面向連續(xù)纖維增強聚合物復合材料增材制造的深度學習

供稿人：嚴圣超、曹毅、連芩 供稿單位：西安交通大學機械制造系統(tǒng)工程國家重點實驗室

增材制造的實時缺陷檢測和閉環(huán)調整對于確保產品質量至關重要，特別是使用擠出成形工藝制造聚合物基復合材料構件。該團隊提出了一種基于機器人增材制造系統(tǒng)的深度學習模型框架，用于實時識別碳纖維增強聚合物的打印缺陷，并在閉環(huán)調節(jié)中通過適當工藝參數的自校正，有效地消除了打印缺陷。首先，利用深度學習技術實現(xiàn)增材制造過程中對于打印缺陷的高精度實時監(jiān)測，所開發(fā)方法能夠識別兩種類型的打印缺陷，即錯位和磨損，并且建立了路徑設計、工藝參數同錯位、磨損缺陷之間的對應關系，通過將深度學習與對錯位程度的幾何分析相結合，使得錯位嚴重程度得以量化。在此基礎上，該團隊進一步利用深度學習技術對碳纖維增強聚合物增材制造的基本工藝參數進行了閉環(huán)調節(jié)，包括打印層高、絲材進給速度、打印速度，實現(xiàn)了實時缺陷檢測和質量調控的有機結合。

圖1 帶有60°、90°、120°調整角度和2.5mm、5mm、10mm曲率半徑的曲線以及0.9mm、1.1mm、1.3 mm路徑間距的代表模型

如圖1所示，該團隊設計了一種代表模型來獲得監(jiān)督深度學習的訓練數據庫。其中，具有調整角度和曲線的打印路徑對工藝參數很敏感，在這些敏感區(qū)域就需要克服磨損和錯位缺陷�？偣苍O計了三種調整角度（分別為60°、90°、120°）和三種曲率半徑（分別為2.5mm、5mm、10mm）的曲線來研究打印能力。此外，設計了0.9mm、1.1mm和1.3 mm的路徑間距來研究工藝參數的影響。工藝參數組合如表1所示。這些工藝參數組合只是為了缺陷檢測和修正而設計的，尚未得到優(yōu)化。在打印過程中，利用攝像機獲取代表模型的在線打印視頻，并提取代表模型實時圖像，利用這些圖像數據來訓練監(jiān)督學習算法，并分析工藝參數對打印路徑的影響。監(jiān)督學習算法主要包括快速卷積神經網絡（R-CNN）、單階多層檢測器（SSD）和You Only Look Once v4（YOLOv4），該團隊采用開源的TensorFlow庫實現(xiàn)上述算法，每個算法的性能由監(jiān)督深度學習中的超參數決定，這些超參數作為預定參數傳遞給檢測器，具體設置為：（1）對輸入圖像進行卷積時，卷積核大小為3×3；（2）第一階段，學習率為0.001，批量大小為2，迭代次數為23300；（3）第二階段，學習率為0.0001，批量大小為2，迭代次數為4660。該團隊使用來自可視化對象類（VOC）數據集的預訓練權重來提高算法的訓練效率。通過控制一個工藝參數的變化，得到9個視頻，使用1165張圖像作為訓練（932張）和驗證（233張）監(jiān)督學習算法的數據集。這些圖像數據中，磨損數量為1500，錯位數量為4361。

表1 增材制造工藝參數組合表

圖2 LoM的評估算法和計算步驟。（a）成形絲錯位缺陷的評估算法；（b）LoM計算模型

成形絲錯位評估流程如圖2所示。在函數1中，捕獲原始圖像并傳遞函數2。在函數2中，圖像數據被饋送給監(jiān)督學習算法。監(jiān)督學習算法識別缺陷并輸出包含缺陷信息的包圍框。所有錯位圖像都被分割了出來。為了評估成形絲的錯位程度，該團隊采用閾值分割方法提取成形絲，之后通過文獻[2]中提到的方法得到其框架及框架的像素坐標，再利用像素坐標計算錯位水平（LoM）。

最后，該團隊通過成形機翼截面連續(xù)路徑，驗證了其機器人輔助增材制造系統(tǒng)中實時缺陷檢測和閉環(huán)調整的有效性。

參考文獻：
Lu Lu, Hou Jie, Yuan Shangqin, Yao Xiling, Li Yamin, Zhu Jihong. Deep learning-assisted real-time defect detection and closed-loop adjustment for additive manufacturing of continuous fiber-reinforced polymer composites[J]. Robotics and Computer-Integrated Manufacturing, 2023, 79:102431.
U. Eckhardt, Verdünnung mit perfekten Punkten, Mustererkennung 1988, Springer, 1988, pp. 204–210.