（精度 70.29%）などの線形モデルは、AM プロセスに内在する複雑な非線形関係を捉えるのに苦労しました。非線形カーネル（RBF、多項式）を持つ SVM は改善を示しましたが、トップのツリーベースアンサンブルの性能には及びませんでした。
• 混同行列分析: 混同行列の視覚的分析は、CatBoost と LGBM が他のアルゴリズムと比較して欠陥タイプ間の誤分類を効果的に最小化したことを確認しました。

意義と主張
本論文は、特に CatBoost のような非線形ツリーベースアルゴリズムを含む機械学習が、積層造形における欠陥検出の課題に対処する上で効果的であることを強調しています。AM-DefectNet ベンチマークを確立することで、著者はプロセス最適化のための検証済みの基盤を提供します。結果は、データ駆動型アプローチが、溶融池の特性を予測し、LOF、ボールング、キーホール形成などの欠陥を特定するための、従来の実験的監視に代わる費用対効果が高く効率的な代替手段となり得ることを示唆しています。本研究は、これらの ML モデルが AM 生産における再現性の向上と欠陥率の低減の基礎を築くと結論付けていますが、あるモデルの完全な収束にはさらにデータが必要である可能性と、AM 物理の複雑さが線形アプローチにとって依然として課題であることは控えめに指摘しています。