Statistical process monitoring on visual video recordings of a selective laser melting process

This thesis focuses in the Statistical Process Control and Monitoring (SPC/M) of a Selective Laser Melting (SLM) process using high-speed camera and image processing techniques. The raw data consist of high-speed visual videos of the process, which are broken down into time-stamped sequences of image frames at about 5 frames per second, with the red, green, and blue intensity of each pixel extracted. K-means along with the Mahalanobis distance aim to distinguish between different regions of interest of each incoming image. The goal is to derive some classification rule that will make use of the segmented regions of interest to decide of whether the process is under an In Control (IC) or Out of Control (OOC) state. Our proposal is non-parametric and is implemented using the open-source software R. We start by applying k-means clustering to generate the foreground/background regions of interest, which next is cross-checked via the Mahalanobis distance of each observation to finaly derive three regions: Backgroud, Foreground and Grey zone. Hotelling’s T-squared test is used on the multivariate data from all three regions to monitor and identify out-of-control frames. Additionally, we constructed control charts based on the Recursive Segmentation and Permutation (RS/P) approach (via the dfphase1 package in R) and compared the two control charts to assess their agreement. Our analysis provides insights into the SLM process and can be used to identify potential problems (OOC) in the process. Our approach can also be applied to other additive manufacturing processes to monitor and control product quality in real-time. The results of our study demonstrate the usefulness of high-speed video and image processing techniques for analyzing complex manufacturing processes. Overall, our study provides a better understanding of the SLM process and can be used to improve its efficiency and quality

Questa tesi si concentra sul Controllo Statistico del Processo e Monitoraggio (SPC/M) di un processo di Fusione Laser Selettiva (SLM) utilizzando tecniche di telecamera ad alta velocità e elaborazione delle immagini. I dati grezzi consistono in video visivi ad alta velocità del processo, scomposti in sequenze di immagini con timestamp a circa 5 fotogrammi al secondo, con l'intensità del rosso, verde e blu di ciascun pixel estratta. K-means insieme alla distanza di Mahalanobis mirano a distinguere tra diverse regioni di interesse di ciascuna immagine in arrivo. L'obiettivo è derivare una regola di classificazione che utilizzi le regioni di interesse segmentate per decidere se il processo è in uno stato di Controllo (IC) o Fuori Controllo (OOC). La nostra proposta è non parametrica ed è implementata utilizzando il software open-source R. Iniziamo applicando il clustering k-means per generare le regioni di interesse in primo piano/sfondo, che vengono poi verificate tramite la distanza di Mahalanobis di ciascuna osservazione per derivare finalmente tre regioni: Sfondo, Primo piano e Zona Grigia. Il test di Hotelling T-squared viene utilizzato sui dati multivariati provenienti da tutte e tre le regioni per monitorare e identificare i fotogrammi fuori controllo. Inoltre, abbiamo costruito diagrammi di controllo basati sull'approccio di Segmentazione Ricorsiva e Permutazione (RS/P) (tramite il pacchetto dfphase1 in R) e confrontato i due diagrammi di controllo per valutarne l'accordo. La nostra analisi fornisce approfondimenti sul processo SLM e può essere utilizzata per identificare potenziali problemi (OOC) nel processo. Il nostro approccio può anche essere applicato ad altri processi di produzione additiva per monitorare e controllare la qualità del prodotto in tempo reale. I risultati del nostro studio dimostrano l'utilità delle tecniche di video ad alta velocità e di elaborazione delle immagini per analizzare processi di produzione complessi. Complessivamente, il nostro studio fornisce una migliore comprensione del processo SLM e può essere utilizzato per migliorarne l'efficienza e la qualità.