Directed Energy Deposition (DED) — металл порошогу же зымы жогорку энергиялуу жылуулук булагы менен эритилип, бетке катмар-катмар түрүндө түшүрүлүүчү металл кошумча өндүрүш ыкмасы. DED системаларында лазердин иштен чыгышы, порошок берүүнүн токтошу же жылуулук процесстин туруксузданышы бөлүктүн сапатына түздөн-түз таасир этиши мүмкүн. Бул изилдөө ар башка өндүрүш чекиттеринин чийки процесс маалыматтарын борбордук маалымат кампасына бириктирбестен жалпы кемчилик классификация моделин үйрөтүүгө мүмкүндүк берген Federated Learning (FL) негизиндеги алкакты сунуштайт. Missouri University of Science and Technology мекемесинде жүргүзүлгөн DED эксперименттеринен алынган таблицалык машина жана сенсор маалыматтары беш федеративдик кардарды көрсөтө тургандай болуп чакан топторго бөлүнгөн; Normal, No Laser жана No Powder деген үч процесс абалы классификацияланган. Система глобалдык белгилерди нормалдаштыруу, 256–128–64–32 түйүндүү терең MLP, No Powder классына жогорулатылган салмак жана 60 раунддук Federated Averaging колдонот. Акыркы глобалдык модель %71.4 тактык жана 0.72 macro F1 көрсөткүчүнө жеткен. Normal классында F1 0.86, No Powder классында F1 0.68 жана recall 0.83, No Laser классында F1 0.62 болгон. Федеративдик MLP борборлоштурулган терең MLPге караганда кыйла тең салмактуу класстык көрсөткүч берсе, Random Forest жана XGBoost борборлоштурулган эталондору болжол менен %73 тактык менен бир аз жогору жалпы тактыкка жеткен. Изилдөө чийки процесс маалыматтары кардарларда кала аларын көрсөтөт; бирок differential privacy же криптографиялык secure aggregation колдонулбагандыктан, натыйжаларды формалдуу купуялуулук кепилдиги катары чечмелөөгө болбойт. Мындан тышкары беш кардар чыныгы беш көз карандысыз фабрика эмес; бир эксперименттик маалымат булагын беш чакан топко бөлүү менен түзүлгөн симуляцияланган федерация чөйрөсү.

Бөлүштүрүлгөн Санарип Фабрика (Distributed Digital Factory, DDF) ыкмасында өндүрүш кубаттуулугу бир гана ишканада топтолбой, ар башка физикалык өндүрүш чекиттерине бөлүштүрүлүшү мүмкүн. Мындай түзүмдө жалпы сапат моделдерин түзүү кызыктуу болгону менен, өндүрүш рецепттери, машина параметрлери, сенсор жазуулары жана процесс натыйжалары коммерциялык сыр, интеллектуалдык менчик жана коопсуздук жагынан борбордук системада бөлүшүлгүсү келбеши мүмкүн.

Federated Learning бул көйгөйгө башкача мамиле сунуштайт. Ар бир кардар өзүнүн маалыматынын үстүндө жергиликтүү моделди үйрөтөт; борбордук агрегация катмарына чийки маалыматтын ордуна модель параметрлери жөнөтүлөт. Сервер бул жаңыртууларды бириктирип жаңы глобалдык модель түзөт жана аны кайра кардарларга таратат.

Федеративдик Үйрөнүү DED Маалыматтарын Борборлоштурбастан Кантип Бириктирет?

Федеративдик үйрөнүүдө ар бир DED кардары жергиликтүү машина жана сенсор маалыматтарын өзүнүн маалымат чөйрөсүндө сактайт, жалпы MLP моделин жергиликтүү жаңыртат жана борбордук FedAvg серверине модель салмактарын гана жөнөтөт. Сервер кардарлардын маалымат көлөмү менен салмакталган орточо модель түзөт; ошентип жалпы кемчилик үлгүлөрү үйрөнүлүп жатканда чийки процесс жазууларын борбордук маалымат көлүнө көчүрүүнүн зарылдыгы болбойт.

