01 Réamhrá Páipéir
Léiríonn Déantúsaíocht Bhreiseáin (AM), mar chroí-threo na teicneolaíochta déantúsaíochta chun cinn, buntáistí suntasacha i dtáirgeadh saincheaptha comhpháirteanna miotail agus déantúsaíocht struchtúr casta. Mar sin féin, le linn phróiseas miotail AM, táirgeann an t-idirghníomhú casta idir léasair agus ábhar go héasca lochtanna mar spásáil agus porosity mar gheall ar éagothroime ionsú fuinnimh, rud a chuireann srian ar a fheidhm thionsclaíoch ardchruinneas. Tá ionsúiteacht léasair, mar phríomh-pharaiméadar a nascann ionchur fuinnimh léasair agus freagairt ábhair, ríthábhachtach chun an tranglam seo a shárú trí chainníochtú beacht agus trí thuar fíor-ama. Cinneann ionsú léasair go díreach dáileadh teocht an linn leá; d'fhéadfadh spásáil a bheith mar thoradh ar ionsú ró-ard, agus d'fhéadfadh easpa lochtanna comhleá a bheith mar thoradh ar ró-íseal. Chun aghaidh a thabhairt air seo, is féidir algartaim dhomhainfhoghlama a thabhairt isteach, ag baint úsáide as a gcumas cumhachtacha mapála neamhlíneach agus astarraingthe gnéithe íomhá. Ag baint úsáide as íomháú X-ghathach sioncronaithe in situ de thurgnaimh chlaonta eochrach (lena n-áirítear an ionsúiteacht tomhaiste comhfhreagrach) mar shonraí lárnacha, líonraí néaracha comhbhrónna oiriúnacha (ResNet-50, ConvNeXt-T), samhlacha deighilte shéimeantacha (UNet), agus is féidir straitéisí foghlama aistrithe a dhearadh chun gnéithe eastósctha gné-chóimheasa, comhghaolmhaireacht láidir a bhaint as gnéithe geoiméadracha, comhghaolú na heochrach. etc.) agus ionsúiteacht. Féadann sé seo samhail thuarthach cruinn a chruthú d’íomhá X-ghathach go hionsúchtúlacht léasair’ (idir chríoch-go dtí-cur chuige modúlach), rud a chumasaíonn cainníochtú fíor-ama ar ionsú léasair agus tacaíocht sonraí a sholáthar chun dinimic linn leá a rialú agus lochtanna a laghdú, rud a chuirfeadh chun cinn feidhmchlár tionsclaíoch ard-mhiotail.
02 Forbhreathnú ar an Téacs Iomlán
Tógann an páipéar seo tacair sonraí ionsúcháin agus deighilte ag baint úsáide as sonraí a fuarthas ó chóras íomháithe gatha ardluais sioncronaithe in-situ ag an léaslíne 32{{4}ID{5}}B den Ardfhoinse Photon (APS) ag ANL, lena n-áirítear tacair sonraí gan aon chiseal púdair, a cuireadh i bhfeidhm ar shraith púdair agus ar dhúlagar le ciseal púdair, le deighleog v. deireadh-go-deireadh agus modhanna modúlacha. Úsáideann an modh deireadh-go-dhá líonra néaracha choinbhleachtaí, ResNet-50 agus ConvNeXt-T, chun gnéithe intuigthe a fhoghlaim go huathoibríoch go díreach ó íomhánna X réamhphróiseáilte, ag aschur ráta ionsúcháin trí chiseal lán-nasctha Congression{19}T- réamh-oilte ar ImageNet a thaispeánann an fheidhmíocht is fearr, ag baint amach caillteanas tástála de 2.35±0.35 agus meánearráid absalóideach níos lú ná 3.3% ar an tacar tástála TI saor in aisce-6Al-4V. Baineann an modh modúlach amach gnéithe geoiméadracha an dúlagar gaile ar dtús (cosúil le doimhneacht, achar, agus cóimheas gné) ag baint úsáide as samhail deighilte shéimeantach UNet, agus ansin réamh-mheastar ráta ionsú ag baint úsáide as samhlacha aischéimniúcháin clasaiceacha ar nós Random Forest; Bhain UNet amach meántrasbhealach tástála is airde thar aontais (mIoU) de 93.5% i dtascanna deighilte il-ábhair (m.sh., Ti64, SS316, IN718), agus bhí caillteanas tástála de 3.30±0.02 ag an tsamhail Random Forest. Ina measc, tá an modh deireadh-go-deireadh an-uathoibrithe agus go tapa i tátal, oiriúnach le haghaidh monatóireachta fíor-ama tionsclaíoch, ach le léirmhíniú lag agus earráidí tuartha níos mó do phatrúin seolta (lamháin ghal beag); tá léirmhíniú láidir ag an modh modúlach (tábhacht gné a chainníochtú trí luachanna SHAP, ag aithint go soiléir cóimheas gné, doimhneacht, agus limistéar mar phríomhghnéithe), ach braitheann sé ar dheighilt beacht, le infheidhmeacht theoranta i gcásanna ina bhfuil púdar mar gheall ar dheacracht teorainneacha dúlagar a aithint.
