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

本研究提出了 AM-DefectNet，这是一个全面的框架，用于对 15 种机器学习模型进行增材制造缺陷分类的基准测试，结果表明 CatBoost 算法在熔池表征方面以 92.47% 的准确率优于其他算法。

要点

想象一下，你正在烘焙一条完美的面包。在过去，你会依赖感官：观察面包皮、闻其香气、感受其质地。但在增材制造（AM），即 3D 打印的高科技世界里，这块“面包”是通过高强度激光将金属粉末逐层构建而成的。问题在于：当激光快速移动时，很难看清炽热熔融金属内部（称为熔池）正在发生什么。如果热量过高，就会形成“匙孔”（一种深而不稳定的气泡）；如果热量过低，层与层之间就无法粘合（“未熔合”）；而如果热量恰到好处，你就能得到一个完美、坚固的零件。

本文介绍了一种名为AM-DefectNet的新工具。你可以将 AM-DefectNet 视为 3D 打印机的“超级品鉴师”。它不像人类厨师那样靠猜测判断面包是否烤焦，而是利用**机器学习（ML）**来“品尝”数据，并立即告诉你金属零件是完美无瑕还是存在缺陷。

以下是他们如何构建这一工具以及发现结果的简要说明：

1. 收集食材（数据）

要教会计算机识别缺陷，你需要一本包含海量示例的“食谱”。研究人员并非只进行了一次实验，而是前往“图书馆”，收集了数十项其他科学研究的数据。

• 食谱：他们收集了关于“食材”的信息（例如金属合金类型、激光温度、移动速度以及层厚）。
• 结果：最终他们获得了约2,000 个数据点。每个数据点都是 3D 打印瞬间的快照，并被标记为**“理想”（完美）、“球化”（金属滚成小球而非平整层）、“匙孔”（能量过高）或“未熔合”**（能量不足）。

2. 品尝测试（模型）

研究人员并未仅用一种“食谱”来预测结果，而是烹制了15 种不同的机器学习模型，以找出哪位“厨师”最出色。

• “线性”厨师：这些是简单的模型（如逻辑回归），试图画出一条直线来区分好零件与坏零件。想象一下试图用一把直尺将红色和蓝色的弹珠分开。论文发现，这些“厨师”表现吃力，因为激光设置与缺陷之间的关系是混乱且弯曲的，而非直线。
• “基于树”的厨师：这些模型（如决策树、随机森林和梯度提升）就像流程图。它们提出一系列是/否问题：“激光功率高吗？” -> “是。” -> “速度慢吗？” -> “是。” -> “结果：匙孔。”
• “深度神经网络”厨师：这是一个复杂的多层“大脑”，试图像人类识别面孔一样，自行学习模式。

3. 结果：谁赢得了烹饪大赛？

在向这 15 个模型输入所有数据后，结果一目了然：

• 冠军：CatBoost 以**92.47%**的准确率夺魁。它在正确识别所有四种结果（完美、球化、匙孔或未熔合）方面表现最佳。
• 亚军：另外两位基于树的“厨师”，LGBM 和 XGBoost，分别获得第二和第三名，得分分别约为91%和90%。
• 深度学习竞争者：复杂的**深度神经网络（DNN）**表现尚可（88.55%），但未能超越基于树的模型。事实上，论文指出，针对此特定数据集，较简单的基于树的模型在效率和准确性上更胜一筹。
• 落败者：简单的“线性”模型和一些旧方法（如某些类型的支持向量机）表现不佳，常常因熔融金属的复杂物理特性而感到困惑。

4. “学习曲线”告诉了他们什么

研究人员还查看了“学习曲线”，这就像展示学生随着阅读更多教科书页面而进步多少的图表。

• 他们发现，对于表现最佳的模型（如 CatBoost），曲线尚未完全平缓。这意味着，如果向模型输入更多数据，它可能会变得更好。
• 然而，对于某些其他模型，曲线显示它们出现了“过拟合”——本质上是在死记硬背教科书答案，而非理解概念，这导致它们在面对新的、未见过的问题时失败。

结论

该论文得出结论：增材制造是一个复杂的、涉及多物理学的谜题，简单的直线逻辑难以解决。然而，非线性的、基于树的机器学习模型（特别是CatBoost）在解决这一谜题方面表现出色。

通过使用 AM-DefectNet，工程师现在可以依赖这些智能算法，以高精度预测 3D 打印金属零件中的缺陷，充当一位可靠的数字质量检验员，从成千上万个过往案例中学习。这项研究证明，我们无需猜测零件是否合格；我们可以让数据来告诉我们答案。