Эксперименттик DED системасы

Булак изилдөөдөгү физикалык эксперименттер Missouri University of Science and Technology мекемесинде иштелип чыккан ички DED системасында жүргүзүлгөн. Система максималдуу 1 kW чыгыштуу Nd:YAG лазеринен, үч октуу XYZ кыймыл системасынан, үстүнкү лазер башынан, лазер огунда бурч менен иштеген off-axis порошок берүүчү соплодон, коргоочу газ системасынан жана тегерек негиз кармагычтан турат.

Жылуулук жүрүм-турумун көзөмөлдөө үчүн негизге K-түрүндөгү термопаралар орнотулуп, эки жогорку ылдамдыктагы термалдык камера колдонулган. Биринчи камера үстүнөн карап эриген көлмөнүн температура бөлүштүрүлүшүн жана жайылышын, экинчи камера болсо капталдан карап тереңдикти, геометрияны жана катуулануу жүрүм-турумун көзөмөлдөйт.

Булактын Figure 2 сүрөтүндө жылуулук аймак үч негизги зонага бөлүнөт:

• Жогорку температура өзөгү: \(T>900^\circ C\)
• Эриген көлмө: \(T>850^\circ C\)
• Mushy zone: катууланууга өтүү аймагы

Бул жылуулук маалыматтарынан жана машина параметрлеринен Melt Pool Area (MPA), mushy-zone температурасы жана peak temperature сыяктуу белгилер алынат. Федеративдик классификатор термалдык сүрөттөрдү түздөн-түз CNNге бербейт; машина жана сенсорлордон алынган таблицалык белгилерди колдонот.

Үч процесс абалы

Беш Федеративдик Кардар Чынында Беш Өзүнчө Фабрикабы?

Жок. Изилдөөнүн концептуалдык архитектурасы беш көз карандысыз DED фабрикасын көрсөтөт, бирок ыкма бөлүмүнө ылайык эксперименттик маалыматтар Missouri S&Tдеги DED системасынан алынган үч реалдуу процесс-абал маалымат топтомунан келип, алар беш чакан топко бөлүнүп беш көз карандысыз кардар симуляцияланган. Ошондуктан натыйжаларды чыныгы беш географиялык фабриканын жабдык, материал жана оператор айырмачылыктары менен жүргүзүлгөн талаа валидациясы катары чечмелөөгө болбойт.

Кардардын маалымат топтомдору 149дан 989 үлгүгө чейин өзгөрөт. Ар бир кардар өз маалыматтарын %70 үйрөтүү жана %30 тест катары stratified random sampling аркылуу бөлөт. Булак ар кандай үлгү көлөмдөрүн жана класс бөлүштүрүүлөрүн non-independent and non-identically distributed (non-IID) түзүм катары сүрөттөйт.

Бул айырма маанилүү: чыныгы multi-factory non-IID сценарийде машина өндүрүүчүсү, лазер оптикасы, калибрлөө, эритме, геометрия, сенсор жообу жана оператор жүрүм-туруму өзгөрүшү мүмкүн. Бул изилдөө болсо мындай талаа ар түрдүүлүгүн түз эксперименттик түрдө өлчөбөйт, бар маалыматты ар башка кардар топторуна бөлүп федеративдик оптималдаштыруу жүрүм-турумун сынайт.

Глобалдык белгилерди нормалдаштыруу

Ар башка кардарлардын белги масштабдарын дал келтирүү үчүн глобалдык орточо \(\mu\) жана стандарттык четтөө \(\sigma\) колдонулат:

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

Булак кардарларга \(\mu\) жана \(\sigma\) маанилери гана берилерин жана чийки өлчөөлөр бөлүшүлбөй турганын белгилейт. Бирок глобалдык статистиканы кардарлардан коопсуз түрдө кантип чогултуу боюнча өзүнчө secure-aggregation же криптографиялык протокол түшүндүрүлгөн эмес.

Жергиликтүү MLP жана FedAvg Архитектурасы Кантип Курулду?

Ар бир кардар бирдей 256–128–64–32 катмарлуу терең MLPни үйрөтөт; жергиликтүү окутуу беш epoch созулат жана 60 байланыш раундунун ар биринде салмактар маалымат көлөмүнө пропорционалдуу FedAvg ыкмасы менен бириктирилет. No Powder классына үч эсе жоготуу салмагы берилип, бул абалдын recall маанисин жогорулатуу максат кылынган.

Класс салмактары:

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

түрүндө белгиленген. Тартип No Laser, No Powder жана Normal.

