近日，我校機械工程與自動化學院青年教師曹龍超博士與美國西北大學張亞輝博士、新加坡國立大學李京昌博士合作在激光加工智能監測方面取得了重要的研究進展。相關成果以“Two-staged attention-based identification of the porosity with the composite features of spatters during the laser powder bed fusion”為題發表在工程技術領域中科院一區Top期刊《Journal of Manufacturing Processes》（ISSN：1526-6125）上。該論文的第一單位為77779193永利官网，曹龍超博士為唯一通訊作者；第一作者為美國西北大學機械系張亞輝博士，其博士畢業于荷蘭阿姆斯特丹大學。
激光粉末床熔融技術因其精細複雜内部結構的制造能力，在航空航天和醫療等領域受到廣泛關注。然而，激光粉末床熔融制造過程中，由于金屬粉末對能量吸收不均勻、熔池及小孔動力學的複雜性及快速熔化凝固過程，容易産生氣孔、裂紋和應力變形等缺陷，嚴重降低構件的力學性能和使用壽命。尤其是高反射率材料在加工中能量吸收效率低，導緻加工穩定性降低、缺陷易發。為提升産品質量，亟需提出一種智能監測與控制方法，以精準識别并實時調控熔池與小孔狀态。随着深度學習和傳感技術的發展，基于圖像和聲學信号的在線監測技術逐漸成熟，為激光粉末床熔融制造過程缺陷的實時檢測和優化提供了新的解決方案，并成為當前研究的熱點。
為此，本研究提出了一種結合YOLOv5模型和深度學習的自動化熔池與氣監測方法，用于激光增材制造過程中熔池狀态的在線監測與缺陷識别。首先，通過訓練遷移的YOLOv5模型與DeepSORT算法結合，實現了飛濺的精準分割與跟蹤，顯著減少了人工處理的時間成本。綜合飛濺的靜态（面積、周長、寬度、高度）與動态特征（速度、與熔池中心的相對位置、跟蹤ID、檢測置信度），全面表征了飛濺的動态行為。為進一步提高氣孔監測的精度，本文提出了一種雙階段注意力機制的循環神經網絡（TARNN），通過多幀時序數據挖掘飛濺行為的時間依賴性。第一階段的通道注意力機制增強了與氣孔特征相關的重要飛濺特征，第二階段的循環神經網絡捕捉到飛濺的時間序列模式，從而顯著提高了分類精度。實驗結果表明，所提出的方法在飛濺物識别與氣孔分類方面具有優越的性能，為激光增材制造過程的智能監測與實時缺陷控制提供了新的技術手段。
圖1 本文提出的TARNN網絡架構圖
圖2 雙層注意力線性層在 (a) 訓練集和 (b) 測試集上的權重可視化
【論文連接】：https://doi.org/10.1016/j.knosys.2022.110212
近年來，在學校的大力支持下，機械工程與自動化學院在學科建設、科研項目與成果等方面均取得了突破性進展。學院在引進高水平人才隊伍的同時，采用多種舉措為引進人才的後續發展創造充足條件，産出了一批優秀成果。
