Stampa 3D metallo, una rete neurale individua le anomalie durante la fusione
Nella produzione additiva metallica basata sulla fusione laser a letto di polvere, la qualità finale di un componente dipende in larga misura da ciò che accade nel bagno di fusione generato dal laser. Si tratta di una zona estremamente piccola e dinamica, nella quale la polvere metallica assorbe energia, fonde e successivamente solidifica formando una parte dello strato del componente.
Un lavoro di ricerca condotto presso la Rutgers University mostra come tecniche di intelligenza artificiale e deep learning possano essere utilizzate per riconoscere automaticamente condizioni anomale del meltpool attraverso immagini registrate durante il processo.
Il sistema sviluppato dai ricercatori ha raggiunto un’accuratezza di classificazione del 97,87%, distinguendo tre diverse condizioni operative: un bagno di fusione considerato normale, una condizione associata a un apporto energetico insufficiente e una condizione collegata invece a un eccessivo apporto di energia.
Il risultato è interessante soprattutto perché il riconoscimento avviene attraverso informazioni raccolte mentre la macchina sta costruendo il componente. L’obiettivo di questo tipo di ricerca non è quindi soltanto identificare un difetto dopo la produzione, ma comprendere se il processo sta entrando in una condizione potenzialmente problematica mentre il laser continua a fondere la polvere.
Perché il meltpool è determinante nell’LPBF
Nel processo Laser Powder Bed Fusion, indicato con la sigla LPBF e oggi spesso classificato anche come PBF-LB/M, un fascio laser fonde selettivamente sottili strati di polvere metallica.
Dopo il completamento di uno strato, la piattaforma di costruzione viene abbassata e un nuovo strato di polvere viene distribuito sulla superficie. Il laser ripete quindi la scansione seguendo la geometria prevista dal modello digitale.
La costruzione di un singolo componente può richiedere un numero molto elevato di tracce di scansione e migliaia di strati.
Ogni interazione tra laser e materiale genera un piccolo bagno di metallo liquido.
La quantità di energia trasferita deve essere sufficiente a fondere correttamente la polvere e a creare un collegamento metallurgico con il materiale sottostante. Se l’energia è insufficiente, alcune zone potrebbero non fondersi correttamente, favorendo la formazione di porosità e difetti da mancata fusione.
Un apporto energetico eccessivo può invece generare altre forme di instabilità, tra cui condizioni associate al cosiddetto keyhole.
Il controllo del meltpool rappresenta quindi uno degli aspetti centrali nella produzione additiva metallica.
Il progetto della Rutgers University
La ricerca è stata sviluppata nell’ambito delle attività coordinate da Tuğrul Özel della Rutgers University, all’interno del Manufacturing and Automation Research Laboratory, conosciuto anche con l’acronimo MARLAB.
Il gruppo di ricerca lavora su numerosi temi legati alla produzione avanzata, tra cui additive manufacturing, simulazione dei processi, monitoraggio attraverso sensori, machine learning, automazione e digital twin.
L’utilizzo delle reti neurali per analizzare il meltpool si inserisce in una serie di attività portate avanti dal laboratorio anche attraverso precedenti studi dedicati al comportamento termico del processo LPBF, alla formazione degli spatter e alla relazione tra parametri di processo e geometria del bagno di fusione.
Questa esperienza ha consentito ai ricercatori di costruire una metodologia che combina acquisizione di immagini ad alta velocità e analisi automatica dei dati.
Gli esperimenti sulla EOS M 270
Per realizzare gli esperimenti è stata utilizzata una macchina EOS M 270, sviluppata dalla società tedesca EOS GmbH.
La EOS M 270 appartiene a una generazione di sistemi industriali per la produzione additiva metallica utilizzati nello sviluppo della tecnologia DMLS e Laser Powder Bed Fusion.
La macchina dispone di un laser in fibra con potenza nominale di 200 watt.
Negli esperimenti condotti dalla Rutgers University, il materiale impiegato era una lega Nickel Alloy 625 sotto forma di polvere metallica atomizzata a gas.
La dimensione media delle particelle era di circa 35 micrometri.
Durante le prove, la potenza del laser era impostata a 182 watt, mentre la velocità di scansione era pari a 800 millimetri al secondo.
La distanza tra le tracce di scansione era di 0,10 millimetri e lo spessore dello strato era pari a 0,02 millimetri.
Questa combinazione corrispondeva a una densità energetica volumetrica di circa 113,75 joule per millimetro cubo.
La piattaforma di costruzione in acciaio inossidabile veniva inoltre preriscaldata a circa 80 °C.
Una strategia di scansione per studiare il comportamento termico
Per realizzare i campioni, i ricercatori hanno adottato una strategia di scansione organizzata in strisce.
La direzione delle scansioni veniva ruotata di 90 gradi tra uno strato e il successivo.
Questa impostazione permette di modificare la direzione con cui il calore viene distribuito durante la costruzione e contribuisce a ridurre l’accumulo termico lungo una sola direzione.
All’interno delle singole strisce il laser percorreva tracce parallele della lunghezza di circa 4 millimetri.
Una singola traccia veniva completata in poco più di 5 millisecondi.
