Directed Energy Deposition (DED), metal tozunun və ya telin yüksək enerjili istilik mənbəyi ilə əridilərək səth üzərində lay-lay yerləşdirildiyi metal əlavə istehsal üsuludur. DED sistemlərində lazerin sıradan çıxması, toz verilişinin dayanması və ya termal prosesin qeyri-sabitləşməsi hissənin keyfiyyətinə birbaşa təsir edə bilər. Bu tədqiqat müxtəlif istehsal nöqtələrinin xam proses məlumatlarını mərkəzi məlumat hovuzunda birləşdirmədən ortaq qüsur təsnifatı modelini öyrədə bilməsini hədəfləyən Federated Learning (FL) əsaslı çərçivə təklif edir. Missouri University of Science and Technology-də aparılan DED təcrübələrindən əldə olunan cədvəlli maşın və sensor məlumatları beş federativ müştərini təmsil edəcək şəkildə alt çoxluqlara bölünmüş; Normal, No Laser və No Powder olmaqla üç proses vəziyyəti təsnif edilmişdir. Sistem qlobal xüsusiyyət normallaşdırması, 256–128–64–32 düyünlü dərin MLP, No Powder sinfinə artırılmış çəki və 60 raundlu Federated Averaging istifadə edir. Yekun qlobal model %71.4 dəqiqlik və 0.72 macro F1 əldə etmişdir. Normal sinfində F1 0.86, No Powder sinfində F1 0.68 və recall 0.83, No Laser sinfində isə F1 0.62-dir. Federativ MLP mərkəzləşdirilmiş dərin MLP-dən nəzərəçarpacaq dərəcədə daha balanslı sinif performansı göstərərkən Random Forest və XGBoost mərkəzləşdirilmiş referansları təxminən %73 dəqiqliklə bir qədər daha yüksək ümumi dəqiqliyə çatmışdır. Tədqiqat xam proses məlumatlarının müştərilərdə saxlanıla bildiyini göstərir; lakin differential privacy və ya kriptoqrafik secure aggregation tətbiq edilmədiyinə görə nəticələr formal məxfilik zəmanəti kimi şərh edilməməlidir. Bundan əlavə, beş müştəri həqiqi beş müstəqil fabrik deyil; bir eksperimental məlumat mənbəyinin beş alt çoxluğa bölünməsi ilə yaradılmış simulyasiya edilmiş federasiya mühitidir.

Paylanmış Rəqəmsal Fabrik (Distributed Digital Factory, DDF) yanaşmasında istehsal gücü tək müəssisədə cəmlənmək əvəzinə müxtəlif fiziki istehsal nöqtələri arasında paylana bilər. Bu quruluşda ortaq keyfiyyət modellərinin yaradılması cəlbedici olsa da istehsal reseptləri, maşın parametrləri, sensor qeydləri və proses nəticələri kommersiya sirri, əqli mülkiyyət və təhlükəsizlik baxımından mərkəzi sistemdə paylaşılmaq istənməyə bilər.

Federated Learning bu problemə fərqli yanaşma gətirir. Hər bir müştəri öz məlumatı üzərində yerli modeli öyrədir; mərkəzi aqreqasiya qatına xam məlumat əvəzinə model parametrləri göndərilir. Server bu yeniləmələri birləşdirərək yeni qlobal model yaradır və onu yenidən müştərilərə paylayır.

Federativ Öyrənmə DED Məlumatlarını Mərkəzləşdirmədən Necə Birləşdirir?

Federativ öyrənmədə hər DED müştərisi yerli maşın və sensor məlumatlarını öz məlumat sahəsində saxlayır, ortaq MLP modelini yerli olaraq yeniləyir və mərkəzi FedAvg serverinə yalnız model çəkilərini göndərir. Server müştəri məlumat ölçüləri ilə çəkiləndirilmiş orta model yaradır; beləliklə ortaq qüsur nümunələri öyrənilərkən xam proses qeydlərinin mərkəzi məlumat gölünə daşınmasına ehtiyac qalmır.

Eksperimental DED sistemi

Mənbə tədqiqatdakı fiziki təcrübələr Missouri University of Science and Technology-də hazırlanmış daxili DED sistemində həyata keçirilmişdir. Sistem maksimum 1 kW çıxış güclü Nd:YAG lazer, üçoxlu XYZ hərəkət sistemi, yuxarıdan lazer başlığı, lazer oxuna bucaq altında işləyən off-axis toz verilişi ucluğu, qoruyucu qaz sistemi və dairəvi altlıq tutucudan ibarətdir.

