Directed Energy Deposition (DED) — metall kukuni yoki sim yuqori energiyali issiqlik manbai yordamida eritilib, sirtga qatlamma-qatlam yotqiziladigan metall qo‘shimcha ishlab chiqarish usulidir. DED tizimlarida lazerning ishdan chiqishi, kukun uzatishning to‘xtashi yoki issiqlik jarayonining beqarorlashuvi detal sifatiga bevosita ta’sir qilishi mumkin. Ushbu tadqiqot turli ishlab chiqarish nuqtalarining xom jarayon ma’lumotlarini markaziy ma’lumotlar havzasida birlashtirmasdan umumiy nuqson tasniflash modelini o‘qita olishini ko‘zlagan Federated Learning (FL) asosidagi ramkani taklif qiladi. Missouri University of Science and Technology’da o‘tkazilgan DED tajribalaridan olingan jadvalli mashina va sensor ma’lumotlari beshta federativ mijozni ifodalash uchun kichik to‘plamlarga bo‘lingan; Normal, No Laser va No Powder nomli uchta jarayon holati tasniflangan. Tizim global xususiyatlarni normallashtirish, 256–128–64–32 tugunli chuqur MLP, No Powder sinfi uchun oshirilgan vazn va 60 raundlik Federated Averaging’dan foydalanadi. Yakuniy global model %71.4 aniqlik va 0.72 macro F1 ko‘rsatkichiga erishgan. Normal sinfida F1 0.86, No Powder sinfida F1 0.68 va recall 0.83, No Laser sinfida esa F1 0.62. Federativ MLP markazlashtirilgan chuqur MLPga qaraganda sezilarli darajada muvozanatli sinf natijalarini ko‘rsatgan, Random Forest va XGBoost markazlashtirilgan bazaviy modellari esa taxminan %73 aniqlik bilan biroz yuqoriroq umumiy aniqlikka erishgan. Tadqiqot xom jarayon ma’lumotlarini mijozlarda saqlab qolish mumkinligini ko‘rsatadi; biroq differential privacy yoki kriptografik secure aggregation qo‘llanmagani sababli natijalar formal maxfiylik kafolati sifatida talqin qilinmasligi kerak. Shuningdek, besh mijoz haqiqiy beshta mustaqil zavod emas; ular yagona eksperimental ma’lumot manbasini beshta kichik to‘plamga bo‘lish orqali yaratilgan simulyatsion federatsiya muhitidir.

Taqsimlangan Raqamli Fabrika (Distributed Digital Factory, DDF) yondashuvida ishlab chiqarish quvvati bitta korxonada jamlanish o‘rniga turli jismoniy ishlab chiqarish nuqtalari orasida taqsimlanishi mumkin. Bunday tuzilmada umumiy sifat modellarini yaratish jozibador bo‘lsa-da, ishlab chiqarish retseptlari, mashina parametrlari, sensor yozuvlari va jarayon natijalari tijorat siri, intellektual mulk va xavfsizlik nuqtai nazaridan markaziy tizimda ulashishni istamasliklari mumkin.

Federated Learning bu muammoga boshqa yondashuvni taklif qiladi. Har bir mijoz o‘z ma’lumotlari ustida mahalliy modelni o‘qitadi; markaziy agregatsiya qatlamiga xom ma’lumotlar o‘rniga model parametrlari yuboriladi. Server bu yangilanishlarni birlashtirib yangi global model hosil qiladi va uni yana mijozlarga tarqatadi.

Federativ O‘rganish DED Ma’lumotlarini Markazlashtirmasdan Qanday Birlashtiradi?

Federativ o‘rganishda har bir DED mijozi mahalliy mashina va sensor ma’lumotlarini o‘z ma’lumot hududida saqlaydi, umumiy MLP modelini mahalliy ravishda yangilaydi va markaziy FedAvg serveriga faqat model vaznlarini yuboradi. Server mijozlar ma’lumot hajmi bilan vaznlashgan o‘rtacha modelni hosil qiladi; shu tariqa umumiy nuqson naqshlari o‘rganiladi, xom jarayon yozuvlarini markaziy ma’lumotlar ko‘liga ko‘chirish shart bo‘lmaydi.

