非破壊検査を用いた積層造形材料の欠陥検出におけるデータ駆動型アルゴリズムの進歩:レビュー
Data driven algorithmic advances in defect detection of additively manufactured materials using non-destructive testing: a review
積層造形(AM)は、製造、自動車、航空宇宙、医療、エネルギー産業で広く利用されているが、品質と信頼性の維持に課題がある。ひび割れ、気孔率、融合不良、層間剥離、表面の不規則性などの欠陥検出は重要である。従来の非破壊検査(NDT)は、時間がかかり、オペレーター依存性が高く、インサイチュでの層ごとの監視には不向きである。過去10年間で、データ駆動型(機械学習(ML)および深層学習(DL))モデルとNDT手法の統合が進み、より高速で自動化されたリアルタイム監視、保守・適格性判断のための予測分析が可能になった。本レビューは、熱画像、超音波、音響、光学、X線CTベースのNDTアプローチと、畳み込みニューラルネットワーク(CNN)から物理情報学習フレームワークまでのMLモデルを組み合わせた50の研究をまとめている。熱画像ベースのアプローチが文献の大部分を占め、CNNベースのDLモデルは一般的に最も高い分類精度(90%−99%)を示し、物理情報およびハイブリッドMLアプローチはプロセス制御のための汎化性能を向上させる。課題としては、標準化されたデータセットの制限、一貫性のない適格性フレームワーク、リアルタイム展開の計算負荷が挙げられる。本レビューは、標準化されたベンチマークデータセット、マルチモーダル融合、物理情報および説明可能なAIモデル、リアルタイムクローズドループプロセス制御の推奨事項を提示し、データ駆動型NDTを工業的適格性へと進めることを目指している。
- 熱画像、超音波、音響、光学、X線CTベースの非破壊検査(NDT)と機械学習を組み合わせた50の研究を横断レビューし、熱画像ベースのアプローチが文献の大部分を占めると報告
- CNNベースの深層学習モデルが最も高い分類精度(90%〜99%)を示し、物理情報学習・ハイブリッドMLはプロセス制御の汎化性能を向上させる
- 実用化の課題として標準化されたデータセットの制限、一貫性のない適格性フレームワーク、リアルタイム展開時の計算負荷を指摘
- 標準化ベンチマークデータセット、マルチモーダル融合、物理情報・説明可能AI、リアルタイムクローズドループプロセス制御を推奨し、データ駆動型NDTの工業的適格性への移行を提言
積層造形(AM)部品の品質保証は産業導入の最大のボトルネックであり、非破壊検査×機械学習による自動欠陥検出はその解決策になる。本レビューは50研究を横断し、熱画像+CNNで90〜99%の分類精度が報告されている一方、標準データセットの不在や適格性フレームワークの不統一、リアルタイム処理の計算負荷が実用化の障壁だと指摘する。投資家としては、AM向けインプロセスモニタリング装置・検査ソフトを手掛ける企業、および航空宇宙・医療向けに認定済みAM部品を供給するメーカーの品質保証コスト低減効果に注目したい。標準化とマルチモーダル融合の進展が認定取得の加速要因になる。