⚡ elektrotechniek

Longitudinal Segmentation and Terminal Classification of WAAM Single Beads from 3D Point Clouds

Deze studie introduceert een door experts geïnformeerde, geometrie-gestuurde workflow die gebruikmaakt van een kwadratisch–lineair–kwadratisch (Q–L–Q) algoritme om de START-, MID- en END-regio's van WAAM single beads automatisch te segmenteren en te classificeren uit 3D-puntenwolken, waarbij transiënte geometrische gedragingen die verborgen blijven door traditionele longitudinale middeling succesvol worden behouden.

Oorspronkelijke auteurs: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

Gepubliceerd 2026-10-16

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Janez Gotlih, Kristijan Šket, Rok Belšak, Timi Karner

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een fabrieksvloer voor waar gigantische robotarmen massieve metalen onderdelen bouwen, laag voor laag, met een proces dat lijkt op een zeer precieze, hogetemperatuur-lasvlam. Deze methode, bekend als wire arc additive manufacturing, wordt een favoriet voor het maken van grote, complexe metalen structuren omdat het snel en relatief goedkoop is. Echter, voor de robots om deze onderdelen perfect te kunnen bouwen, moet het metaal dat ze neerleggen consistent zijn. Als de metaalnaad te breed, te hoog of met de verkeerde vorm is, zullen de lagen niet correct op elkaar stapelen, en kan het uiteindelijke onderdeel zwak of vervormd zijn. Lange tijd hebben ingenieurs naar deze metaalbanen gekeken alsof het uniforme stroken waren, waarbij ze de gemiddelde breedte en hoogte van de gehele lengte maten om te zien of het proces goed verliep. Maar deze benadering heeft een blinde vlek. Net zoals een hardloper langzaam kan starten, in het midden kan sprinten en weer kan vertragen om te stoppen, vormt een metaalbaan zich niet op dezelfde manier van begin tot eind. De start en het einde van het metaalpad zijn vaak chaotisch en instabiel, terwijl het middengedeelte stabiel is. Als je het geheel middelt, verlies je de details van die kritieke momenten, waardoor de variaties die kunnen leiden tot het falen van een onderdeel verborgen blijven.

Een team onderzoekers aan de Universiteit van Maribor in Slovenië besloot de metaalbanen nauwer te bekijken om te zien of ze het chaotische begin en einde konden scheiden van het stabiele midden. Ze werkten met vijftig afzonderlijke metaalbanen, elk ongeveer 40 millimeter lang, die door een robotarm op stalen platen waren neergelegd. Om de vorm van deze banen met ongelooflijk detail te zien, gebruikten ze een laserscanner om een driedimensionale kaart van het oppervlak te maken, waarbij duizenden kleine punten werden vastgelegd die de hoogte en breedte van de baan op elke positie langs de lengte beschrijven. In plaats van elke metaalbaan als één lang, uniform object te behandelen, wilden de onderzoekers de baan opsplitsen in drie duidelijke zones: het begin, het midden en het einde. Hun doel was om te bewijzen dat deze zones verschillend gedrag vertonen en om een computermethode te creëren die automatisch kan vinden waar de ene zone eindigt en de volgende begint, zonder dat daarvoor een mens naar elke scan hoeft te kijken.

Voordat ze de computer leerden hoe hij dit moest doen, vroegen de onderzoekers eerst aan een menselijke expert om de gegevens te bekijken en de grenzen handmatig aan te geven. Deze expert, geleid door de visuele vorm van het metaal, identificeerde waar de baan leek te stabiliseren en waar deze nog aan het settelen of uit te klinken was. Wanneer het team de door mensen gemarkeerde secties analyseerde, kwam er een duidelijk patroon naar voren. Het middengedeelte van de banen was opmerkelijk stabiel, met zeer weinig verandering in breedte of hoogte terwijl de robot bewoog. Het was bijna een rechte, vlakke lijn. De begin- en eindsecties waren echter allesbehalve vlak. Ze kromden en veranderden aanzienlijk van vorm, waarbij ze een snelle evolutie in geometrie lieten zien die een eenvoudige rechte lijn niet kon beschrijven. Deze observatie was cruciaal. Het vertelde de onderzoekers dat het middengedeelte met een eenvoudig, rechtlijnig model beschreven kon worden, terwijl de begin- en einddelen een complexer, gebogen model nodig hadden om hun veranderende vorm vast te leggen.

Gewapend met dit inzicht bouwde het team een nieuw computeralgoritme gebaseerd op een "gebogen-recht-gebogen" idee. Ze leerden de software om naar de laser-scandata te kijken en de twee punten te vinden waar de vorm van de baan overging van de wilde curve van het begin, naar de kalme rechte lijn van het midden, en terug naar de curve van het einde. De computer gokte niet zomaar; hij testte miljoenen mogelijke splitsingspunten, zoekend naar de combinatie die het beste bij de werkelijke metaalvorm paste. De software besteedde speciale aandacht aan de dwarsdoorsnede, wat in essentie is hoeveel metaal er in een doorsnede van de baan zit, aangezien dit de belangrijkste aanwijzing bleek te zijn voor het vinden van de grenzen. Het resultaat was een systeem dat de baan met hoge precisie automatisch in haar drie functionele delen kon snijden.