Eksperimental DED tizimi

Manba tadqiqotidagi fizik tajribalar Missouri University of Science and Technology’da ishlab chiqilgan ichki DED tizimida bajarilgan. Tizim maksimal 1 kW chiqishli Nd:YAG lazer, uch o‘qli XYZ harakat tizimi, yuqoridan lazer kallagi, lazer o‘qiga burchak ostida ishlaydigan off-axis kukun uzatish nozuli, himoya gazi tizimi va aylana shaklli taglik tutqichidan iborat.

Issiqlik xatti-harakatini kuzatish uchun taglikka K-tip termoparalar o‘rnatilgan va ikkita yuqori tezlikdagi termal kamera ishlatilgan. Birinchi kamera yuqoridan qarab eritma hovuzining harorat taqsimoti va tarqalishini, ikkinchi kamera esa yon tomondan chuqurlik, geometriya va qotish xatti-harakatini kuzatadi.

Manbaning Figure 2 rasmini issiqlik hududi uch asosiy maydonga ajratadi:

• Yuqori harorat yadrosi: \(T>900^\circ C\)
• Eritma hovuzi: \(T>850^\circ C\)
• Mushy zone: qotish o‘tish hududi

Ushbu issiqlik ma’lumotlari va mashina parametrlaridan Melt Pool Area (MPA), mushy-zone harorati va peak temperature kabi xususiyatlar olinadi. Federativ tasniflagich termal tasvirlarni bevosita CNNga bermaydi; mashina va sensorlardan hosil qilingan jadvalli xususiyatlardan foydalanadi.

Uchta jarayon holati

Beshta Federativ Mijoz Haqiqatan Beshta Alohida Zavodmi?

Yo‘q. Tadqiqotning konseptual arxitekturasi beshta mustaqil DED zavodini ifodalaydi, ammo metod bo‘limiga ko‘ra eksperimental ma’lumotlar Missouri S&T’dagi DED tizimidan olingan uchta haqiqiy jarayon-holati ma’lumot to‘plamidan kelgan va ular beshta kichik to‘plamga bo‘linib, beshta mustaqil mijoz simulyatsiya qilingan. Shu sababli natijalar haqiqiy beshta geografik zavodning uskuna, material va operator farqlari bilan bajarilgan dala validatsiyasi sifatida talqin qilinmasligi kerak.

Mijoz ma’lumot to‘plamlari 149 dan 989 namunagacha farq qiladi. Har bir mijoz o‘z ma’lumotini %70 o‘qitish va %30 test sifatida stratified random sampling orqali ajratadi. Manba turli namuna hajmlari va sinf taqsimotlarini non-independent and non-identically distributed (non-IID) tuzilma sifatida tariflaydi.

Bu farq muhim: haqiqiy multi-factory non-IID ssenariyda mashina ishlab chiqaruvchisi, lazer optikasi, kalibrlash, qotishma, geometriya, sensor javobi va operator xatti-harakati o‘zgarishi mumkin. Ushbu tadqiqot esa bu dala xilma-xilligini bevosita eksperimental o‘lchamaydi, mavjud ma’lumotni turli mijoz to‘plamlariga bo‘lib federativ optimallashtirish xatti-harakatini sinaydi.

Global xususiyatlarni normallashtirish

Turli mijozlar xususiyatlarining masshtabini moslashtirish uchun global o‘rtacha \(\mu\) va standart og‘ish \(\sigma\) ishlatiladi:

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

Manba mijozlarga faqat \(\mu\) va \(\sigma\) qiymatlari uzatilishini va xom o‘lchovlar ulashilmasligini bildiradi. Biroq global statistikalarni mijozlardan xavfsiz tarzda qanday yig‘ish bo‘yicha alohida secure-aggregation yoki kriptografik protokol bayon qilinmagan.

Mahalliy MLP va FedAvg Arxitekturasi Qanday Qurilgan?

Har bir mijoz bir xil 256–128–64–32 qatlamli chuqur MLPni o‘qitadi; mahalliy o‘qitish besh epoch davom etadi va 60 aloqa raundining har birida vaznlar ma’lumot miqdoriga mutanosib FedAvg usuli bilan birlashtiriladi. No Powder sinfiga uch karra yo‘qotish vazni berilib, ushbu holatning recall qiymatini oshirish maqsad qilingan.

Sinf vaznlari:

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

ko‘rinishida belgilangan. Tartib No Laser, No Powder va Normal.

Mahalliy optimallashtirish Adam bilan:

learning rate = 0.001

dan foydalanib har bir federated communication round ichida besh epoch bajariladi.