Termal davranışı izləmək üçün altlığa K-tipli termocütlər yerləşdirilmiş və iki yüksək sürətli termal kamera istifadə olunmuşdur. Birinci kamera yuxarıdan baxaraq ərinti hovuzunun temperatur paylanmasını və yayılmasını, ikinci kamera isə yandan baxaraq dərinliyi, həndəsəni və bərkimə davranışını izləyir.

Mənbə Figure 2-də termal bölgə üç əsas sahəyə ayrılır:

• Yüksək temperatur nüvəsi: \(T>900^\circ C\)
• Ərinti hovuzu: \(T>850^\circ C\)
• Mushy zone: bərkimə keçid bölgəsi

Bu termal məlumatlardan və maşın parametrlərindən Melt Pool Area (MPA), mushy-zone temperaturu və peak temperature kimi xüsusiyyətlər çıxarılır. Federativ təsnifləndirici termal şəkilləri birbaşa CNN-ə vermir; maşın və sensorlardan törədilmiş cədvəlli xüsusiyyətlərdən istifadə edir.

Üç proses vəziyyəti

Beş Federativ Müştəri Həqiqətən Beş Ayrı Fabrikdir?

Xeyr. Tədqiqatın konseptual arxitekturası beş müstəqil DED fabrikini təmsil edir, lakin metod bölməsinə əsasən eksperimental məlumatlar Missouri S&T-dəki DED sistemindən əldə edilmiş üç real proses-vəziyyəti məlumat dəstindən gəlmiş və bunlar beş alt çoxluğa bölünərək beş müstəqil müştəri simulyasiya edilmişdir. Buna görə nəticələr həqiqi beş coğrafi fabrikin avadanlıq, material və operator fərqləri ilə həyata keçirilmiş sahə doğrulaması kimi şərh edilməməlidir.

Müştəri məlumat dəstləri 149 ilə 989 nümunə arasında dəyişir. Hər müştəri öz məlumatını %70 təlim və %30 test olaraq stratified random sampling ilə ayırır. Mənbə müxtəlif nümunə ölçülərini və sinif paylanmalarını non-independent and non-identically distributed (non-IID) quruluş kimi təqdim edir.

Bu fərq vacibdir: həqiqi multi-factory non-IID ssenarisində maşın istehsalçısı, lazer optikası, kalibrləmə, ərinti, həndəsə, sensor reaksiyası və operator davranışı dəyişə bilər. Bu tədqiqat isə bu sahə müxtəlifliyini birbaşa eksperimental olaraq ölçmür, mövcud məlumatı müxtəlif müştəri qruplarına bölərək federativ optimallaşdırma davranışını sınaqdan keçirir.

Qlobal xüsusiyyət normallaşdırması

Müxtəlif müştərilərin xüsusiyyət miqyaslarını uyğunlaşdırmaq üçün qlobal orta \(\mu\) və standart sapma \(\sigma\) istifadə olunur:

\[ X^*=\frac{X-\mu}{\sigma}. \]

Mənbə müştərilərə yalnız \(\mu\) və \(\sigma\) dəyərlərinin ötürüldüyünü və xam ölçmələrin paylaşılmadığını bildirir. Lakin qlobal statistikaların müştərilərdən təhlükəsiz şəkildə necə toplandığına dair ayrıca secure-aggregation və ya kriptoqrafik protokol açıqlanmamışdır.

Yerli MLP və FedAvg Arxitekturası Necə Quruldu?

Hər müştəri eyni 256–128–64–32 qatlı dərin MLP-ni öyrədir; yerli təlim beş epoch davam edir və 60 kommunikasiya raundunun hər birində çəkilər məlumat miqdarına mütənasib FedAvg üsulu ilə birləşdirilir. No Powder sinfinə üçqat itki çəkisi verilməklə bu vəziyyətin recall dəyərinin artırılması hədəflənmişdir.

Sinif çəkiləri:

\[ w=[1.0,\ 3.0,\ 1.0] \]

kimi müəyyən edilmişdir. Ardıcıllıq No Laser, No Powder və Normal-dır.

Yerli optimallaşdırma Adam ilə:

learning rate = 0.001

istifadə edilərək hər federated communication round daxilində beş epoch həyata keçirilir.