Wanneer de onderzoekers het werk van de computer vergeleken met de oorspronkelijke markeringen van de menselijke expert, stelden zij vast dat de twee erg goed overeenkwamen, hoewel niet perfect. Gemiddeld genomen lagen de grenzen van de computer ongeveer 3,5 millimeter af. Dit kleine verschil is niet noodzakelijkerwijs een fout; het weerspiegelt het feit dat de computer en de mens verschillende regels gebruikten om precies te definiëren waar het "begin" ophoudt het "begin" te zijn. Belangrijker nog was dat de computer succesvol het middengedeelte als het meest stabiele deel had geïdentificeerd in elk van de vijftig banen. Sterker nog, de variatie in het middengedeelte was zo veel lager dan in de begin- of eindsecties, dat de computer deze met bijna volledige zekerheid kon onderscheiden. De begin- en eindsecties waren geometrisch zo verschillend van elkaar dat de computer zelfs kon bepalen welk uiteinde van de baan het begin en welk uiteinde het einde was, enkel door naar de vorm te kijken, zelfs zonder te weten in welke richting de robot bewoog.

De studie bevestigt dat het behandelen van een metaalbaan als een enkel, uniform object een versimpeling is die belangrijke fysieke realiteiten verbergt. Door de metaalbaan te scheiden in een stabiel midden en twee veranderende uiteinden, kunnen ingenieurs het proces nu nauwkeuriger analyseren. Ze kunnen zich concentreren op het stabiele midden om te begrijpen hoe de machine onder normale omstandigheden presteert, terwijl ze het begin en het einde apart bestuderen om de lastige momenten van initiatie en terminatie te begrijpen. Deze benadering beschrijft niet alleen het metaal beter; het biedt ook een nieuwe manier om het productieproces te beheersen. Als een robot getraind kan worden om deze specifieke zones in realtime te herkennen, kan hij mogelijk zijn snelheid of hitte precies aanpassen op het moment dat de metaalbaan begint of stopt, om er zeker van te zijn dat elk onderdeel van de metalen structuur met dezelfde hoge kwaliteit wordt gebouwd. De onderzoekers merken op dat hoewel hun methode goed werkt voor de specifieke stalen banen die zij hebben getest, de echte test zal komen wanneer ze het proberen op verschillende materialen en machines, maar het fundamentele idee — dat het begin, het midden en het einde van een metaalbaan verschillende werelden zijn — heeft nu een solide, op data gebaseerde fundering.

Technische Samenvatting: Longitudinale Segmentatie en Terminale Classificatie van WAAM Single Beads uit 3D-puntenwolken

Probleemstelling
Wire Arc Additive Manufacturing (WAAM) is afhankelijk van de controle over de gedeponeerde geometrie, aangezien de breedte, hoogte en dwarsdoorsnedelarea van de bead de laaghoogte, overlap en dimensionale nauwkeurigheid bepalen. Bestaande proces-geometrie-studies vatten beads echter doorgaans samen met behulp van globale descriptoren of ijle dwarsdoorsneden, wat de longitudinale structuur van individuele depositiepaden onderdrukt. Deze benadering verbergt de transiënte geometrische gedragingen die optreden tijdens de initiatie (START) en terminatie (END) van de depositie, waarbij de omstandigheden verschillen van het quasi-stationaire operationele regime. Bijgevolg kan het middelen van de gehele bead systematische niet-lineaire evolutie maskeren en de fysische interpreteerbaarheid van geometrie-gebaseerde procesmodellen verminderen. Er is behoefte aan een reproduceerbare, operationele definitie om de START-, MID- en END-regio's direct uit dichte post-proces 3D-puntenwolken te scheiden en te karakteriseren.

Methodologie
De studie maakte gebruik van een dataset van 50 single beads die op drie S355 constructiestalen platen zijn gedeponeerd met behulp van een robotische WAAM-cel. De beads werden gemeten met een laserprofielscanner om zes gedeeltelijk overlappende 3D-puntenwolken te genereren. De methodologie verliep in drie opeenvolgende stadia:

