研究人员开发了一种新方法，使用激光诱导击穿光谱 (LIBS) 和支持向量机模型 (SVM) 对金属增材制造 (AM) 零件中的缺陷进行分类。

　　最近发表在《分析原子光谱学杂志》上的一项研究揭示了一种快速识别和分类制造设备缺陷的新方法 。这种新方法旨在提高金属增材制造零件的性能 。

　　研究团队由来自长春工业大学、吉林建筑科技大学、北华大学的科学家组成。研究人员主要致力于使用激光诱导击穿光谱 (LIBS) 和支持向量机模型 (SVM) 来区分增材制造零件中的几种类型的缺陷。

　　SVM是一种用于分类和回归分析的机器学习模型。它的工作原理是找到在高维特征空间中分离不同类别数据点的最佳超平面。SVM 的目标是最大化决策边界与每个类的最近数据点之间的余量，从而使其能够抵抗过度拟合。核函数将数据转换为高维空间，可以在其中找到线性决策边界。

　　增材制造部件中的缺陷包括裂纹、凸起和孔洞等。这些缺陷本质上可能很严重，会直接损害组件的功能 。因此，快速识别和分类这些缺陷的能力对于实施适当的补救措施至关重要。

　　研究人员使用没有缺陷的增材制造零件样品作为对照组，并将它们与有裂纹、凸起和孔洞的样品进行比较 。采用各种数据预处理方法和模型评估标准对这些方法进行相互比较 。最终，我们发现以一阶导数作为输入变量的 LIBS 谱在构建用于缺陷分类的 SVM 模型时可产生最佳结果 。

　　据报道，所开发模型的准确度、Kappa 系数和 Jaccard 系数分别为 0.9922、0.9896 和 0.9846 。这些令人印象深刻的数字证明了将 LIBS 技术与 SVM 算法相结合进行增材制造零件缺陷分类的有效性 。通过快速识别和分类缺陷，制造商可以适当地解决每个问题，从而提高组件的性能和质量。反过来，这将有助于金属增材制造的进一步发展和进步。

　　这项研究提出了一种利用 LIBS 检测增材制造零件缺陷的创新方法。未来的研究可能会集中于改进本研究中提出的方法。研究人员希望他们的努力能够在光谱技术的帮助下实现更可靠、更高效的制造工艺 。