FedAvg

Qlobal model:

\[ \theta_{\mathrm{global}} = \sum_{k=1}^{K} \frac{n_k}{N} \theta_k \]

ilə hesablanır. Burada \(\theta_k\), müştəri \(k\)-nın yerli model parametrləri; \(n_k\), həmin müştərinin məlumat miqdarı və:

\[ N=\sum_{k=1}^{K}n_k \]

ümumi nümunə sayıdır.

Böyük məlumat dəstinə malik müştərilər bu səbəbdən qlobal çəkiyə daha çox töhfə verir. Mənbə kiçik müştərilərin isə xüsusilə daha nadir və ya fərqli qüsur nümunələrinin gradient müxtəlifliyinə töhfə verə biləcəyini qeyd edir.

Tədqiqatın Metodu və Nəticələri

60 kommunikasiya raundunda yaxınlaşma

Figure 6-da qlobal dəqiqlik başlanğıcda təxminən %35 səviyyəsindədir. İlk beş raundda təxminən %58-ə yüksəlir. Onuncu raunddan sonra uzun müddət təxminən eyni bölgədə kiçik dalğalanmalarla davam edir və son on raundda ikinci yüksəliş dövrü müşahidə edilərək yekun:

%71.4 dəqiqlik

səviyyəsinə çatılır.

Mənbə bu davranışı non-IID müştəri məlumatına baxmayaraq stabil federated convergence kimi şərh edir.

Üç sinifdə performans

Normal sinfi ən yüksək F1 dəyərinə malikdir. Precision 1.00 olması modelin Normal dediyi nümunələrin test dəstində demək olar ki, hamısının həqiqətən Normal olduğunu; recall 0.75 isə həqiqi Normal nümunələrin təxminən dörddə birinin başqa sinfə keçdiyini göstərir.

No Powder sinfi ən yüksək qüsur recall dəyərinə malikdir: 0.83. Bunun müqabilində precision 0.58-dir; yəni model No Powder proqnozu verərkən No Laser və Normal nümunələrindən nəzərəçarpacaq yanlış müsbətlər toplayır.

Confusion matrix nə göstərir?

Mənbə confusion matrix-də təxminən:

görünür. Ən nəzərəçarpacaq xəta No Laser → No Powder istiqamətindədir. Bu fiziki baxımdan məntiqli ola bilər; hər iki vəziyyətdə də DED prosesinin normal enerji-material qarşılıqlı təsiri pozulur və yalnız cədvəlli maşın/sensor parametrləri istifadə edildikdə iki nasazlığın imzaları üst-üstə düşə bilər.

Federativ Model Mərkəzləşdirilmiş Modellərdən Daha Yaxşıdır?

Hər modeldən yaxşı deyil. Təklif olunan federativ MLP %71.4 dəqiqlik və 0.72 macro F1 ilə mərkəzləşdirilmiş dərin MLP-dən nəzərəçarpacaq dərəcədə yaxşı nəticə verir; lakin mərkəzləşdirilmiş Random Forest və XGBoost təxminən %73 dəqiqlik və 0.736–0.737 macro F1 ilə federativ modeldən az fərqlə daha yüksək skor əldə etmişdir. Federativ yanaşmanın tədqiqatdakı əsas üstünlüyü mütləq ən yüksək dəqiqlik deyil, xam məlumatları tək mərkəzdə toplamadan rəqabətqabiliyyətli və daha balanslı çoxsinifli performans təmin etməsidir.

Mərkəzləşdirilmiş MLP xüsusilə No Laser sinfində uğursuz olmuş və F1 dəyərini 0.00 vermişdir. Buna qarşılıq federativ MLP No Laser üçün 0.62, No Powder üçün 0.68 və Normal üçün 0.86 F1 istehsal etmişdir.

Ablation tədqiqatı

Ablation nəticələri hər üç komponentin ümumi performansa töhfə verdiyini göstərir. Ən böyük azalma sinif çəkiləri çıxarıldıqda müşahidə olunur. Qlobal normallaşdırmanın çıxarılması da müştərilər arasındakı xüsusiyyət miqyası fərqlərinin təlimi poza biləcəyini dəstəkləyir.

Sinif balanssızlığı barədə mənbədaxili doğrulama nöqtəsi

Müəlliflər No Powder vəziyyətini azlıq sinfi kimi qəbul edib çəkisini 3.0-a qaldırırlar. Bununla belə, yekun test dəstində support dəyərləri No Laser = 997, No Powder = 1038 və Normal = 1012-dir. No Powder bu birləşdirilmiş test dəstində say baxımından ən kiçik sinif deyil. Figure 4-dəki müştəri əsaslı sinif çubuqları da çox kəskin qlobal balanssızlıq göstərmir.