Expert-geïnformeerde Referentievestiging: Voordat een automatisch algoritme werd ontwikkeld, beoordeelde een domeinexpert de 50 beads visueel om een referentie-segmentatie van START–MID–END vast te stellen. Dit proces omvatte het definiëren van ruimtelijke gebieden van belang (ROI) en een initieel MID-interval, die vervolgens werden verfijnd met behulp van gestandaardiseerde regels voor regionale lengte en bemonstering.
Empirische Basis en Q–L–Q Formulering: Statistische analyse van de expert-geïnformeerde regio's toonde aan dat de MID-regio een nagenoeg lineair gedrag met een lage variatie vertoonde, terwijl de START- en END-regio's een systematische niet-lineaire evolutie vertoonden. Deze observatie motiveerde een Quadratic–Linear–Quadratic (Q–L–Q) modelformulering.
Automatisch Segmentatiealgoritme: Er is een geometrie-gestuurd algoritme ontwikkeld om automatisch de transitiecoördinaten ( $u_1$ $u_{1}$ en $u_2$ $u_{2}$ ) tussen START, MID en END te bepalen. Het algoritme minimaliseert een objectieve functie die bestaat uit:
- Regionale Modelpassing: Least-squares passing van kwadratische polynomen op breedte, hoogte en dwarsdoorsnedelarea in START/END, en een lineaire polynoom in MID.
- Continuïteit: Het bestraffen van discontinuïteiten in de gepaste waarden bij de transitiepunten.
- Lengtestraf: Het ontmoedigen van excessief korte MID-regio's.
  Het algoritme doorzoekt exhaustief alle toelaatbare transitieparen om de gecombineerde objectieve functie te minimaliseren.
Validatie en Classificatie: De automatische segmentatie werd gevalideerd tegenover de expert-geïnformeerde referentie met behulp van de Mean Absolute Boundary Difference (MABD). Verder werd een positie-onafhankelijk classificatiemodel (logistische regressie met L2-regularisatie) getraind om START van END te onderscheiden op basis van louter geometrische descriptoren (gemiddelde, mediaan, standaarddeviatie en variatiecoëfficiënt van breedte, hoogte en area), waarbij positie-informatie werd uitgesloten. Validatie vond plaats via geneste leave-one-bead-out (LOBO) en leave-one-plate-out schema's.

Belangrijkste Resultaten

Geometrische Karakterisering: De expert-geïnformeerde analyse bevestigde dat de MID-regio een significant lagere longitudinale variatie heeft (gemiddelde variatiecoëfficiënt voor dwarsdoorsnedelarea $CV_A = 0,040$ ) vergeleken met START ($0,319$) en END ($0,369$). Kwadratische modellen presteerden significant beter dan lineaire modellen bij het representeren van de terminale regio's, met name voor hoogte en dwarsdoorsnedelarea.
Prestaties van de Automatische Segmentatie: Het automatische Q–L–Q algoritme slaagde erin om alle 50 beads te segmenteren. De resulterende MID-regio's vertoonden consistent de laagste $CV_A$ (gemiddeld $0,054$) vergeleken met START ($0,346$) en END ($0,437$).
Grenscorrespondentie: De automatische transitiecoördinaten vertoonden een gecombineerde MABD van 3,49 mm ten opzichte van de expert-geïnformeerde referentie. De automatische methode had de neiging om een iets langere MID-regio te definiëren, waarbij de START–MID grens naar lagere coördinaten verschoof en de MID–END grens naar hogere coördinaten.
Bijdrage van Descriptoren: Een leave-one-descriptor-out ablatieanalyse onthulde dat de dwarsdoorsnedelarea de sterkste bijdrage leverde aan de schatting van de transitiecoördinaten (55,4% van de totale bijdrage), gevolgd door hoogte (24,0%) en breedte (20,6%).
Terminale Classificatie: Het classificatiemodel bereikte een perfecte nauwkeurigheid (1,00) in het onderscheiden van START van END met behulp van de originele, ongelijke lengte terminale regio's. Cruciaal was dat zelfs na extractie van overeenkomstige lengte fysieke intervallen om lengtebias te verwijderen, het model een hoge nauwkeurigheid behield (0,94 onder LOBO en 0,96 onder leave-one-plate-out validatie). Dit geeft aan dat START en END onderscheidende geometrische distributies bezitten die onafhankelijk zijn van hun fysieke lengte of positie.

Betekenis en Claims
Het artikel beweert een reproduceerbare, geometrie-gestuurde workflow te bieden die de longitudinale geometrische informatie die vaak verloren gaat bij het middelen van de gehele bead, behoudt. Door een Q–L–Q formulering te vestigen op basis van empirisch bewijs, biedt de studie een methode om quasi-stationaire (MID) en transiënte (START/END) depositie-regimes te scheiden.

De auteurs benadrukken dat deze aanpak mogelijk maakt:

Regio-specifieke Modellering: Het karakteriseren van stabiel depositiegedrag in de MID-regio, gescheiden van de transiënte responsen aan het begin en einde.
Vergelijking van Processtrategieën: Het faciliteren van de analyse van start- en stopstrategieën door de terminale transiënten te isoleren.
Toolpath Compensatie: Het ondersteunen van de ontwikkeling van locatie-afhankelijke compensatiestrategieën.

De studie merkt expliciet op dat de resultaten een interne validatie vertegenwoordigen binnen een specifieke experimentele campagne (S355 staal, specifieke robotische cel, en procesvenster). De auteurs stellen dat bredere generaliseerbaarheid naar verschillende materialen, depositiesystemen en procesvensters verdere validatie vereist met onafhankelijke datasets. Het werk claimt niet real-time controle te vervangen, maar biedt eerder een post-proces kader voor het identificeren van regio's die mogelijk andere modellerings- of monitoringsstrategieën vereisen.

Meer zoals dit