Жергиликтүү оптималдаштыруу Adam менен:

learning rate = 0.001

колдонулуп, ар бир federated communication round ичинде беш epoch аткарылат.

FedAvg

Глобалдык модель:

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

менен эсептелет. Бул жерде \(\theta_k\) — кардар \(k\)нын жергиликтүү модель параметрлери; \(n_k\) — ошол кардардын маалымат көлөмү жана:

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

жалпы үлгү саны.

Маалымат топтому чоң кардарлар ушул себептен глобалдык салмакка көбүрөөк салым кошот. Булак кичине кардарлар өзгөчө сейрек же башкача кемчилик үлгүлөрүнүн gradient ар түрдүүлүгүнө салым кошо аларын белгилейт.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

60 байланыш раундунда жакындашуу

Figure 6да глобалдык тактык башында болжол менен %35 деңгээлинде. Алгачкы беш раундда болжол менен %58ге көтөрүлөт. Онунчу раунддан кийин узак убакыт бою ошол эле аймакта майда термелүүлөр менен уланат жана акыркы он раундда экинчи өсүү мезгили байкалып, акыркы:

%71.4 тактык

деңгээлине жетет.

Булак бул жүрүм-турумду non-IID кардар маалыматына карабастан стабилдүү federated convergence катары чечмелейт.

Үч класстагы көрсөткүч

Normal классы эң жогорку F1 маанисине ээ. Precision 1.00 болушу модель Normal деп атаган үлгүлөрдүн тест топтомунда дээрлик баары чындап Normal экенин; recall 0.75 болсо чыныгы Normal үлгүлөрдүн болжол менен төрттөн бири башка класска кеткенин көрсөтөт.

No Powder классы эң жогорку кемчилик recall маанисине ээ: 0.83. Анын ордуна precision 0.58; башкача айтканда модель No Powder деп божомолдогондо No Laser жана Normal үлгүлөрүнөн кыйла жалган оң натыйжаларды топтойт.

Confusion matrix эмнени көрсөтөт?

Булак confusion matrixинде болжол менен:

көрүнөт. Эң байкаларлык ката No Laser → No Powder багытында. Бул физикалык жактан маанилүү болушу мүмкүн; эки абалда тең DED процессинин нормалдуу энергия-материал өз ара аракети бузулат жана таблицалык машина/сенсор параметрлери гана колдонулганда эки бузулуунун белгилери бири-бирине дал келиши мүмкүн.

Федеративдик Модель Борборлоштурулган Моделдерден Жакшыбы?

Ар бир моделден жакшы эмес. Сунушталган федеративдик MLP %71.4 тактык жана 0.72 macro F1 менен борборлоштурулган терең MLPден кыйла жакшы натыйжа берет; бирок борборлоштурулган Random Forest жана XGBoost болжол менен %73 тактык жана 0.736–0.737 macro F1 менен федеративдик моделден бир аз жогору көрсөткүчкө жеткен. Федеративдик ыкманын изилдөөдөгү негизги артыкчылыгы абсолюттук эң жогорку тактык эмес, чийки маалыматтарды бир борборго чогултпастан атаандаштыкка жөндөмдүү жана тең салмактуу көп класстуу көрсөткүч берүү.

Борборлоштурулган MLP айрыкча No Laser классында ийгиликсиз болуп, F1 маанисин 0.00 берген. Буга каршы федеративдик MLP No Laser үчүн 0.62, No Powder үчүн 0.68 жана Normal үчүн 0.86 F1 берген.

Ablation изилдөөсү

Ablation натыйжалары үч компоненттин тең жалпы көрсөткүчкө салым кошорун көрсөтөт. Эң чоң төмөндөө класс салмактары алынып салынганда байкалат. Глобалдык нормалдаштыруу алынып салынганда да кардарлар ортосундагы белги масштабынын айырмасы окутууну бузушу мүмкүн экени колдоого алынат.

Класс тең салмаксыздыгы боюнча булак ичиндеги текшерүү пункту

Авторлор No Powder абалын азчылык классы катары карап, анын салмагын 3.0гө көтөрүшөт. Бирок акыркы тест топтомунда support маанилери No Laser = 997, No Powder = 1038 жана Normal = 1012. No Powder бул бириккен тест топтомунда саны боюнча эң кичине класс эмес. Figure 4төгү кардар негизиндеги класс тилкелери да өтө күчтүү глобалдык тең салмаксыздык көрсөтпөйт.

