粉末床激光成形熔池辐射强度信号的机器学习

粉末床熔融成形（PBF）的过程监测和质量识别是保障其制造质量的关键技术。在监测信号中，熔池辐射强度信号蕴含了丰富的熔池特征信息，但监测信号与材料科学现象的直接联系尚不明确，适合利用机器学习算法开展深入研究。首先，通过设置不同的工艺参数（部分偏离工艺窗口）实施316L不锈钢成形实验，成形过程中采集熔池辐射强度信号。然后，通过数据分割、特征提取和特征选择对信号数据进行预处理，构建了用于机器学习的数据集。最后，使用21种不同的机器学习算法，一是将熔池辐射强度数据按照工艺参数（如激光功率高、中、低）进行分类，经过训练的算法可在实际生产中识别异常（辐射强度异常、代表激光功率和扫描速度偏离最佳状态）；二是将熔池辐射强度数据按最终成形块体的质量（密度、表面粗糙度）进行分类，经过训练的算法可在实际生产中识别质量。结果表明：对于熔池辐射强度的异常识别，二次支持向量机算法的分类效果最好，准确度达到96.4%以上；对于密度和表面粗糙度预测，由于样件质量与数据样本之间的复杂关系，预测结果呈现不同的分布情况，但预测准确度均达96.0%以上。