Быстрое выявление дефектов в металлических компонентах аддитивного производства с помощью лазерно-искровой эмиссионной спектроскопии в сочетании с нейронной сетью обратного распространения и алгоритмом случайного леса

Лазерно-искровая эмиссионная спектроскопия (LIBS) использована для быстрой идентификации дефектов в металлических компонентах аддитивного производства и контрольных групп без дефектов. По характеристическим эмиссионным линиям четырех элементов (Fe, Cr, Mn и Ti), выбранным из базы данных методом построения “случайного леса” (RF) классификационных деревьев, проведена классификация дефектов и бездефектных образцов методом k-ближайших соседей (KNN) и нейронной сетью с обратным распространением ошибки (BPNN). Сравнение эффективности классификации и результатов верификации моделей KNN, RF-KNN и RF-BPNN показало преимущество модели RF-BPNN, которая продемонстрировала в обучающем, тестовом и проверочном наборах наилучшую точность (99.4, 97.2 и 96.67% соответственно). Показано, что LIBS в сочетании с RF-BPNN можно использовать для обнаружения дефектов при 3D-печати металлических изделий.

1. F. Calignano, D. Manfredi, E. P. Ambrosio, et al., Proc. IEEE, 105, No. 4, 593–612 (2017).

2. A. N. Guojin, Modern Machinery, Issue 3 (2019).

3. M. Dadkhah, M. H. Mosallanejad, L. Luliano, et al., Acta Metall. Sin. (Engl. Lett.), 34, 1173–1200 (2021), doi: 10.1007/s40195-021-01249-7.

4. D. Gu, D. Dai, M Xia, et al., J. Nanjing University of Aeronautics & Astronautics, 49, No. 5, 645–652 (2017).

5. H. Masuo, Y. Tanaka, S. Morokoshi, et al., Proc. Struct. Integrity, 7, 19–26 (2017), doi: 10.1016/j.prostr.2017.11.055.

6. D. S. Ertay, M. A. Naiel, M. Vlasea, et al., CIRP J. Manufacturing Science and Technology, 35, No. 2, 298–314 (2021), doi: 10.1016/j.cirpj.2021.06.015.

7. J. Lee, H. J. Park, S. Chai, et al., Appl. Sciences, 11, No. 4, 1966 (2021), doi: 10.3390/app11041966.

8. Z. Guo, P. Ni, Y. Dai, et al., J. Phys.: Conf. Ser., 1827, No. 1, 012039(1–7) (2021).

9. W. Du, Q. Bai, Y. Wang, et al., Int. J. Adv. Manufacturing Technology, 95, 3185–3195 (2018).

10. H. Rieder, A. Dillhöfer, M. Spies, et al., Proc. 11th Eur. Conf. Non-Destructive Testing, 1, 2194–2201 (2014).

11. D. W. Yee, M. L. Lifson, B. W. Edwards, et al., Adv. Materials, 31, No. 33, 1901345 (2019), doi: 10.1002/adma.201901345.

12. R. Hama-Saleh, A. Weisheit, J. H. Schleifenbaum, et al., Proc. Manufacturing, 47, 1023–1028 (2020), doi: 10.1016/j.promfg.2020.04.317.

13. S. Doshvarpassand, X. Wang, X. Zhao, Struct. Health Monitoring, 21, No. 2, 354–369 (2022), doi: 10.1177/1475921721999599.

14. C. Gu, Y. Lu, M. Chen, et al., Measurement, 187 (2022), doi: 10.1016/j.measurement.2021.110166

15. S. Felix, S. R. Majumder, H. K. Mathews, et al., Sci. Rep., 12, No. 1, 8503 (2022), doi: 10.1038/s41598022-12381-4.

16. V. Detalle, X. Bai, Spectrochim. Acta B: At. Spectroscopy, 191, 106407 (2022), doi: 10.1016/j.sab.2022.106407.

17. L. B. Guo, D. Zhang, L. X. Sun, et al., Front. Physics, 16, No. 2 (2021), doi: 10.1007/s11467-020-1007-z.

18. Y. Zhang, T. Zhang, H. Li, Spectrochim. Acta B: At. Spectroscopy, 181, 106218 (2021), doi: 10.1016/j.sab.2021.106218.

19. D. A. Gonalves, G. S. Senesi, G. Nicolodelli, Trends Environ. Anal. Chem., 30C, e00121 (2021), doi: 10.1016/j.teac.2021.e00121.

20. K. Zhang, Z. Xu, F. Fang, Spectroscopy and Spectral Analysis, 41, No. 06 (2021), doi: 10.3964/j.issn.1000-0593(2021)06-1961-05.

21. H. Kim, J. Lee, E. Srivastava, et al., Spectrochim. Acta B: At. Spectroscopy, 184, No. 7, 106282 (2021), doi: 10.1016/j.sab.2021.106282.

22. P. A. Sdvizhenskii, V. N. Lednev, R. D. Asyutin, et al., J. Anal. At. Spectrometry, 35 (2020), doi: 10.1039/C9JA00343F.

23. V. N. Lednev, P. A. Sdvizhenskii, R. Asyutin, et al., Opt. Express, 27, No. 4, 4612–4628 (2019), doi: 10.1364/OE.27.004612.