Жергиликтүү окутуу чакан топторунда татаалыраак класс тең салмаксыздыктары болушу мүмкүн; бирок деталдуу кардар×класс сандары таблица түрүндө берилбегендиктен class-weighting негиздемесинин толук сандык негизи булактан кайра чыгарылбайт. Verianla бул пунктту булак ичиндеги ыкма текшерүү эскертүүсү катары сактайт.

“Privacy-Preserving” Бул Жерде Эмнени Билдирет?

Бул изилдөөдө “privacy-preserving” негизинен чийки DED процесс жазууларынын жергиликтүү кардарларда калышын жана борбордук серверге модель жаңыртуулары гана жөнөтүлүшүн билдирет. Макалада differential privacy, secure multiparty computation, homomorphic encryption же cryptographic secure aggregation колдонулбагандыктан, ыкма формалдуу же чабуулга туруктуу толук купуялуулук кепилдиги катары бааланбашы керек.

Бул айырма өндүрүш чөйрөсү үчүн маанилүү. Чийки лазер күчү, ылдамдык, порошок берүү, сенсор жана термалдык процесс жазууларынын борборлоштурулбашы интеллектуалдык менчик жана маалымат суверендүүлүгү жагынан маанилүү артыкчылык. Ошентсе да модель салмактары же gradientтер да айрым чабуул моделдеринде маалымат чыгып кетишине себеп болушу мүмкүн. Булак бул тобокелдиктерди эксперименттик түрдө сынаган эмес.

Ошо сыяктуу эле “cyber-resilient” деген түшүнүк изилдөө эксперименттик түрдө далилдеген чабуулга туруктуулук натыйжасы эмес. Label-flipping, Byzantine client, model poisoning, gradient inversion же malicious-server чабуулдары бул изилдөөнүн эксперименттик топтомунда колдонулган эмес.

Normal Классы Чынында Фабрикалар Арасындагы Процесс Валидациясын Береби?

Изилдөө Normal классы жөн гана “кемчилик жок” деген энбелги эмес; туруктуу лазер–порошок өз ара аракеттенүүсүн, шайкеш жылуулук белгилерин жана кабыл алынуучу процесс-параметр динамикасын көрсөткөн үйрөнүлгөн иш режими катары колдонулушу мүмкүн экенин жактайт. Бул идея келечекте фабрикалар аралык процесс ырааттуулугун баалоодо пайдалуу болушу мүмкүн; бирок учурдагы изилдөө чыныгы көп фабрикалуу квалификация, сертификаттоо же бөлүк сапатын валидациялоону жүргүзгөн эмес.

Башкача айтканда, глобалдык моделдин ар башка кардар чакан топторунда Normal абалын туруктуу таанышы process-state validation үчүн алгачкы көрсөткүч болушу мүмкүн. Бирок бул натыйжа:

• механикалык касиеттерди текшерүү,
• пороздуулукту өлчөө,
• микроструктураны текшерүү,
• өлчөмдүк шайкештик,
• авиациялык/медициналык бөлүктөрдү сертификаттоо

ордуна өтпөйт.

Изилдөө колдогон жыйынтыктар

• Чийки DED маалыматтарын бир борбордук маалымат көлүнө көчүрбөстөн жалпы MLP моделин FedAvg менен үйрөтүүгө болот.
• Беш симуляцияланган кардар шартында 60 раунддук federated training туруктуу түрдө жакындаган.
• Толук модель %71.4 тактык жана 0.72 macro F1 берген.
• No Powder recall мааниси 0.83кө жеткен.
• Федеративдик MLP борборлоштурулган deep MLPге караганда кыйла тең салмактуу класстык көрсөткүч берген.
• Глобалдык нормалдаштыруу, терең тармак жана class weighting ablation натыйжаларында көрсөткүчкө салым кошкон.
• Normal классы бөлүштүрүлгөн процесс абалын көзөмөлдөө үчүн потенциалдуу көрсөткүч катары колдонулушу мүмкүн.