FedAvg

Global model:

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

bilan hisoblanadi. Bu yerda \(\theta_k\) — mijoz \(k\)ning mahalliy model parametrlari; \(n_k\) — o‘sha mijozdagi ma’lumot miqdori va:

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

umumiy namuna sonidir.

Katta ma’lumot to‘plamiga ega mijozlar shu sababli global vaznga ko‘proq hissa qo‘shadi. Manba kichik mijozlar esa ayniqsa kam uchraydigan yoki boshqacha nuqson naqshlarining gradient xilma-xilligiga hissa qo‘shishi mumkinligini qayd etadi.

Tadqiqot Usuli va Natijalari

60 aloqa raundida yaqinlashish

Figure 6’da global aniqlik boshida taxminan %35 darajasida. Dastlabki besh raundda taxminan %58 gacha ko‘tariladi. O‘ninchi raunddan keyin uzoq vaqt taxminan shu hududda kichik tebranishlar bilan davom etadi va so‘nggi o‘n raundda ikkinchi ko‘tarilish bosqichi kuzatilib yakuniy:

%71.4 aniqlik

darajasiga erishiladi.

Manba bu xatti-harakatni non-IID mijoz ma’lumotiga qaramay stabil federated convergence sifatida talqin qiladi.

Uch sinfdagi natijalar

Normal sinfi eng yuqori F1 qiymatiga ega. Precision 1.00 bo‘lishi model Normal deb aytgan namunalar test to‘plamida deyarli barchasi haqiqatan ham Normal ekanini; recall 0.75 esa haqiqiy Normal namunalarning taxminan to‘rtdan biri boshqa sinfga siljiganini ko‘rsatadi.

No Powder sinfi eng yuqori nuqson recall qiymatiga ega: 0.83. Buning evaziga precision 0.58; ya’ni model No Powder deb bashorat qilganda No Laser va Normal namunalaridan sezilarli miqdorda noto‘g‘ri musbatlar yig‘adi.

Confusion matrix nimani ko‘rsatadi?

Manbadagi confusion matrix’da taxminan:

ko‘rinadi. Eng aniq xato No Laser → No Powder yo‘nalishida. Bu fizik jihatdan mazmunli bo‘lishi mumkin; har ikki holatda ham DED jarayonining normal energiya-material o‘zaro ta’siri buziladi va faqat jadvalli mashina/sensor parametrlari ishlatilganda ikki nosozlikning izlari ustma-ust tushishi mumkin.

Federativ Model Markazlashtirilgan Modellardan Yaxshiroqmi?

Har bir modeldan yaxshiroq emas. Taklif qilingan federativ MLP %71.4 aniqlik va 0.72 macro F1 bilan markazlashtirilgan chuqur MLPdan sezilarli darajada yaxshi natija beradi; biroq markazlashtirilgan Random Forest va XGBoost taxminan %73 aniqlik va 0.736–0.737 macro F1 bilan federativ modeldan ozgina yuqoriroq natija ko‘rsatgan. Federativ yondashuvning ushbu tadqiqotdagi asosiy afzalligi mutlaq eng yuqori aniqlik emas, balki xom ma’lumotlarni bitta markazga to‘plamasdan raqobatbardosh va ko‘proq muvozanatli ko‘p-sinfli natija berishidir.

Markazlashtirilgan MLP ayniqsa No Laser sinfida muvaffaqiyatsiz bo‘lgan va F1 qiymatini 0.00 deb bergan. Bunga qarshi federativ MLP No Laser uchun 0.62, No Powder uchun 0.68 va Normal uchun 0.86 F1 hosil qilgan.

Ablation tadqiqoti

Ablation natijalari uchala komponent ham umumiy natijaga hissa qo‘shishini ko‘rsatadi. Eng katta pasayish sinf vaznlari olib tashlanganda kuzatiladi. Global normallashtirish olib tashlanishi ham mijozlar orasidagi xususiyat masshtabi farqlari o‘qitishni buzishi mumkinligini tasdiqlaydi.

Sinf nomutanosibligi bo‘yicha manba ichidagi tekshiruv nuqtasi

Mualliflar No Powder holatini ozchilik sinfi sifatida ko‘rib, uning vaznini 3.0 gacha oshiradi. Biroq yakuniy test to‘plamida support qiymatlari No Laser = 997, No Powder = 1038 va Normal = 1012. No Powder ushbu birlashtirilgan test to‘plamida son jihatidan eng kichik sinf emas. Figure 4’dagi mijozga asoslangan sinf ustunlari ham juda kuchli global nomutanosiblikni ko‘rsatmaydi.

