Novel solutions for in-situ material detection in laser processing : a machine learning approach

Laser-induced breakdown spectroscopy (LIBS) is a well-known technique used to perform quantitative and qualitative chemical analysis of materials. This thesis work aims to exploit the physical principles of LIBS combined with Machine Learning to automatically detect the working material in a laser processing machine. Compared to LIBS devices available on the market, the laser employed in the machine generates a reduced amount of plasma, resulting in less informative spectra. In order to accomplish the task, two types of classifiers have been used and compared: Artificial Neural Networks (ANN) and Support Vector Machine (SVM). Principal component analysis (PCA) has been performed over the normalized spectra in order to reduce the number of variables and to unveil any grouping tendency of the classes of data. The LIBS spectra used to train and test the algorithms have been acquired in the laser machine exploiting three set-up configurations: Head, Off-axis, and Through Optical Combiner (TOC). The data set collected during the experiments includes eight different types of materials belonging to three main groups: steel, aluminium alloys, and copper-based materials. The classification algorithms exhibit varying performances depending on the configuration used for LIBS acquisitions. In all the three set-ups, it has been demonstrated the possibility to discriminate the three families of materials, while any internal classification of samples with similar composition has been achieved only with Head and Off-axis. In particular, the algorithms have been capable of distinguishing five classes among the eight materials using Head configuration and six using Off-axis. Overall, compared to ANN, the multiclass classifier based on SVM shows better performance on the case study.

Laser-induced breakdown spectroscopy (LIBS) è una tecnica utilizzata per effettuare analisi chimiche quantitative e qualitative sui materiali. L’ obiettivo della Tesi è quello di combinare i principi fisici del LIBS con i modelli di Machine Learning (ML) al fine di ottenere una identificazione automatica dei materiali all’interno di un macchinario per taglio laser. A differenza del LIBS tradizionale, il laser emesso dalla macchina fornisce una minore produzione di plasma sui campioni e ciò si traduce in spettri di emissione meno caratteristici della chimica dei materiali. Sono stati testati e comparati due algoritmi di classificazione, uno basato sulle reti neurali artificiali (ANN) e l’altro sulle macchine a vettori di supporto (SVM). L’analisi delle componenti principali (PCA) è stata effettuata sugli spettri normalizzati per ottenere una riduzione delle variabili ed individuare ogni eventuale raggruppamento nei dati. Gli spettri LIBS, usati per allenare gli algoritmi di ML, sono stati acquisiti attraverso tre diverse configurazioni denominate: Head, Off-axis e TOC (Through Optical Combiner). I campioni usati per costruire il set di dati comprendono otto tipologie di materiali appartenenti a tre gruppi fondamentali: acciai, leghe di alluminio e materiali a base di rame. I due classificatori hanno ottenuto risultati diversi a seconda del tipo di configurazione usata per acquisire gli spettri. In tutte le configurazioni è stata dimostrata la capacità di identificare automaticamente l’appartenenza ai tre gruppi fondamentali di materiali, mentre solo con i set-up Head e Off-axis è stato possibile ottenere una distinzione interna tra materiali con composizione simile. Nello specifico, tra gli otto campioni testati, gli algoritmi sono stati in grado di distinguere cinque classi con il set-up Head, e sei con l’ Off-axis. Complessivamente, il classificatore basato su SVM ha raggiunto dei risultati migliori rispetto alle reti neurali artificiali.