Изилдөө колдобогон жалпылоолор

• Изилдөө беш чыныгы географиялык фабрикада текшерилген талаа эксперименти эмес.
• Маалыматтарды беш кардарга бөлүү чыныгы машина-фабрика domain shiftинин баарын көрсөтпөйт.
• Федеративдик модель Random Forest жана XGBoostтан жогору жалпы тактык көрсөткөн эмес.
• “Privacy-preserving” түшүнүгү differential privacy же криптографиялык купуялуулук кепилдигин билдирбейт.
• “Cyber-resilient” түшүнүгү adversarial attack тесттери менен текшерилген эмес.
• Normal классын таануу өзүнчө эле бөлүк сапаты, механикалык касиет же сертификаттоо далили эмес.
• Модель үч гана процесс абалын классификациялайт; porosity, crack, lack-of-fusion же balling сыяктуу бардык DED кемчиликтерин түз классификациялай алары көрсөтүлгөн эмес.
• Булакта No Powder эмне үчүн 3.0 class weight талап кылган minority class экени, берилген акыркы support маанилери менен толук түшүндүрүлгөн эмес.

Келечектеги иштер

Авторлор келечекте pyrometry, multispectral imaging жана acoustic emission сыяктуу кошумча сенсорлорду пайдаланууну; жаман ниеттүү же сапаты төмөн кардар жаңыртууларына каршы robust aggregation ыкмаларын кошууну жана federated learningди digital twin симуляциялары менен айкалыштырып синтетикалык кемчилик сценарийлерин түзүүнү сунушташат.

Булак жана Ыкма Жөнүндө Эскертүү

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

Авторлор: Md Sazol Ahmmed, Sung-Heng Wu, Sriram Praneeth Isanaka жана Frank Liou.

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

Байланыш автору: SSRN жазуусунда Md Sazol Ahmmed.

DOI: 10.2139/ssrn.7205817.

Жарыялоо абалы: SSRNде 30-июль 2026-жылы жарыяланган, 33 беттик жана рецензиядан өтпөгөн preprint.

Эксперименттик инфраструктура: Missouri S&Tде иштелип чыккан максималдуу 1 kW Nd:YAG лазерлүү DED системасы; XYZ кыймыл системасы, off-axis powder nozzle, коргоочу газ, K-түрүндөгү термопара жана эки жогорку ылдамдыктагы термалдык камера.

Федеративдик кардарлар: Булак концептуалдык түрдө беш бөлүштүрүлгөн фабрика кардары жөнүндө айтса да, ыкма бөлүмүндө үч реалдуу процесс абалы маалымат топтому беш чакан топко бөлүнүп беш кардар симуляцияланганы көрсөтүлөт.

Кириш маалыматтары: Алты таблицалык белги; машина жөндөөлөрү, материал/сенсор маалыматтары жана Melt Pool Area, mushy-zone region temperature жана peak temperature сыяктуу процесс өлчөөлөрү.

Модель: 256–128–64–32 MLP, ReLU, алгачкы эки катмарда 0.3 dropout, үч класстуу чыгыш.

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

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

Программалык камсыздоо: Python 3, PyTorch 2.x, NumPy, pandas, scikit-learn; Google Colab GPU чөйрөсү.

Купуялуулук чеги: Чийки маалыматтардын жергиликтүү калышы көрсөтүлгөн; бирок differential privacy, secure aggregation же криптографиялык privacy mechanism колдонулган эмес.

Булак ичиндеги текшерүү эскертүүсү: No Powder классы minority class катары салмакталган деп айтылганы менен, акыркы тест support маанилери 997/1038/1012 болуп, ачык глобалдык класс азчылыгын көрсөтпөйт. Жергиликтүү окутуу бөлүштүрүүсүнүн деталдуу сандык баяны булакта берилбегендиктен, бул негиздемени толук кайра чыгаруу мүмкүн эмес.

Маалымат жеткиликтүүлүгү: Булакта өзүнчө жана ачык Data Availability Statement көрүнбөйт; ошондуктан ачык маалымат репозиторийи бардай кошумча маалымат берилген эмес.

Автордук укук: SSRN жазуусу бардык укуктар сакталганын билдирет. Булак сүрөттөрүн түз көчүрүүнүн ордуна DED түзүлүшү, федеративдик фабрика архитектурасы жана классификация натыйжалары Verianla үчүн оригиналдуу түрдө кайра тартылышы керек.