Mahalliy o‘qitish kichik to‘plamlarida murakkabroq sinf nomutanosibliklari bo‘lishi mumkin; ammo batafsil mijoz×sinf sonlari jadval ko‘rinishida berilmagani sababli class-weighting asosining to‘liq miqdoriy sababi manbadan qayta tiklanmaydi. Verianla bu nuqtani manba ichidagi metodni tekshirish eslatmasi sifatida saqlaydi.

“Privacy-Preserving” Bu Yerda Nimani Anglatadi?

Ushbu tadqiqotda “privacy-preserving” asosan xom DED jarayon yozuvlarining mahalliy mijozlarda qolishi va markaziy serverga faqat model yangilanishlari yuborilishini anglatadi. Maqolada differential privacy, secure multiparty computation, homomorphic encryption yoki cryptographic secure aggregation qo‘llanmagani sababli usul formal yoki hujumga chidamli to‘liq maxfiylik kafolati sifatida baholanmasligi kerak.

Bu farq ishlab chiqarish muhiti uchun muhim. Xom lazer quvvati, tezlik, kukun uzatish, sensor va termal jarayon yozuvlarining markazlashtirilmasligi intellektual mulk va ma’lumotlar suvereniteti nuqtai nazaridan muhim ustunlikdir. Shunga qaramay, model vaznlari yoki gradientlar ham ayrim hujum modellari ostida ma’lumot sizdirishi mumkin. Manba bu xavflarni eksperimental sinamagan.

Xuddi shuningdek, “cyber-resilient” iborasi tadqiqot eksperimental ravishda tasdiqlagan hujumga chidamlilik natijasi emas. Label-flipping, Byzantine client, model poisoning, gradient inversion yoki malicious-server hujumlari ushbu tadqiqotning tajriba to‘plamida qo‘llanmagan.

Normal Sinfi Haqiqatan Zavodlararo Jarayon Validatsiyasini Ta’minlaydimi?

Tadqiqot Normal sinfi faqat “nuqson yo‘q” yorlig‘i emas; barqaror lazer–kukun o‘zaro ta’siri, mos keluvchi termal imzolar va qabul qilinadigan jarayon-parametr dinamikasini ifodalovchi o‘rganilgan ish rejimi sifatida ishlatilishi mumkinligini ta’kidlaydi. Bu g‘oya kelajakda zavodlararo jarayon izchilligini baholash uchun foydali bo‘lishi mumkin; ammo mavjud tadqiqot haqiqiy ko‘p-zavodli kvalifikatsiya, sertifikatlash yoki detal sifatini tekshirishni amalga oshirmagan.

Boshqacha aytganda, global modelning turli mijoz kichik to‘plamlarida Normal holatini izchil tanishi process-state validation uchun dastlabki ko‘rsatkich bo‘lishi mumkin. Ammo bu natija:

• mexanik xususiyatlarni tekshirish,
• porozlikni o‘lchash,
• mikrotuzilmani tekshirish,
• o‘lchamga moslik,
• aviatsiya/tibbiy detal sertifikatlash

o‘rnini bosa olmaydi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Xom DED ma’lumotlarini bitta markaziy ma’lumotlar ko‘liga ko‘chirmasdan umumiy MLP modelini FedAvg bilan o‘qitish mumkin.
• Beshta simulyatsiya qilingan mijoz ostida 60 raundlik federated training barqaror ravishda yaqinlashgan.
• To‘liq model %71.4 aniqlik va 0.72 macro F1 hosil qilgan.
• No Powder recall qiymati 0.83 ga yetgan.
• Federativ MLP markazlashtirilgan deep MLPga qaraganda ancha muvozanatli sinf natijalarini ko‘rsatgan.
• Global normallashtirish, chuqur tarmoq va class weighting ablation natijalarida natijaga hissa qo‘shgan.
• Normal sinfi taqsimlangan jarayon holatini kuzatish uchun potensial ko‘rsatkich sifatida ishlatilishi mumkin.

