Development of a Cluster Analysis Framework for quality control by Resonance Testing in Additive Manufacturing

Metal Additive Manufacturing enables the production of complex geometries but suffers from inherent process variability, often resulting in inconsistent mechanical properties. While X-ray Computed Tomography is the gold standard for defect detection, its high cost and slow cycle times limit its use for 100% production monitoring. Resonance Testing offers a scalable, rapid alternative; however, current commercial solutions typically rely on supervised learning, necessitating expensive, pre-labelled training datasets. This thesis presents the development of a novel unsupervised clustering framework for RT to automate quality control without prior knowledge of defect classes. The research introduces a modular software framework featuring an algorithm for automatic detection window positioning and a signal processing module designed to compensate the systematic variability inherent in the Laser Bed Powder Fusion process. This module identifies and removes systematic variability related to the build plate layout, thereby enhancing the inspection system sensitivity to actual defective parts. Additionally, a batch compatibility metric was developed to quantify production consistency across different manufacturing runs. The framework employs consensus clustering models, specifically DBSCAN and Gaussian Mixture, coupled with optimized feature linkage strategies. Experimental validation was conducted on Ti-6Al-4V components using both Acoustic Resonance Testing and high-bandwidth Vibration-based Resonance Testing. Results demonstrate that specific unsupervised framework configurations achieve a lower Missing Alarms Rate compared to commercial state-of-the-art software, although False Positive Rates require further optimization. Furthermore, a separability analysis of modal parameters confirmed that natural frequencies remain the most robust features for defect detection compared to damping ratios or mode shapes, particularly when component orientation is uncontrolled. In conclusion while the unsupervised clustering approach reduces the reliance on labelled data, transitioning to a physics-informed regression model is recommended to ensure the stability required for industrial deployment.

La produzione additiva di componenti metallici consente la realizzazione di geometrie complesse, ma risente della variabilità intrinseca del processo, che spesso si traduce in proprietà meccaniche inconsistenti. Sebbene la tomografia computerizzata a raggi X rappresenti il "gold standard" per il rilevamento dei difetti, i suoi costi elevati e i tempi di ciclo lenti ne limitano l'impiego per il monitoraggio del 100% della produzione. I sistemi di ispezione Resonance Testing offrono un'alternativa rapida e scalabile; tuttavia, le attuali soluzioni commerciali si basano tipicamente su algoritmi di machine learning, richiedendo costosi dataset di addestramento con classi assegnate. Questa tesi presenta lo sviluppo di un nuovo framework di clustering non supervisionato per Resonance Testing, volto ad automatizzare il controllo qualità senza una conoscenza preventiva sul tipo di difettositá. La ricerca introduce un framework software modulare che comprende un algoritmo per il posizionamento automatico della finestra di rilevamento e un modulo di elaborazione del segnale progettato per compensare la variabilità sistematica intrinseca alla piastra di stampa del processo Laser Bed Powder Fusion. Questo modulo identifica e rimuove la variabilità sistematica relativa al layout della piastra di stampa, migliorando così la sensibilità del sistema di ispezione verso gli effettivi componenti difettosi. Inoltre, è stata sviluppata una metrica di compatibilità dei lotti per quantificare la coerenza della produzione tra diversi cicli di fabbricazione. Il framework impiega modelli di clustering di consenso, nello specifico DBSCAN e Gaussian Mixture, abbinati a strategie ottimizzate di feature linkage. La validazione sperimentale è stata condotta su componenti in Ti-6Al-4V utilizzando sia l'Acoustic Resonance Testing che il Vibration-based Resonance Testing ad alta larghezza di banda. I risultati dimostrano che specifiche configurazioni del framework non supervisionato raggiungono un tasso di falsi negativi inferiore rispetto ai software commerciali allo stato dell'arte, sebbene il tasso di falsi positivi richieda un'ulteriore ottimizzazione. Inoltre, un'analisi di separabilità dei parametri modali ha confermato che le frequenze naturali rimangono le caratteristiche più robuste per il rilevamento dei difetti rispetto ai rapporti di smorzamento o alle forme modali, in particolare quando l'orientamento del componente non è controllato. In conclusione, sebbene l'approccio di clustering non supervisionato riduca la dipendenza dai dati etichettati, si raccomanda la transizione verso un modello di regressione physics-informed per garantire la stabilità necessaria all'impiego industriale.