[論文レビュー] Multisensor fusion-based digital twin in additive manufacturing for in-situ quality monitoring and defect correction

Lequn Chen, Xiling Yao+3 more|arXiv (Cornell University)|Apr 12, 2023

Additive Manufacturing Materials and Processes被引用数 6

ひとこと要約

本論文は、ロボット式レーザー直接エネルギー堆積法による増加製造におけるリアルタイムの品質モニタリングおよびイン・サイト欠陊補正を実現する、マルチセンサ連携型デジタルツインを提案する。音響、赤外線赤外熱、共軸視覚、レーザー線スキャナの各センサからのデータを3次元部品ボリューム内で同期・登録することで、欠陊の即時検出と補正用ロボットツールパスおよびプロセスパラメータの自動生成を可能とし、ビルドの信頼性を著しく向上させるとともに廃棄を削減する。

ABSTRACT

Early detection and correction of defects are critical in additive manufacturing (AM) to avoid build failures. In this paper, we present a multisensor fusion-based digital twin for in-situ quality monitoring and defect correction in a robotic laser direct energy deposition process. Multisensor fusion sources consist of an acoustic sensor, an infrared thermal camera, a coaxial vision camera, and a laser line scanner. The key novelty and contribution of this work are to develop a spatiotemporal data fusion method that synchronizes and registers the multisensor features within the part's 3D volume. The fused dataset can be used to predict location-specific quality using machine learning. On-the-fly identification of regions requiring material addition or removal is feasible. Robot toolpath and auto-tuned process parameters are generated for defecting correction. In contrast to traditional single-sensor-based monitoring, multisensor fusion allows for a more in-depth understanding of underlying process physics, such as pore formation and laser-material interactions. The proposed methods pave the way for self-adaptation AM with higher efficiency, less waste, and cleaner production.

研究の動機と目的

• ビルド失敗を防ぐために、増加製造におけるイン・サイト欠陊検出と補正という重要な課題に取り組む。
• 音響、赤外線熱、視覚、レーザースキャニング源からの異種センサデータを統合する、空間的・時間的データ連携フレームワークを開発する。
• 統合されたセンサデータ上で機械学習を用いて、リアルタイムで特定位置における品質予測を実現する。
• 適応的ロボットツールパス計画とプロセスパラメータチューニングにより、補正行動を自動化する。
• マルチセンサ統合を通じて、孔の形成やレーザー-材料相互作用といった複雑な物理現象のプロセス理解を深める。

提案手法

• 音響エミッションセンサ、赤外線赤外熱カメラ、共軸視覚カメラ、レーザー線スキャナの4つのセンサを用いて、包括的なプロセスモニタリングを実施する。
• 添加製造部品の3次元ボリューム内でのセンサ特徴量の同期・登録を可能とする、空間的・時間的データ連携手法を開発する。
• 統合データセット上で訓練された機械学習モデルを用いて、リアルタイムで特定位置における部品の品質を予測する。
• 欠陊が検出された際に補正行動をトリガーする適応的フィードバックループを実装する。
• 材料の追加または除去を目的とした、動的ロボットツールパスの生成とプロセスパラメータ（例：レーザー出力、走査速度）の自動チューニングを実施する。
• センサデータをデジタルツインモデルと統合し、ビルドプロセスのリアルタイムシミュレーションと制御を可能にする。

実験結果

リサーチクエスチョン

• RQ1 増加製造中に、複数の異種センサを3次元ボリューム空間内で効果的に同期・登録する方法は何か？
• RQ2 1つのセンサ手法と比較して、マルチセンサ連携はイン・サイト欠陊検出の正確性と信頼性をどの程度向上させるか？
• RQ3 統合されたセンサデータを用いて、早期の補正介入を可能にするリアルタイム品質予測は達成可能か？
• RQ4 補正用ツールパスおよびプロセスパラメータの自動生成は、部品品質の回復においてどの程度効果的か？
• RQ5 マルチセンサ連携から、レーザー-材料相互作用および欠陊形成メカニズムに関するどのような知見が得られるか？

主な発見

• 提案された空間的・時間的連携手法により、4種類の異なるセンサからのデータが3次元ビルドボリューム内で正常に同期・登録され、包括的なプロセスモニタリングが可能となった。
• 統合データ上で訓練された機械学習モデルは、正確で位置に特化した品質予測を達成し、異常状態の早期検出が可能となった。
• 材料の追加または除去を要する領域の即時同定が成功裏に実証され、リアルタイム補正が可能となった。
• 補正用ロボットツールパスおよびプロセスパラメータの自動生成により、後処理の必要性が低減され、ビルド信頼性が向上した。
• 統合されたセンサデータを通じて、孔の形成やレーザー-材料相互作用といった複雑な物理現象に関する新たな知見が得られた。
• 本手法により、材料廃棄が顕著に削減され、より清浄で効率的かつ自己適応的な増加製造プロセスの実現が支援された。