Yerli təlim alt çoxluqlarında daha mürəkkəb sinif balanssızlıqları ola bilər; lakin ətraflı müştəri×sinif sayları cədvəlləşdirilmədiyindən class-weighting əsaslandırmasının tam kəmiyyət təməli mənbədən yenidən qurula bilmir. Verianla bu nöqtəni mənbədaxili metod doğrulama qeydi kimi saxlayır.

“Privacy-Preserving” Burada Nə Deməkdir?

Bu tədqiqatda “privacy-preserving” əsasən xam DED proses qeydlərinin yerli müştərilərdə qalması və mərkəzi serverə yalnız model yeniləmələrinin göndərilməsi deməkdir. Məqalədə differential privacy, secure multiparty computation, homomorphic encryption və ya cryptographic secure aggregation tətbiq edilmədiyinə görə üsul formal və ya hücuma davamlı tam məxfilik zəmanəti kimi qiymətləndirilməməlidir.

Bu fərq istehsal mühiti baxımından vacibdir. Xam lazer gücü, sürət, toz verilişi, sensor və termal proses qeydlərinin mərkəzləşdirilməməsi əqli mülkiyyət və məlumat suverenliyi baxımından mühüm üstünlükdür. Bununla belə model çəkiləri və ya gradient-lər də bəzi hücum modellərində məlumat sızdıra bilər. Mənbə bu riskləri eksperimental olaraq sınaqdan keçirməmişdir.

Eyni şəkildə “cyber-resilient” ifadəsi tədqiqatın eksperimental olaraq doğruladığı hücuma davamlılıq nəticəsi deyil. Label-flipping, Byzantine client, model poisoning, gradient inversion və ya malicious-server hücumları bu tədqiqatın eksperimental dəstində tətbiq edilməmişdir.

Normal Sinfi Həqiqətən Fabriklərarası Proses Doğrulaması Təmin Edirmi?

Tədqiqat Normal sinfinin yalnız “qüsur yoxdur” etiketi deyil; sabit lazer–toz qarşılıqlı təsiri, uyğun termal imzalar və qəbul edilə bilən proses-parametr dinamikasını təmsil edən öyrənilmiş iş rejimi kimi istifadə oluna biləcəyini müdafiə edir. Bu fikir gələcəkdə fabriklərarası proses uyğunluğunu qiymətləndirmək üçün faydalı ola bilər; lakin mövcud tədqiqat həqiqi çoxfabrikli kvalifikasiya, sertifikatlaşdırma və ya hissə keyfiyyəti doğrulaması həyata keçirməmişdir.

Başqa sözlə, qlobal modelin müxtəlif müştəri alt çoxluqlarında Normal vəziyyətini ardıcıl tanıması process-state validation üçün ilkin göstərici ola bilər. Lakin bu nəticə:

• mexaniki xüsusiyyətlərin doğrulanması,
• porozluğun ölçülməsi,
• mikrostrukturun doğrulanması,
• ölçü uyğunluğu,
• aviasiya/tibbi hissə sertifikatlaşdırması

yerinə keçmir.

Tədqiqatın dəstəklədiyi nəticələr

• Xam DED məlumatları tək mərkəzi məlumat gölünə daşınmadan ortaq MLP modeli FedAvg ilə öyrədilə bilər.
• Beş simulyasiya edilmiş müştəri altında 60 raundlu federated training stabil şəkildə yaxınlaşmışdır.
• Tam model %71.4 dəqiqlik və 0.72 macro F1 istehsal etmişdir.
• No Powder recall dəyəri 0.83-ə çatmışdır.
• Federativ MLP mərkəzləşdirilmiş deep MLP-dən xeyli daha balanslı sinif performansı göstərmişdir.
• Qlobal normallaşdırma, dərin şəbəkə və class weighting ablation nəticələrində performansa töhfə vermişdir.
• Normal sinfi paylanmış proses vəziyyətinin izlənməsi üçün potensial göstərici kimi istifadə oluna bilər.

