Data-Driven Monitoring in Advanced Manufacturing : From Indicator Discovery to Prediction and Decision Support

Abstract

Tässä väitöskirjassa tarkastellaan, kuinka datapohjaista monitorointia, ennustamista ja optimointia voidaan kehittää lastuavissa, ainetta lisäävissä ja valuun perustuvissa valmistusprosesseissa kokonaisvaltaisen työnkulun avulla, joka yhdistää koesuunnittelun, datan kuratoinnin, mittauksen sekä tekoälypohjaisen mallinnuksen. Työ esitetään viidestä julkaisusta koostuvana väitöskirjana, ja se kattaa ultranopean jyrsinnän, lanka- ja kaaripohjaisen suorakerrostuksen, laser- ja lankapohjaisen suorakerrostuksen sekä termoplastisen mikroinjektiovalun.

Näissä tutkimuksissa hyödynnettiin strukturoituja kokeita tai kokeellisesti validoituja simulaatioita data-aineistojen tuottamiseksi. Tämän jälkeen aineistot kalibroitiin, synkronoitiin, annotoitiin ja analysoitiin, jotta voitiin tunnistaa informatiiviset monitorointi-indikaattorit ja määrittää niiden yhteys keskeisiin prosessi-ja laatumuuttujiin. Jyrsinnässä havaittiin, että aallokemuunnokseen pohjautuvat akustisen emission piirteet ovat herkkiä lastuamisolosuhteiden vaihtelulle. Lankaan ja valokaarihitsaukseen perustuvassa suorakerrostuksessa prosessiparametrit ja johdetut lämmöntuonnin tunnusluvut yhdistettiin geometrisiin ja valikoituihin materiaalivastemuuttujiin. Lankaan ja lasersäteeseen perustuvassa suorakerrostuksessa syväoppimiseen perustuva hitsisulan monitorointi mahdollisti segmentointiin perustuvan hitsipalon muodon ennustamisen, epävakauden arvioinnin sekä multimodaalisen virtuaalimetrologian kerroskorkeuden ja pinnan aaltoisuuden arvioinnin. Mikroruiskuvalussa materiaalitietoiset sijaismallit, joissa prosessiparametrit yhdistettiin viskositeettia ja pvT-käyttäytymistä kuvaaviin tunnuslukuihin, mahdollistivat kappaleen painon, maksimiruiskutuspaineen ja muottiontelon täyttöajan tarkan ja yleistettävän ennustamisen. Tässä syvät neuroverkot saavuttivat parhaan kokonaissuorituskyvyn entuudestaan tuntemattomilla materiaaleilla.

Kokonaisuudessaan väitöskirja osoittaa, että luotettava ja käytäntöön sovellettava valmistuksen ennustaminen ei riipu pelkästään mallin valinnasta, vaan koko ketjusta: prosessi-ikkunan määrittelystä, datan laadusta, indikaattorien tunnistamisesta ja validoinnista. Kehitetty työnkulku tukee tarkkaa monitorointia, epävakauden tunnistamista, laatuohjautuvaa päätöksentekoa sekä digitaalisiin kaksosiin suuntautuvaa optimointia heterogeenisissä valmistusympäristöissä.

This dissertation investigates how data-driven monitoring, prediction, and optimization can be developed across subtractive, additive, and forming manufacturing processes through an end-to-end workflow linking design of experiments, data curation, sensing, and AI-based modeling. The work is presented as a compilation of five publications covering ultra-high-speed milling, wire arc directed energy deposition, directed energy deposition with laser beam and wire, and thermoplastic micro injection molding.

Across these studies, structured experiments or experimentally validated simulations were used to generate datasets, which were then calibrated, synchronized, annotated, and analyzed to identify informative monitoring indicators and establish their linkage to key process and quality responses. In milling, wavelet-based acoustic-emission features were shown to be sensitive to cutting-condition variation. In wire arc directed energy deposition, process parameters and derived heat-input measures were linked to geometric and selected material-response variables. In directed energy deposition with laser beam and wire, deep-learning-based melt pool monitoring enabled segmentation-driven bead prediction, instability assessment, and multimodal virtual metrology for layer height and surface waviness. In micro injection molding, material-aware surrogate models combining process parameters with viscosity and pvT descriptors enabled accurate and generalizable prediction of part weight, maximum injection pressure, and cavity injection time, with deep neural networks providing the best overall performance on unseen materials.

Overall, the dissertation shows that reliable and deployable manufacturing prediction depends not only on model selection, but on the full chain of process-window definition, data quality, indicator discovery, and validation. The developed workflow supports precise monitoring, instability flagging, quality-oriented decision-making, and digital-twin-oriented optimization across heterogeneous manufacturing contexts.