Apprentissage en profondeur guidé par l'ingénierie pour la surveillance des processus de fabrication

Résumé La fabrication additive (FA) produit des pièces tridimensionnelles par dépôt couche par couche et solidification des matériaux. En raison de la complexité de ce processus, des capteurs avancés sont de plus en plus utilisés pour faciliter la visibilité du système, générant une grande quantité de données haute dimension et à structure complexe. Bien que l'apprentissage profond présente des caractéristiques attrayantes pour la surveillance des processus pilotée par les données et la prédiction de la qualité, il reste limité dans sa capacité à intégrer les connaissances en ingénierie et à offrir une interprétabilité des modèles pour comprendre les relations processus–qualité. De plus, en raison des corrélations spatiotemporelles en FA, une anomalie dans la piscine de fusion observée lors de la fabrication n'indique pas toujours des caractéristiques de qualité anormales. Il est essentiel d'aller au-delà de l'analyse ponctuelle des piscines de fusion et de considérer les effets spatiotemporels pour l'analyse de la qualité. Dans cet article, nous proposons un nouveau cadre d'apprentissage des caractéristiques guidé par les connaissances en ingénierie pour la surveillance de la qualité en FA. Tout d'abord, les connaissances en ingénierie sont intégrées à l'apprentissage profond pour délimiter diverses sources de variations du processus et extraire des caractéristiques des piscines de fusion reflétant les relations liées à la qualité. Ensuite, un modèle de voisinage 3D est conçu pour caractériser les variations spatiotemporelles des piscines de fusion basées sur leurs caractéristiques informées par le domaine. Les profils de voisinage 3D obtenus nous permettent de dépasser l'analyse ponctuelle des piscines de fusion afin de capturer les relations processus–qualité. Enfin, nous avons construit un modèle de régression pour prédire les variations de densité interne en utilisant les profils de voisinage 3D. Nos expériences démontrent que le cadre proposé surpasse significativement les méthodes traditionnelles faites à la main et l'apprentissage boîte noire tant dans la capacité à fournir des caractéristiques liées à la qualité que pour prédire les variations de densité interne.