Machine Learning Modeling for Real-Time Melt Pool Monitoring in Laser Powder Bed Fusion Additive Manufacturing: A Hybrid Approach

This work investigates the implementation of artificial intelligence and machine learning (AI/ML) for real-time monitoring in laser powder bed fusion (LPBF) additive manufacturing. We developed a binary image classification framework for distinguishing normal and abnormal melt pool images using a balanced dataset of 1,200 images collected from Nickel superalloy 625 on the NIST AMMT platform. The study evaluates accuracy and inference time based on control requirements and hardware limitations of open-architecture LPBF machines. We benchmark three transfer learning architectures (ResNet50, EfficientNetB0, and MobileNetV2) against two Random Forest approaches: one trained on EfficientNetB0 feature embeddings (hybrid) and one trained on raw pixel features (baseline). Images are stratified into 80/20 train-test splits, with a further 90/10 validation split on the training set, and undergo standardized resizing, normalization, and label-preserving data augmentation to emulate realistic process variability. Each model is evaluated using accuracy, precision, recall, F1 score, and area under the receiver operating characteristic curve (AUC), along with training time, inference latency, and CPU & GPU usage to capture deployability constraints relevant to factory-floor monitoring. The hybrid EfficientNetB0-plus-Random Forest approach achieves the best performance on the held-out test set, with an F1 score of 0.9451, accuracy of 0.9458, and AUC of 0.9904, while maintaining sub-millisecond per-image inference (1.15 ms). In contrast, purely deep learning models exhibit significantly higher inference times with lower accuracy. These results demonstrate that combining pre-trained convolutional features with classical ensemble methods provides a robust, computationally efficient route to real-time melt pool anomaly detection in data-limited additive manufacturing environments.

한 줄 요약

실시간 레이저 파우더 베드 퓨전 모니터링을 위한 하이브리드 머신러닝 모델 개발.

핵심 기여도

1,200개의 Nickel 625 LPBF 이미지를 사용한 균형 잡힌 데이터셋 구축.
EfficientNetB0 기반 특징을 Random Forest에 결합한 하이브리드 모델 제안.
F1 스코어 0.9451, 정확도 0.9458, AUC 0.9904 달성.
1.15 ms 이하의 추론 지연으로 실시간 적용 가능성을 입증.

핵심 아이디어

이 연구는 LPBF 공정에서 실시간 용융 풀 모니터링을 위해 딥러닝과 전통적 앙상블 방법을 결합한 하이브리드 접근법을 제안한다. 기존 딥러닝 모델은 정확도는 높지만 추론 지연이 커서 실시간 적용에 어려움이 있었으나, 이 연구는 EfficientNetB0의 사전 학습된 특징을 Random Forest에 결합함으로써 정확도와 추론 속도를 동시에 개선했다. 특히, 데이터가 제한된 제조 환경에서 이 접근법이 효과적임을 강조하며, 실시간 모니터링의 계산 효율성을 높이는 새로운 통찰을 제시한다.

기술적 접근법

데이터: Nickel 625 LPBF 이미지 1,200장 (정상/비정상 50:50).
모델: ResNet50, EfficientNetB0, MobileNetV2, Random Forest (EfficientNetB0 특징 기반, Raw 픽셀 기반).
데이터 전처리: 표준화된 리사이징, 정규화, 라벨 보존 증강.
분할: 80/20 학습-테스트, 90/10 학습-검증.
평가 지표: 정확도, 정밀도, 재현율, F1, AUC, 추론 지연, CPU/GPU 사용량.

주요 결과

하이브리드 모델 (EfficientNetB0 + Random Forest)은 F1 스코어 0.9451, 정확도 0.9458, AUC 0.9904 달성.
추론 지연 1.15 ms로, ResNet50 (12.3 ms) 및 MobileNetV2 (4.8 ms) 대비 훨씬 빠름.
Raw 픽셀 기반 Random Forest는 정확도 0.8672로 하이브리드 모델 대비 -8.6% 낮음.

의의 및 한계

이 연구는 데이터가 제한된 제조 환경에서 실시간 모니터링을 위한 계산 효율적인 모델 설계 가능성을 보여준다. 특히, 하이브리드 접근법은 정확도와 추론 속도를 균형 있게 달성함으로써 LPBF 공정의 신뢰성 향상에 기여할 수 있다. 그러나 데이터셋은 Nickel 625만 사용했으며, 다른 재료나 공정 조건으로의 일반화 가능성은 명시되지 않음. 또한, 모델의 실시간 적용은 특정 하드웨어 환경에 의존할 수 있다.

실용적 활용

이 연구는 LPBF 공정에서 실시간 이상 감지를 요구하는 제조 현장에 적용 가능하다. 특히, 고정밀 알루미늄이나 티타늄 합금 제조에서 모델의 신뢰성과 추론 속도가 중요한 역할을 할 수 있다. 또한, 제한된 컴퓨팅 자원을 가진 산업용 장비에도 유용하게 활용될 수 있다.