Léiríonn Fíor 03 an anailís ghrafach.
Cuireann Fíor 1 i láthair na torthaí réamh-mheasta ar ionsú léasair gan ciseal púdar. Úsáideann fo-fhigiúirí a agus b an tsamhail deireadh-chun-deireadh a chur le ResNet-50, ar féidir leis na hathruithe ar an ráta ionsú léasair le linn scanadh agus treochtaí sa chéim poll eochrach léasair doimhin a rianú go cruinn, ach tá earráidí móra sa chéad dá chéim den léasair stáiseanóireachta. Úsáideann fo-fhigiúirí c agus d an tsamhail deireadh-chun-deireadh a chur le ConvNeXt-T, le hearráidí scanála léasair níos lú ná 3%, agus féadann sé céim poll eochrach éadomhain an léasair sheasmhaigh a thuar go cruinn, le diallais amháin sa chéim gan-dúlagar. Úsáideann fouimhreacha e agus f cur chuige modúlach (UNet + foraois randamach), le feidhmíocht i scanadh léasair gar don deireadh-go-modh; áfach, i gcéim neamh-dúlagar an léasair stáiseanóireachta, déantar an tuar a dheighilt mar 0 (diall an-mhór), agus feabhsaítear cruinneas tar éis foirmeacha poll eochrach éadomhain.
Léiríonn Fíor 2 feidhmíocht oiliúna na múnlaí éagsúla, nuair a laghdaítear líon na dtréimhsí cóineasaithe de 19% nuair a chríochnaíonn an deireadh-go{2}}deireadh a chur le ResNet-50 samhail réamhoilte (meáchain ImageNet) líon na dtréimhsí coinbhéirseachta 19% i gcomparáid le túsú randamach le laghdú beag ar an gcaillteanas, an deireadh{{7}Conas{9}Conas{9} Is é an toradh atá ar réamhoiliúint ná laghdú 69% ar na tréimhsí coinbhéirseachta agus laghdú suntasach ar chaillteanas (laghdaíodh caillteanas tástála faoi 76%), agus ní laghdaíonn réamhoiliúint samhail deighilte UNet ach tréimhsí an chóineasaithe faoi 16% le tionchar íosta ar chaillteanas. Léiríonn an figiúr seo go soiléir go gcuireann meáchain réamh-oilte go mór le leas iomlán a bhaint as samhlacha deiridh go{{{-deireadh (ConvNeXt-T go háirithe)) ach go bhfuil éifeacht teoranta acu ar mhúnlaí deighilte, ag soláthar príomhthreoir do roghnú straitéise oiliúna samhlacha.
Figure 3 presents explanations and error analysis centered on the ConvNeXt-T model, comprising three subfigures: Subfigure a shows the attention distribution at different convolution stages through Grad-CAM heatmaps, illustrating the transition from dispersed attention in shallow layers to focused attention on the core region of the steam depression in deep layers, confirming the effectiveness of the end-to-end model in autonomously extracting key features; Subfigure b uses a 40% laser absorption rate as the threshold (distinguishing between conduction mode and keyhole mode) to analyse that samples with an absorption rate >Níl ach 40% (modh poll eochrach) ag earráid réamh-mheasta de 2.54, ach tá earráid 12.6 ag samplaí Níos lú ná nó cothrom le 40% (modh seolta), rud a chuireann béim ar earráid shuntasach an mhúnla faoi mhodh seolta; Fíoraíonn subfigure c, trí thurgnaimh léasair statacha ag 94W (ísealchumhacht, modh seolta) agus 106W (cumhacht níos airde, modh poll eochrach), go bhfuil réamh-mheastacháin an mhúnla ag teacht go dlúth leis na fíorluachanna i mód eochrach ach go dteipeann orthu luaineachtaí iarbhír i mód seolta a ghabháil, rud a chomhtháthaíonn torthaí fho-fhigiúr b.
04 Conclúid
Díríonn an staidéar ar thuar meandarach ar ionsú léasair i ndéantúsaíocht breiseán miotail. Bunaithe ar íomháú gha-shioncrótron X- agus ar thomhais radaíochta sféir á gcomhtháthú, tógadh tacair sonraí d’ionsúchtacht Ti-6Al{-4V gan agus le púdar, chomh maith le tacair sonraí deighilte ábhar eochrach il-. Moladh dhá mhodh foghlama domhain: deireadh-go-deireadh (ResNet-50, ConvNeXt-T) agus modúlach (UNet + foraois randamach), an dá cheann ag baint amach réamh-mheastacháin ardchruinneas le MAE<3.3%, among which the pre-trained ConvNeXt-T end-to-end model performed best (test loss 2.35±0.35). ImageNet pre-trained weights significantly improved the convergence speed and accuracy of end-to-end models (ConvNeXt-T convergence rounds reduced by 69%, test loss reduced by 76%). Fine-tuning with a small amount of powder-containing data (5%) can effectively adapt to industrial scenarios. The end-to-end method is suitable for industrial real-time monitoring, while the modular method (explicitly considering aspect ratio, depth, and area as key features) is suitable for academic research and offline analysis.
