Meningkatkan Kualitas Manufaktur Aditif dengan Pemantauan Real-Time Melt Pool Berbasis AI Hibrida

Pendahuluan: Menjembatani Kesenjangan Kualitas dalam Manufaktur Aditif

      Manufaktur aditif, khususnya teknologi Laser Powder Bed Fusion (LPBF), telah membuka era baru dalam produksi komponen logam dengan desain yang sangat kompleks. Namun, potensi penuh teknologi ini masih terkendala oleh tantangan kualitas yang persisten. Anomali pada melt pool — kolam logam cair yang terbentuk saat laser melelehkan bubuk logam — seperti keyholing, lack of fusion, atau geometri yang tidak stabil, dapat menjadi pemicu terbentuknya porositas dan retakan. Cacat ini secara langsung mengurangi integritas struktural dan kinerja fungsional komponen. Oleh karena itu, memahami dan mengendalikan dinamika melt pool secara real-time adalah kunci untuk optimasi proses dan produksi bagian yang andal.

      Pemantauan morfologi melt pool secara terus-menerus telah diidentifikasi sebagai langkah esensial untuk memajukan penerapan LPBF di berbagai industri. Integrasi kecerdasan buatan (AI) dan pembelajaran mesin (ML) menawarkan solusi yang menjanjikan untuk pengawasan kualitas real-time ini. Dengan menganalisis data sensor, terutama citra melt pool, AI dapat mengidentifikasi tanda-tanda anomali sebelum menyebabkan cacat yang parah, memastikan setiap lapisan dicetak dengan presisi optimal.

Tantangan antara Akurasi AI dan Kecepatan Produksi Industri

      Meskipun metode deep learning telah menunjukkan akurasi yang tinggi dalam deteksi anomali melt pool, ada kesenjangan krusial antara demonstrasi penelitian dan penerapan industri. Model deep learning murni seringkali memerlukan sumber daya komputasi yang besar dan waktu inferensi (waktu yang dibutuhkan model untuk membuat prediksi) yang tidak sesuai dengan persyaratan kontrol proses tingkat milidetik. Dalam lingkungan manufaktur, keputusan harus dibuat hampir secara instan untuk mencegah pembentukan cacat yang mahal.

      Sebaliknya, pendekatan ML klasik menawarkan efisiensi komputasi yang tinggi tetapi kurang memiliki kapasitas representasional untuk mengekstrak fitur yang bermakna langsung dari data gambar mentah. Trade-off antara akurasi dan kecepatan ini, ditambah dengan kurangnya perbandingan sistematis di berbagai arsitektur, menghambat pemilihan model yang tepat untuk pemantauan LPBF real-time. Pertanyaan mendasar untuk penerapan industri adalah apakah pendekatan hibrida dapat mencapai kekuatan representasional deep learning sambil mempertahankan efisiensi komputasi yang diperlukan untuk kontrol manufaktur real-time.

Inovasi: Pendekatan AI Hibrida untuk Deteksi Anomali Melt Pool

      Sebuah studi baru-baru ini (Inioluwa Emmanuel et al., 2024) telah menyelidiki solusi untuk dilema ini melalui penerapan kerangka kerja klasifikasi citra biner yang dirancang untuk membedakan citra melt pool normal dan abnormal. Penelitian ini menggunakan dataset seimbang yang terdiri dari 1.200 citra yang dikumpulkan dari superalloy nikel 625 pada platform NIST AMMT, mewakili variabilitas proses yang realistis. Studi ini mengevaluasi akurasi dan waktu inferensi berdasarkan persyaratan kontrol dan batasan perangkat keras mesin LPBF berarsitektur terbuka.

      Pendekatan ini membandingkan tiga arsitektur transfer learning (ResNet50, EfficientNetB0, dan MobileNetV2) dengan dua pendekatan Random Forest: satu dilatih menggunakan feature embeddings EfficientNetB0 (pendekatan hibrida) dan satu dilatih pada fitur piksel mentah (dasar). Dengan kombinasi pembelajaran fitur hierarkis dari jaringan deep learning dan kecepatan inferensi yang cepat dari metode ensemble berbasis pohon, arsitektur hibrida ini dirancang untuk mengatasi keterbatasan model tunggal. ARSA Technology, sebagai penyedia solusi AI dan IoT, melihat potensi besar dalam penerapan analisis video AI untuk memantau proses industri vital serupa.