技术摘要

技术摘要：AM-DefectNet

问题陈述
增材制造（AM），特别是激光粉末床熔融（LPBF）和定向能量沉积等工艺，由于熔池动力学的复杂多物理场特性，在确保生产质量方面面临重大挑战。未熔合（LOF）、匙孔气孔和球化现象等缺陷会损害打印部件的结构完整性。虽然传统监测依赖于原位（如声学传感器、热成像）和离位（如 X 射线、CT）技术，但这些方法成本高昂、耗时且需要大量校准。此外，工艺参数（激光功率、扫描速度、扫描间距）、材料属性与熔池几何形状之间错综复杂的关系，使得建立可靠的基于物理的预测模型变得困难。因此，迫切需要基于数据的方法，利用实验数据集准确分类缺陷，以优化工艺参数并提高部件质量。

方法论
作者提出了AM-DefectNet，这是一个综合基准框架，旨在评估各种机器学习（ML）模型在分类 AM 缺陷方面的有效性。该方法包括以下关键步骤：

• 数据收集与整理：本研究利用从同行评审文献中汇编的数据集，主要参考 Akbari 等人的工作。该数据集包含约 2,019 个数据点，其中 1,514 个用于训练，505 个用于测试。输入特征包括工艺参数（激光功率、扫描速度、层厚、光束直径、扫描间距）和材料属性（热导率、比热容、熔点、化学成分）。目标输出为四类分类：理想（无缺陷）、匙孔、未熔合（LOF）和球化。
• 特征化与预处理：分类变量（例如工艺类型：SLM 与 EBM）通过独热编码进行转换。分类变量和数值输入均经过最小 - 最大缩放处理。数据集采用 11 折交叉验证策略进行划分，以减轻过拟合并确保鲁棒的性能估计。
• 模型选择：本研究评估了 15 种不同的 ML 模型，分为以下几类：
  • 线性算法：逻辑回归和支持向量机（SVM）（线性核）。
  • 非线性树基算法：决策树、随机森林、AdaBoost、Bagging、Voting 以及梯度提升变体（XGBoost、LGBM、CatBoost）。
  • 神经网络：多层感知机（MLP/DNN）以及各种 SVM 核函数（RBF、多项式、Sigmoid）。
  • 基于实例的学习：k 近邻（k-NN）。
• 评估指标：模型性能通过准确率、精确率、召回率和 F1 分数进行评估，这些指标通过宏平均、微平均和加权平均计算，以考虑类别分布。此外，还利用学习曲线来分析模型收敛性和数据需求。

主要贡献

1. AM-DefectNet 框架：本文建立了一个标准化基准，用于专门比较 AM 中熔池表征和缺陷分类的 ML 模型，此前尚未以这种全面的方式进行过此类比较。
2. 综合模型比较：本研究系统地评估了 15 种算法，从传统的线性分类器到先进的集成方法和深度学习，为该特定领域提供了清晰的性能层级。
3. 最优算法识别：研究发现，非线性树基集成方法，特别是CatBoost、LGBM和XGBoost，在此背景下显著优于线性模型和其他分类器。
4. 学习曲线分析：作者提供了关于模型行为相对于数据集大小的见解，突出了哪些模型已达到收敛，哪些模型可能从额外数据中受益。

结果
基准测试结果表明，测试模型之间存在清晰的性能层级：

• 表现最佳者：CatBoost取得了92.47%的最高准确率，其次是LGBM（91.08%）和XGBoost（90.89%）。这些模型在各类缺陷的精确率、召回率和 F1 分数方面也表现出优越性。
• 深度学习表现：深度神经网络（DNN/MLP）表现出具有竞争力的性能，准确率为88.55%，尽管需要仔细调整超参数（包括批归一化和 Dropout）以减轻过拟合。
• 表现不佳的模型：线性模型，如逻辑回归（准确率 62.17%）和线性核 SVM（准确率 70.29%），难以捕捉 AM 工艺中固有的复杂非线性关系。具有非线性核（RBF、多项式）的 SVM 显示出改进，但未能达到顶级树基集成模型的性能。
• 混淆矩阵分析：混淆矩阵的可视化分析证实，与其他算法相比，CatBoost 和 LGBM 有效地减少了缺陷类型之间的误分类。

意义与主张
本文主张，该研究突显了机器学习，特别是像 CatBoost 这样的非线性树基算法，在解决增材制造缺陷检测挑战方面的有效性。通过建立 AM-DefectNet 基准，作者为工艺优化提供了经过验证的基础。结果表明，数据驱动的方法可以作为传统实验监测的成本效益高且高效的替代方案，用于预测熔池特征并识别 LOF、球化和匙孔形成等缺陷。研究结论认为，这些 ML 模型为改善 AM 生产的可重复性和降低缺陷率奠定了基础，尽管文中也适度指出，某些模型可能仍需要更多数据才能完全收敛，且 AM 物理的复杂性对线性方法而言仍然是一个挑战。