Tadqiqot qo‘llab-quvvatlamaydigan umumlashtirishlar

• Tadqiqot beshta haqiqiy geografik zavodda tasdiqlangan dala tajribasi emas.
• Ma’lumotlarni besh mijozga bo‘lish haqiqiy mashina-zavod domain shift’ining hammasini ifodalamaydi.
• Federativ model Random Forest va XGBoost’dan yuqoriroq umumiy aniqlik ko‘rsatmagan.
• “Privacy-preserving” iborasi differential privacy yoki kriptografik maxfiylik kafolatini anglatmaydi.
• “Cyber-resilient” iborasi adversarial attack sinovlari bilan tasdiqlanmagan.
• Normal sinfini tanishning o‘zi detal sifati, mexanik xususiyat yoki sertifikat dalili emas.
• Model faqat uchta jarayon holatini tasniflaydi; porosity, crack, lack-of-fusion yoki balling kabi barcha DED nuqsonlarini bevosita tasnif qilishi ko‘rsatilmagan.
• Manbada No Powder nima uchun 3.0 class weight talab qiladigan minority class ekani, bildirilgan yakuniy support qiymatlari bilan to‘liq tushuntirilmagan.

Kelajakdagi ishlar

Mualliflar kelajakda pyrometry, multispectral imaging va acoustic emission kabi qo‘shimcha sensorlardan foydalanishni; yomon niyatli yoki sifatsiz mijoz yangilanishlariga qarshi robust aggregation usullarini qo‘shishni va federated learning’ni digital twin simulyatsiyalari bilan birlashtirib sintetik nuqson ssenariylarini yaratishni taklif qiladi.

Manba va Usul Haqida Izoh

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

Mualliflar: Md Sazol Ahmmed, Sung-Heng Wu, Sriram Praneeth Isanaka va Frank Liou.

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

Aloqa muallifi: SSRN yozuvida Md Sazol Ahmmed.

DOI: 10.2139/ssrn.7205817.

Nashr holati: SSRN’da 30 iyul 2026 kuni e’lon qilingan, 33 sahifali va ekspert taqrizidan o‘tmagan preprint.

Eksperimental infratuzilma: Missouri S&T’da ishlab chiqilgan maksimal 1 kW Nd:YAG lazerli DED tizimi; XYZ harakat tizimi, off-axis powder nozzle, himoya gazi, K-tip termopara va ikkita yuqori tezlikdagi termal kamera.

Federativ mijozlar: Manba konseptual ravishda beshta taqsimlangan zavod mijozidan so‘z yuritsa-da, metod bo‘limida uchta haqiqiy jarayon holati ma’lumot to‘plami beshta kichik to‘plamga bo‘linib beshta mijoz simulyatsiya qilingani aytiladi.

Kirish ma’lumotlari: Oltita jadvalli xususiyat; mashina sozlamalari, material/sensor ma’lumotlari va Melt Pool Area, mushy-zone region temperature va peak temperature kabi jarayon o‘lchovlari.

Model: 256–128–64–32 MLP, ReLU, dastlabki ikki qatlamda 0.3 dropout, uch sinfli chiqish.

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

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

Dasturiy ta’minot: Python 3, PyTorch 2.x, NumPy, pandas, scikit-learn; Google Colab GPU muhiti.

Maxfiylik chegarasi: Xom ma’lumotlarning mahalliy qolishi ko‘rsatilgan; biroq differential privacy, secure aggregation yoki kriptografik privacy mechanism qo‘llanmagan.

Manba ichidagi tekshiruv eslatmasi: No Powder sinfi minority class sifatida vaznlangan deb ko‘rsatilgan bo‘lsa-da, yakuniy test support qiymatlari 997/1038/1012 bo‘lib, aniq global sinf ozligini ko‘rsatmaydi. Mahalliy o‘qitish taqsimotining batafsil miqdoriy tavsifi manbada berilmagani sababli bu asosni to‘liq qayta tiklash mumkin emas.

Ma’lumot mavjudligi: Manbada alohida va aniq Data Availability Statement ko‘rinmaydi; shu sababli ochiq ma’lumot ombori mavjuddek qo‘shimcha ma’lumot berilmagan.

Mualliflik huquqi: SSRN yozuvi barcha huquqlar saqlanganini bildiradi. Manba shakllarini aynan nusxalash o‘rniga DED qurilmasi, federativ zavod arxitekturasi va tasniflash natijalari Verianla uchun original tarzda qayta chizilishi kerak.