Bonin, CassianoPires, Filipe Braga2026-08-112026-08-112025-07-25PIRES, Filipe Braga. Convolutional neural networks for mass flow estimation and powder feed monitoring in the EHLA process. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Mecatrônica) – Instituto Federal de Santa Catarina, Florianópolis, 2025https://repositorio.ifsc.edu.br/handle/1/2176A Deposição a Laser de Material (LMD) e sua variante de alta velocidade, a Deposi- ção a Laser de Material em Velocidade Extrema (EHLA), são processos avançados desenvolvidos para melhorar a eficiência e a qualidade de revestimentos superficiais e reparos de componentes. A EHLA, em particular, permite a aplicação de camadas me- talurgicamente unidas com alta precisão e baixo aporte térmico, sendo adequada para revestir grandes superfícies de forma rápida e eficiente. No entanto, as inconsistências na alimentação de pó, causadas por fatores como entupimento do bico, aglomeração de pó ou variações ambientais, podem levar a defeitos, desperdício de material e tempo de inatividade do sistema. Os sistemas de monitoramento convencionais geralmente não têm a capacidade de resposta e a precisão necessárias para a detecção de ano- malias em tempo real. Esta tese propõe um sistema de monitoramento baseado em aprendizado de máquina projetado para estimar o fluxo de massa de pó durante o processo de EHLA. O sistema aproveita uma rede neural convolucional (CNN) baseada em encoders EfficientNet-B1, treinada para prever a velocidade do disco do alimentador de pó, que é experimentalmente correlacionada com o fluxo de massa de pó por meio de medições de peso obtidas usando uma balança de precisão. O modelo recebe imagens sincronizadas de câmeras coaxiais e de visão lateral, juntamente com dados de taxa de fluxo de gás de transporte, como entradas. Ao aprender os padrões com- plexos associados aos dados visuais e numéricos, o modelo pode inferir a velocidade do disco e, assim, fornecer uma estimativa indireta, mas eficaz, do comportamento do fluxo de pó. Os desvios entre os valores previstos e reais da velocidade do disco são usados para identificar anomalias de alimentação em tempo real, permitindo a intervenção precoce para manter a estabilidade do processo. O melhor modelo foi treinado na faixa de velocidade do disco de 4% a 16% e obteve um erro médio absoluto (MAE) de 0,257 em z-score (aproximadamente 0,12% de erro na velocidade do disco) e um coeficiente de determinação (R²) de 0,9892 no conjunto de teste, mantendo a capacidade de previsão em tempo real com um tempo médio de inferência de 7 ms por amostra. Testes comparativos mostraram que as imagens de visão lateral sozinhas produziram o melhor desempenho (MAE ~0,06%), e as visualizações do Grad-CAM confirmaram o foco do modelo em regiões de imagem fisicamente significativas, como o fluxo de pó e a poça de fusão. Essa abordagem permite não apenas o monitoramento preditivo, mas também fornece informações em tempo real para a tomada de decisão operacional. O sistema proposto oferece uma solução inteligente e escalável para aumentar a confiabilidade do processo EHLA, alinhando-se às metas da Indústria 4.0 ao promover a automação, a sustentabilidade e a fabricação de alta eficiência.Laser Material Deposition (LMD) and its high-speed variant, EHLA, are modern tech- niques used to enhance surface coating performance and repair metallic components. EHLA stands out for its ability to deposit thin, metallurgically bonded layers with minimal thermal impact, enabling rapid and precise coating of large areas. However, incon- sistencies in powder feeding, caused by factors such as nozzle clogging, powder agglomeration, or environmental variations, can lead to defects, material waste, and system downtime. Conventional monitoring systems often lack the responsiveness and precision required for real-time anomaly detection. This thesis proposes a machine learning-based monitoring system designed to estimate powder mass flow during the EHLA process. The system leverages a convolutional neural network (CNN) based on EfficientNet-B1 encoders, trained to predict the disk speed of the powder feeder, which is experimentally correlated with the powder mass flow through weight measurements obtained using a precision balance. The model receives paired images from coaxial and side-view cameras, along with carrier gas flow rate data, as inputs. By learning the complex patterns associated with the visual and numerical data, the model can infer disk speed and thereby provide an indirect but effective estimate of powder flow behavior. Deviations between predicted and actual disk speed values are used to identify feeding anomalies in real time, allowing early intervention to maintain process stability. The best model was trained over the 4–16% disk speed range and achieved a Mean Absolute Error (MAE) of 0.257 in z-score units (approximately 0.12% disk speed error) and a coefficient of determination (R²) of 0.9892 on the test set, while maintaining real-time prediction capability with an average inference time of 7 ms per sample. Comparative tests showed that side-view images alone yielded the best performance (MAE ~0.06%), and Grad-CAM visualizations confirmed the model’s focus on physically meaningful image regions such as the powder stream and melt pool. This approach enables not only predictive monitoring but also provides real-time information to support operational decision-making. The proposed system offers a scalable and intelligent solution for en- hancing process reliability in EHLA, aligning with the goals of Industry 4.0 by promoting automation, sustainability, and high-efficiency manufacturing.Português BrasilManufatura aditivaRedes neurais convolucionaisAprendizado do computadorTrabalho de conclusão de graduaçãoAcesso AbertoENGENHARIAS