[논문 리뷰] Influence of Spattering on In-process Layer Surface Roughness during Laser Powder Bed Fusion

Haolin Zhang, Chaitanya Krishna Prasad Vallabh외 1명|arXiv (Cornell University)|2023. 03. 01.

Additive Manufacturing Materials and Processes인용 수 4

한 줄 요약

이 연구는 레이저 풍선 베드 퓨전(LPBF)에서 융점 풀 스플래터링과 공정 중 레이어 표면 거칠기 간의 상관관계를 정량화하기 위해 프ringe projection profilometry와 오프애크스 이미징을 조합한 현장에서의 모니터링 프레임워크를 제안한다. 기계학습을 활용해 스플래터 서명(예: 스플래터 수, 방출 각도, 융점 풀 중심)을 추출하고 회귀 모델링을 적용함으로써, 저자들은 스플래터 기반 예측이 전통적인 공정 파라미터만을 기반으로 한 모델 대비 표면 거칠기 예측 오차를 50% 이상 감소시킴을 입증한다.

ABSTRACT

Laser powder bed fusion (LPBF) holds promise to efficiently produce metal parts. However, LPBF incurs stochastic melt pool (MP) spattering, which would roughen workpiece in-process surface, thus weakening inter-layer bonding and causing issues like porosity, powder contamination, and recoater intervention. Understanding the consequential effect of MP spattering on layer surface remains difficult due to the lack of process monitoring capability for concurrently tracking MP spatters and characterizing layer surfaces. In this work, using our lab-designed LPBF-specific fringe projection profilometry and an off-axis camera, we quantify the correlation between MP spattering and in-process layer surface roughness for the first time to reveal the influence of MP spatters on process anomaly and part defects. A method of extracting and registering MP spattering metrics is developed by machine learning of the in-situ imaging data. Each image is analyzed to obtain the MP center location and the spatter count and ejection angle. These MP spatter signatures are registered for each monitored MP across each layer. Regression modeling is used to correlate registered MP spatter signature and its processing parameters with layer surface topography measured by the in-situ FPP. We find that the attained MP spatter feature profile can help predict the layer surface roughness more accurately (> 50% less error), in contrast to the conventional approaches that would only use nominal process setting. This is because the spatter information can reflect key process changes including the deviations in actual laser scan parameters and their effects. The results corroborate the importance of spatter monitoring and the distinct influence of spattering on layer surface roughness. Our work paves a foundation to thoroughly elucidate and effectively control the role of MP spattering in defect formation during LPBF.

연구 동기 및 목표

• LPBF 공정 중 융점 풀 스플래터링과 레이어 표면 형상 간의 동시 모니터링 부족 문제를 해결하기 위해.
• 스플래터링 사건이 공정 중 표면 거칠기에 미치는 영향과 기포 및 양호한 인터레이어 결합 부족과 같은 결함을 유발하는 방식을 조사하기 위해.
• 현장 이미지에서 스플래터 특징을 추출하고 레지스트레이션하는 실시간, 데이터 기반 방법을 개발하기 위해.
• 단순히 명목상 설정에 의존하는 것보다 스플래터 지표를 공정 파라미터와 통합함으로써 표면 거칠기 예측 정확도를 향상시키기 위해.

제안 방법

• 고해상도로 공정 중 레이어 표면 형상을 측정하기 위해 LPBF에 적합한 맞춤형 프리즘 프로젝션 프로파일로미터(FPP) 시스템을 사용하였다.
• 레이저 스캐닝 동안 융점 풀 다이내믹스와 스플래터링 사건을 촬영하기 위해 오프애크스 고속 카메라를 사용하였다.
• 모든 이미지 프레임을 분석하기 위해 기계학습을 적용하여 핵심 스플래터 서명을 추출: 융점 풀 중심 위치, 스플래터 수, 방출 각도.
• 다양한 레이어와 스캔 경로를 통해 개별 융점 풀과 그들의 스플래터 특성을 추적할 수 있는 레지스트레이션 방법을 개발하였다.
• 레지스트레이션된 스플래터 특징과 공정 파라미터(예: 레이저 출력, 스캔 속도)를 측정된 FPP의 표면 거칠기와 관련지어 회귀 모델을 구축하였다.
• 명목상 공정 설정만을 기반으로 한 전통적 모델과 비교하여 스플래터 기반 모델의 예측 성능을 검증하였다.

실험 결과

연구 질문

• RQ1 LPBF 공정 중 융점 풀 스플래터링은 공정 중 레이어 표면 거칠기와 어떻게 상관관계가 있는가?
• RQ2 현장 이미징에서 추출한 스플래터 서명은 명목상 공정 파라미터에 비해 표면 거칠기 예측 정확도를 얼마나 향상시킬 수 있는가?
• RQ3 어떤 특정 스플래터 특징(예: 수, 방출 각도, 위치)이 표면 거칠기 변동에 가장 예측 가능성이 높은가?
• RQ4 스플래터링의 실시간 모니터링을 통해 결함을 유발하는 공정 이상을 조기에 탐지할 수 있는가?
• RQ5 실제 레이저 스캔 파라미터의 이탈은 스플래터링 행동과 표면 품질에 어떻게 반영되는가?

주요 결과

• 현장에서의 스플래터 서명과 공정 파라미터를 통합함으로써, 명목상 공정 설정만을 사용하는 모델 대비 표면 거칠기 예측 오차가 50% 이상 감소하였다.
• 스플래터 수와 방출 각도는 공정 불안정성과 표면 품질 악화의 주요 지표로 규명되었다.
• 융점 풀 중심 위치와 스플래터 분포 패턴은 항상 레이어 표면의 局부 거칠기 변동과 관련이 있었다.
• 기계학습 기반의 스플래터 특징 추출 방법은 여러 레이어에 걸쳐 프레임 단위로 스플래터링 사건을 신뢰성 있게 추적할 수 있게 하였다.
• 이 연구는 스플래터링이 무작위 부산물이 아니라 실제 레이저 스캔 행동의 이탈을 반영하는 측정 가능한 공정 지표임을 밝혀냈다.
• 결과적으로 실시간 스플래터 모니터링가 LPBF에서 표면 무결성 평가와 결함 형성 예측에 강력한 대체 지표가 될 수 있음을 입증하였다.