ترجمه فارسی مقاله بررسی تطبیق دامنه سیستم های نظارت بر تولید افزودنی برای افزایش قابلیت استفاده مجدد دوقلوی دیجیتال

چکیده

Powder bed fusion (PBF) is an emerging metal additive manufacturing (AM) technology that enables rapid fabrication of complex geometries. However, defects such as pores and balling may occur and lead to structural unconformities, thus compromising the mechanical performance of the part. This has become a critical challenge for quality assurance as the nature of some defects is stochastic during the process and invisible from the exterior. To address this issue, digital twin (DT) using machine learning (ML)-based modeling can be deployed for AM process monitoring and control. Melt pool is one of the most commonly observed physical phenomena for process monitoring, usually by high-speed cameras. Once labeled and preprocessed, the melt pool images are used to train ML-based models for DT applications such as process anomaly detection and print quality evaluation. Nonetheless, the reusability of DTs is restricted due to the wide variability of AM settings, including AM machines and monitoring instruments. The performance of the ML models trained using the dataset collected from one setting is usually compromised when applied to other settings. This paper proposes a knowledge transfer pipeline between different AM settings to enhance the reusability of AM DTs. The source and target datasets are collected from the National Institute of Standards and Technology and National Cheng Kung University with different cameras, materials, AM machines, and process parameters. The proposed pipeline consists of four steps: data preprocessing, data augmentation, domain alignment, and decision alignment. Compared with the model trained only using the source dataset, this pipeline increased the melt pool anomaly detection accuracy by 31% without any labeled training data from the target dataset.

چکیده به فارسی (ترجمه ماشینی)

فیوژن بستر پودر (PBF) یک فناوری در حال ظهور افزودنی فلز (AM) است که ساخت سریع هندسه های پیچیده را امکان پذیر می کند.با این حال ، نقص هایی مانند منافذ و بالش ممکن است رخ دهد و منجر به ناسازگاری های ساختاری شود ، بنابراین عملکرد مکانیکی قسمت را به خطر می اندازد.این به یک چالش مهم برای تضمین کیفیت تبدیل شده است زیرا ماهیت برخی از نقص ها در طی فرآیند تصادفی است و از نمای بیرونی نامرئی است.برای پرداختن به این مسئله ، دوقلوی دیجیتال (DT) با استفاده از مدل سازی مبتنی بر یادگیری ماشین (ML) می تواند برای نظارت و کنترل فرآیند AM مستقر شود.استخر ذوب یکی از متداول ترین پدیده های فیزیکی برای نظارت بر فرآیند است ، معمولاً توسط دوربین های پر سرعت.پس از برچسب زدن و پیش پردازش ، از تصاویر استخر ذوب برای آموزش مدل های مبتنی بر ML برای برنامه های DT مانند تشخیص ناهنجاری فرآیند و ارزیابی کیفیت چاپ استفاده می شود.با این وجود ، قابلیت استفاده مجدد DTS به دلیل تنوع گسترده تنظیمات AM ، از جمله دستگاه های AM و ابزارهای نظارت محدود است.عملکرد مدل های ML که با استفاده از مجموعه داده های جمع آوری شده از یک تنظیمات آموزش داده می شوند ، معمولاً در هنگام استفاده از سایر تنظیمات به خطر می افتد.در این مقاله خط لوله انتقال دانش بین تنظیمات مختلف AM برای افزایش قابلیت استفاده مجدد AM DTS پیشنهاد شده است.مجموعه داده های منبع و هدف از انستیتوی ملی استاندارد و فناوری و دانشگاه ملی چنگ کونگ با دوربین های مختلف ، مواد ، دستگاه های AM و پارامترهای فرآیند جمع آوری می شود.خط لوله پیشنهادی از چهار مرحله تشکیل شده است: پیش پردازش داده ها ، تقویت داده ها ، تراز دامنه و تراز تصمیم گیری.در مقایسه با مدل آموزش داده شده فقط با استفاده از مجموعه داده منبع ، این خط لوله دقت تشخیص ناهنجاری استخر ذوب را 31 ٪ افزایش داد و بدون هیچ گونه اطلاعات آموزشی دارای برچسب از مجموعه داده هدف.