This research work focused on developing two approaches, which could be used to monitor the formation of defects in an industrial process. The industrial process under investigation was a Selective Laser Melting (SLM) process and we monitored the formation of plumes by making use of data collected from the process. The suggested approaches are: the Artificial Prototype (AP) and the Image Recognition by Similarity Measure (IRSM). These approaches were able to provide adequate results in differentiating between in-control (IC) process state (when everything works accordingly with no evidence of plume formation) and the out-of-control (OOC) process state (plume formation). We acquired our data in the form of frames, and we processed these frames to extract useful information for our research work. We were provided with 3 simulated databases; one consisting solely of IC data, the second consisting of different OOC scenarios and the third one consisting of the real states (either IC or OOC) of every frame in the OOC scenarios database. Both approaches were designed using profile parameters obtained from data-rich environment with huge sample size from the IC database. We divided this database into two sets; a training set from which our approaches monitoring parameters were designed (considered as Phase I), and a test set to validate the accuracy of the approaches developed (considered as Phase II). For the AP approach, we extracted from the training set, a prototype frame which was representative of the all the frames in the training set. Next, we performed a quantile-quantile (Q-Q) plot between each frame and the prototype frame and from each Q-Q plot, profile parameters were extracted, and we built Statistical Process Control (SPC) charts using these profile parameters to monitor the stability of our process. For the IRSM approach, we performed Q-Q plots between each frame and all the frames in the training set and recorded the profile parameters from each plot as well. We then used similarity measure techniques on the profile parameters registered previously to establish the similarity between the training set frames and designed our image recognition monitoring approach using the information extracted above for the Phase I. For Phase II, both approaches made use of the test set from the IC database and by strictly following the same procedure described for each approach above, we could evaluate the accuracy of our methodologies. We later did a performance analysis by using the OOC scenario database on our approaches’ monitoring parameters obtained from Phase I. The results from this performance analysis were compared to those provided in the third database (ground truth) to see how accurate our monitoring methods were. A sensitivity analysis was also performed to help improve our approaches and some suggestions for future research works were made.
Questo lavoro di ricerca si è concentrato sullo sviluppo di due approcci, che potrebbero essere utilizzati per monitorare la formazione di difetti in un processo industriale. Il processo industriale oggetto dell'indagine era un processo di fusione laser selettiva (SLM) e abbiamo monitorato la formazione di pennacchi utilizzando i dati raccolti dal processo. Gli approcci suggeriti sono: il Prototipo Artificiale (AP) e il Riconoscimento dell'Immagine per Misura di Similarità (IRSM). Questi approcci sono stati in grado di fornire risultati adeguati nella differenziazione tra lo stato di processo in-controllo (IC) (quando tutto funziona di conseguenza senza alcuna evidenza di formazione di pennacchi) e lo stato di processo fuori controllo (OOC) (formazione di pennacchi). Abbiamo acquisito i nostri dati sotto forma di frame, ed abbiamo elaborato questi frame per estrarre informazioni utili per il nostro lavoro di ricerca. Ci sono stati forniti 3 database simulati; uno costituito esclusivamente da dati IC, il secondo da diversi scenari OOC e il terzo dagli stati reali (IC o OOC) di ogni frame nel database degli scenari OOC. Entrambi gli approcci sono stati progettati utilizzando parametri di profilo ottenuti da ambienti ricchi di dati con enormi dimensioni di campione dal database IC. Abbiamo diviso questo database in due set; un set di addestramento dal quale sono stati progettati i parametri di monitoraggio dei nostri approcci (considerato come Fase I), e un set di test per convalidare l'accuratezza degli approcci sviluppati (considerato come Fase II). Per l'approccio AP, abbiamo estratto dal set di addestramento, un prototipo di telaio che era rappresentativo di tutti i telai del set di addestramento. Successivamente, abbiamo eseguito un grafico quantile-quantile (Q-Q) tra ogni fotogramma e il prototipo e da ogni grafico Q-Q sono stati estratti i parametri del profilo, e abbiamo costruito grafici di controllo