Aeroacoustic Process Monitoring and Anomaly Detection in Cold Spray Additive Manufacturing
Notice bibliographique
Résumé
Abstract Cold spray (CS) is an emerging additive manufacturing method used to deposit a wide range of materials by spraying solid particles at supersonic velocities using high-pressure millimeter scale de Laval nozzles. As CS technology finds applications in diverse areas, including 3D printing, the need for in situ process monitoring becomes increasingly apparent. The CS process is influenced by various process parameters, including nozzle gas inlet pressure, temperature, and powder feed rate. Accurately detecting variations in these parameters, as well as identifying process anomalies (e.g., nozzle wear, clogging), is crucial for the broader implementation of the technology. In situ detection of anomalous events and process health monitoring is paramount for identification of inconsistencies, ensuring product quality, enhancing cost efficiency, and reducing waste by early detection of faults. To this end, in this study, airborne acoustic emission was monitored during CS processes to discern acoustically detectable process parameters. Characteristics of aeroacoustic waves emitted under both free jet and deposition conditions were analyzed. Results indicate that changes in nozzle gas inlet pressure and temperature, powder feed rate, and nozzle wear status are discernible through acoustic power spectrum analysis. Time-domain analysis further facilitated the identification of anomalies associated with powder injection termination, deposit/substrate delamination, and nozzle geometry changes. Notably, the sliding window first order backward differentiation of total power and the power band in the time domain proved effective in detecting gradual anomalies, such as nozzle throat wear, whereas the second-order differentiation highlighted abrupt process changes, like delamination. This study demonstrates that airborne acoustic signals offer valuable insights pertaining to process faults in CS, establishing aeroacoustic signal monitoring as a promising component of stand-alone or multi-modal process monitoring for CS operations. Furthermore, the study offers invaluable insights for aeroacoustic signal feature engineering for the development of machine learning models for process monitoring in CS.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».