Neural sensing of powder mass flow in laser cladding: in situ estimation and drift-robust monitoring for DED/EHLA

Abstract

A estabilidade da vazão mássica de pó determina a qualidade do depósito ? geométrica, superficial, microestrutural e mecânica ? em Laser Cladding/DED. A medição contínua e em processo permanece difícil. Esta tese mostra que um Autoencoder Variacional (VAE) treinado no domínio atua como sensor neural com base física para estimar a vazão a partir de vídeo convencional. A estimação decorre da predição da rotação (RPM) do disco alimentador, proxy altamente linear da vazão em todos os arranjos experimentais. O método contempla: (i) estudo de viabilidade em L-DED com câmera DSLR e referência gravimétrica; (ii) análise de generalização em plataforma EHLA industrial (seguimento do setpoint de velocidade do disco); e (iii) desenvolvimento de um sensor orientado à representação que acopla um VAE a regressores, validado por análises de interpretabilidade. Em L-DED, o sensor VAE supera um extrator ResNet-50 em extrapolação (redução do MAE ~18,4%; 1.009 vs 1,237 RPM), com espaço latente alinhado a proxies físicos (r = -0,944) e fórmulas simbólicas auditáveis. Em EHLA, o pipeline de visão acompanha o setpoint com R² ? 0,989, MAE ? 0,12% e latência de ~7 ms; o Grad-CAM confirma foco no jato de pó e na poça de fusão. Esses resultados demonstram viabilidade para monitoramento em processo. Para alcançar nível instrumental e viabilizar controle em malha fechada, os próximos passos são validação com varredura contínua, calibração por plataforma e quantificação formal de incerteza.

Abstract: Stable powder mass flow determines deposit quality ? geometric, surface, microstructural, and mechanical ? in Laser Cladding/DED. Continuous in situ measurement remains difficult. This thesis shows that a domain-trained Variational Autoencoder (VAE) functions as a physically grounded neural sensor that estimates powder mass flow from conventional video. The estimate arises from predicting the rotational speed (RPM) of the powder feeder disk, a highly linear proxy for mass flow across all experimental setups. The framework comprises: (i) a feasibility study on L-DED using a DSLR camera and gravimetric ground truth; (ii) a proxy-based cross-platform generalization analysis on an industrial EHLA platform (disk-speed setpoint tracking); and (iii) a representation-first sensor that couples a VAE to lightweight regressors, validated with interpretability analyses. On L-DED, the VAE-based sensor surpasses a generic ResNet-50 extractor on an extrapolation task (MAE reduction ~18.4%; 1.009 vs 1.237 RPM), with its latent space aligned to physical proxies (r = -0.944) and auditable symbolic formulas. On EHLA, the vision pipeline tracks the setpoint with R² ? 0.989, MAE ? 0.12% in RPM, and ~7 ms latency; Grad-CAM confirms focus on the powder jet and melt pool. These results demonstrate feasibility for in-process monitoring. To reach instrument grade and enable closed-loop control, next steps are continuous-sweep validation, per-platform calibration, and formal uncertainty quantification.