statistico del processo (SPC) utilizzando questi parametri del profilo per monitorare la stabilità del nostro processo. Per l'approccio IRSM, abbiamo eseguito i grafici Q-Q tra ogni fotogramma e tutti i fotogrammi del set di addestramento e abbiamo registrato i parametri del profilo anche da ogni grafico. Abbiamo poi utilizzato tecniche di misura della somiglianza sui parametri del profilo registrati in precedenza per stabilire la somiglianza tra i fotogrammi del set di addestramento e abbiamo progettato il nostro approccio di monitoraggio del riconoscimento delle immagini utilizzando le informazioni estratte sopra per la Fase I. Per la Fase II, entrambi gli approcci hanno utilizzato il set di prova dalla banca dati IC e seguendo rigorosamente la stessa procedura descritta per ogni approccio sopra, abbiamo potuto valutare l'accuratezza delle nostre metodologie. Successivamente abbiamo effettuato un'analisi delle prestazioni utilizzando il database degli scenari OOC sui parametri di monitoraggio dei nostri approcci ottenuti dalla Fase I. I risultati di questa analisi delle prestazioni sono stati confrontati con quelli forniti nel terzo database (ground truth) per vedere quanto fossero accurati i nostri metodi di monitoraggio. È stata inoltre effettuata un'analisi di sensibilità per contribuire a migliorare i nostri approcci e sono stati forniti alcuni suggerimenti per i futuri lavori di ricerca.
Non-conventional monitoring techniques for plume defects in selective laser melting process
Onomo Onomo, Octavien Joel
2019/2020
Abstract
This research work focused on developing two approaches, which could be used to monitor the formation of defects in an industrial process. The industrial process under investigation was a Selective Laser Melting (SLM) process and we monitored the formation of plumes by making use of data collected from the process. The suggested approaches are: the Artificial Prototype (AP) and the Image Recognition by Similarity Measure (IRSM). These approaches were able to provide adequate results in differentiating between in-control (IC) process state (when everything works accordingly with no evidence of plume formation) and the out-of-control (OOC) process state (plume formation). We acquired our data in the form of frames, and we processed these frames to extract useful information for our research work. We were provided with 3 simulated databases; one consisting solely of IC data, the second consisting of different OOC scenarios and the third one consisting of the real states (either IC or OOC) of every frame in the OOC scenarios database. Both approaches were designed using profile parameters obtained from data-rich environment with huge sample size from the IC database. We divided this database into two sets; a training set from which our approaches monitoring parameters were designed (considered as Phase I), and a test set to validate the accuracy of the approaches developed (considered as Phase II). For the AP approach, we extracted from the training set, a prototype frame which was representative of the all the frames in the training set. Next, we performed a quantile-quantile (Q-Q) plot between each frame and the prototype frame and from each Q-Q plot, profile parameters were extracted, and we built Statistical Process Control (SPC) charts using these profile parameters to monitor the stability of our process. For the IRSM approach, we performed Q-Q plots between each frame and all the frames in the training set and recorded the profile parameters from each plot as well. We then used similarity measure techniques on the profile parameters registered previously to establish the similarity between the training set frames and designed our image recognition monitoring approach using the information extracted above for the Phase I. For Phase II, both approaches made use of the test set from the IC database and by strictly following the same procedure described for each approach above, we could evaluate the accuracy of our methodologies. We later did a performance analysis by using the OOC scenario database on our approaches’ monitoring parameters obtained from Phase I. The results from this performance analysis were compared to those provided in the third database (ground truth) to see how accurate our monitoring methods were. A sensitivity analysis was also performed to help improve our approaches and some suggestions for future research works were made.| File | Dimensione | Formato | |
|---|---|---|---|
|
Octavien_Joel_thesis.pdf
accessibile in internet solo dagli utenti autorizzati
Descrizione: A research work on plume defect monitoring using non-conventional approaches
Dimensione
8.3 MB
Formato
Adobe PDF
|
8.3 MB | Adobe PDF | Visualizza/Apri |
I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
https://hdl.handle.net/10589/169966