Performa Unggul dan Efisiensi untuk Produksi Real-Time

      Hasil penelitian menunjukkan bahwa pendekatan hibrida EfficientNetB0-plus-Random Forest mencapai kinerja terbaik pada set pengujian, dengan skor F1 0.9451, akurasi 0.9458, dan AUC 0.9904. Yang lebih penting lagi, pendekatan ini mampu mempertahankan waktu inferensi per-citra di bawah milidetik, yaitu hanya 1.15 ms. Ini merupakan peningkatan yang signifikan dibandingkan dengan model deep learning murni yang menunjukkan waktu inferensi yang jauh lebih tinggi dengan akurasi yang lebih rendah. Misalnya, model deep learning murni EfficientNetB0 memiliki waktu inferensi 85.47 ms, sementara ResNet50 mencapai 179.51 ms.

      Temuan ini membuktikan bahwa menggabungkan fitur konvolusional pre-trained dengan metode ensemble klasik menyediakan rute yang kuat dan efisien secara komputasi untuk deteksi anomali melt pool secara real-time. Dalam lingkungan manufaktur aditif yang memiliki keterbatasan data, kemampuan untuk mendeteksi anomali dengan cepat dan akurat dapat secara drastis mengurangi biaya produksi dan meningkatkan hasil. Sebagai perusahaan teknologi yang berpengalaman sejak 2018, ARSA Technology memahami pentingnya solusi yang terbukti dan terukur dalam mencapai dampak nyata di industri.

Implikasi Industri dan Penerapan Praktis

      Pencapaian waktu inferensi sub-milidetik adalah game-changer untuk kontrol proses LPBF secara real-time. Ini berarti sistem dapat mendeteksi anomali melt pool dan memicu tindakan korektif hampir secara instan, mencegah pembentukan cacat yang mahal dan memastikan konsistensi kualitas. Efisiensi komputasi ini juga berarti bahwa solusi tersebut dapat diterapkan pada perangkat keras edge dengan sumber daya terbatas, mengurangi kebutuhan akan infrastruktur cloud yang mahal dan latensi jaringan.

      Bagi perusahaan yang bergerak di bidang manufaktur aditif, seperti di sektor kedirgantaraan, otomotif, atau medis, implementasi sistem pemantauan real-time berbasis AI hibrida ini dapat menghasilkan peningkatan ROI yang signifikan melalui:

• Pengurangan Limbah: Deteksi dini cacat mengurangi jumlah bagian yang rusak.
• Peningkatan Keamanan: Komponen yang dicetak dengan kualitas terjamin lebih andal.
• Peningkatan Produktivitas: Proses yang lebih stabil memungkinkan tingkat produksi yang lebih tinggi.

      Solusi seperti ARSA AI Box Series dapat menjadi platform ideal untuk menerapkan sistem pemantauan edge AI semacam ini di lingkungan pabrik, di mana pemrosesan lokal dan latensi rendah sangat krusial.

Kesimpulan dan Arah Masa Depan

      Studi ini secara empiris mendukung arsitektur hibrida sebagai solusi yang lebih disukai untuk deteksi anomali melt pool real-time dalam manufaktur aditif LPBF, terutama di lingkungan yang memiliki keterbatasan data. Meskipun penelitian ini mengakui adanya keterbatasan seperti ukuran dataset yang moderat, cakupan satu material dengan satu mesin, dan analisis statis, temuan ini membuka jalan bagi sistem kontrol kualitas LPBF yang lebih cerdas dan efisien.

      Inovasi dalam integrasi AI dan IoT terus mendorong batas-batas efisiensi dan keandalan industri. Dengan fokus pada solusi AI yang praktis dan dapat diterapkan, ARSA Technology berkomitmen untuk membantu perusahaan mengatasi tantangan kompleks dan mencapai keunggulan operasional melalui teknologi cerdas.

      Untuk informasi lebih lanjut tentang bagaimana ARSA Technology dapat membantu Anda mengoptimalkan operasi manufaktur aditif Anda dengan solusi AI dan IoT yang inovatif, jangan ragu untuk menghubungi tim ARSA untuk konsultasi gratis.

Sumber:

      Inioluwa Emmanuel, Zhuo Yang, Ho Yeung, and Xinyao Zhang. 2024. Machine Learning Modeling for Real-Time Melt Pool Monitoring in Laser Powder Bed Fusion Additive Manufacturing: A Hybrid Approach. https://arxiv.org/abs/2606.23851