Tədqiqatın dəstəkləmədiyi ümumiləşdirmələr

• Tədqiqat beş real coğrafi fabrikdə doğrulanmış sahə təcrübəsi deyil.
• Məlumatların beş müştəriyə bölünməsi real maşın-fabrik domain shift-in bütününü təmsil etmir.
• Federativ model Random Forest və XGBoost-dan daha yüksək ümumi dəqiqlik göstərməmişdir.
• “Privacy-preserving” ifadəsi differential privacy və ya kriptoqrafik məxfilik zəmanəti demək deyil.
• “Cyber-resilient” ifadəsi adversarial attack sınaqları ilə doğrulanmamışdır.
• Normal sinfin tanınması təkbaşına hissə keyfiyyəti, mexaniki xüsusiyyət və ya sertifikat sübutu deyil.
• Model yalnız üç proses vəziyyətini təsnif edir; porosity, crack, lack-of-fusion və ya balling kimi bütün DED qüsurlarını birbaşa təsnif etdiyi göstərilməmişdir.
• Mənbədə No Powder-ın niyə 3.0 class weight tələb edən minority class olduğu, bildirilən yekun support dəyərləri ilə tam izah edilmir.

Gələcək tədqiqatlar

Müəlliflər gələcəkdə pyrometry, multispectral imaging və acoustic emission kimi əlavə sensorların istifadəsini; zərərli və ya aşağı keyfiyyətli müştəri yeniləmələrinə qarşı robust aggregation üsullarının əlavə edilməsini və federated learning-in digital twin simulyasiyaları ilə birləşdirilərək sintetik qüsur ssenarilərinin yaradılmasını təklif edirlər.

Mənbə və Metod Qeydi

Orijinal tədqiqat:Federated Intelligence for Distributed Digital Factories: A Privacy-Preserving Framework for Process Validation and Defect-Risk Modeling in Directed Energy Deposition.

Müəlliflər: Md Sazol Ahmmed, Sung-Heng Wu, Sriram Praneeth Isanaka və Frank Liou.

Qurum: Missouri University of Science and Technology, Rolla, Missouri, USA.

Əlaqə müəllifi: SSRN qeydində Md Sazol Ahmmed.

DOI: 10.2139/ssrn.7205817.

Nəşr statusu: SSRN-də 30 iyul 2026-cı ildə yayımlanmış, 33 səhifəlik və hakem qiymətləndirməsindən keçməmiş preprint.

Eksperimental infrastruktur: Missouri S&T-də hazırlanmış maksimum 1 kW Nd:YAG lazerli DED sistemi; XYZ hərəkət sistemi, off-axis powder nozzle, qoruyucu qaz, K-tipli termocüt və iki yüksək sürətli termal kamera.

Federativ müştərilər: Mənbə konseptual olaraq beş paylanmış fabrik müştərisindən bəhs etsə də metod bölməsində üç real proses vəziyyəti məlumat dəstinin beş alt çoxluğa bölünərək beş müştərinin simulyasiya edildiyi bildirilir.

Giriş məlumatları: Altı cədvəlli xüsusiyyət; maşın parametrləri, material/sensor məlumatları və Melt Pool Area, mushy-zone region temperature və peak temperature kimi proses ölçmələri.

Model: 256–128–64–32 MLP, ReLU, ilk iki qatda 0.3 dropout, üçsinifli çıxış.

Federated training: FedAvg, 60 communication round, hər raundda 5 local epoch, Adam, learning rate 0.001.

Class weights: [1.0, 3.0, 1.0] — No Laser, No Powder, Normal.

Proqram təminatı: Python 3, PyTorch 2.x, NumPy, pandas, scikit-learn; Google Colab GPU mühiti.

Məxfilik sərhədi: Xam məlumatların yerli qalması göstərilmişdir; lakin differential privacy, secure aggregation və ya kriptoqrafik privacy mechanism tətbiq edilməmişdir.

Mənbədaxili doğrulama qeydi: No Powder sinfinin minority class kimi çəkiləndirildiyi bildirilsə də yekun test support dəyərləri 997/1038/1012 olub aydın qlobal sinif azlığını göstərmir. Yerli təlim paylanmasının daha ətraflı kəmiyyət təsviri mənbədə verilmədiyindən bu əsaslandırmanın tam yenidən qurulması mümkün deyil.

Məlumat əlçatanlığı: Mənbədə ayrıca və açıq Data Availability Statement görünmür; buna görə ictimai məlumat deposu varmış kimi əlavə məlumat verilməmişdir.

Müəllif hüququ: SSRN qeydi bütün hüquqların qorunduğunu bildirir. Mənbə şəkillərinin birbaşa kopyalanması əvəzinə DED qurğusu, federativ fabrik arxitekturası və təsnifat nəticələri Verianla üçün orijinal şəkildə yenidən çəkilməlidir.