La rapidità del processo rende impossibile per un operatore osservare direttamente l’evoluzione del meltpool in modo sufficientemente dettagliato.
Per questo motivo è stato necessario utilizzare un sistema di acquisizione ad alta velocità.
Photron registra il processo fino a 24.000 fotogrammi al secondo
Per osservare la fusione è stata utilizzata una telecamera FASTCAM-1024PCI prodotta da Photron.
Il sistema veniva posizionato fuori asse rispetto alla zona di lavorazione, con un’inclinazione di circa 43,7 gradi e a una distanza di circa 150 millimetri dalla superficie del letto di polvere.
La telecamera Photron era in grado di acquisire immagini a 1024 × 1024 pixel con una frequenza di 2.000 fotogrammi al secondo.
Riducendo la risoluzione a 512 × 128 pixel era invece possibile raggiungere circa 24.000 fotogrammi al secondo.
A questa velocità ogni fotogramma rappresenta un intervallo temporale di circa 0,042 millisecondi.
Una singola traccia laser può quindi essere descritta attraverso oltre cento immagini distinte.
Fenomeni che normalmente avvengono troppo velocemente per essere osservati diventano in questo modo una sequenza di dati utilizzabile dagli algoritmi di elaborazione.
Non soltanto il bagno di fusione
Le immagini registrate durante il processo permettono di osservare diversi fenomeni.
Il più evidente è il meltpool, cioè la zona di materiale liquido generata dall’interazione tra il laser e la polvere.
Attorno al bagno di fusione possono però essere osservati anche il plume e gli spatter.
Il plume è una nube generata dalla vaporizzazione di parte del materiale metallico durante l’interazione con il laser.
Gli spatter sono invece particelle che vengono espulse dalla zona di fusione a causa delle forze generate dal processo.
Queste particelle possono allontanarsi dal bagno di fusione e successivamente ricadere sul letto di polvere.
Il loro comportamento può fornire informazioni sulle condizioni termiche del processo.
Meltpool, plume e spatter costituiscono quindi segnali visivi che possono essere utilizzati per determinare se la lavorazione sta procedendo in condizioni stabili.
Dalle immagini al modello di intelligenza artificiale
Prima di essere inviate al sistema di classificazione, le immagini vengono sottoposte a diverse elaborazioni.
I fotogrammi vengono ritagliati in modo da concentrarsi sulla zona di interesse e successivamente normalizzati.
Un filtro gaussiano viene utilizzato per ridurre il rumore presente nelle immagini.
L’equalizzazione dell’istogramma contribuisce invece a migliorare il contrasto tra il meltpool e le zone circostanti.
Il sistema può inoltre utilizzare tecniche di segmentazione per separare le diverse regioni dell’immagine.
Tra le informazioni analizzate rientrano l’area del bagno di fusione, l’intensità dei pixel e i rapporti geometrici tra le diverse dimensioni della zona osservata.
Per una condizione considerata normale, per esempio, lo studio identifica valori dell’area del meltpool generalmente compresi tra circa 1 e 1,4 millimetri quadrati.
Valori molto più bassi possono essere associati a condizioni di fusione insufficiente, mentre superfici significativamente più ampie possono indicare un eccessivo apporto termico.
Il sistema non utilizza però soltanto una semplice soglia geometrica.
La classificazione viene effettuata attraverso una combinazione di caratteristiche estratte automaticamente dalle immagini.
ResNet-18 analizza i fotogrammi
Il sistema sviluppato dalla Rutgers University utilizza una rete neurale convoluzionale basata sull’architettura ResNet-18.
ResNet appartiene a una famiglia di reti neurali sviluppate per l’analisi delle immagini e caratterizzate dall’utilizzo di connessioni residue, che permettono di addestrare reti profonde riducendo alcuni problemi legati alla propagazione del gradiente.
Il modello impiegato nella ricerca è stato inizializzato partendo da pesi precedentemente addestrati attraverso il dataset ImageNet.
Questa tecnica prende il nome di transfer learning.
Il vantaggio consiste nella possibilità di partire da una rete che ha già imparato a riconoscere numerose caratteristiche visive generali, adattandola successivamente al problema specifico delle immagini del meltpool.
ResNet-18 viene utilizzata per estrarre una rappresentazione numerica di ogni fotogramma.
Da ciascuna immagine vengono ottenute 512 caratteristiche.
Questi dati vengono successivamente trasmessi a un classificatore SVM, Support Vector Machine.
La CNN svolge quindi il compito di estrazione delle caratteristiche, mentre la SVM effettua la classificazione finale.
Tre condizioni del processo
Il sistema identifica tre categorie principali.
La prima è costituita dal meltpool normale.
In questo caso le dimensioni e le caratteristiche visive della zona di fusione corrispondono a una condizione di lavorazione considerata stabile.
La seconda categoria comprende condizioni a bassa densità energetica.
Il bagno di fusione tende in questo caso a essere più piccolo e può indicare un apporto termico insufficiente.
Una situazione del genere può aumentare il rischio di mancata fusione tra le particelle di polvere o tra strati successivi.
La terza categoria comprende condizioni ad alta densità.
Il bagno di fusione presenta caratteristiche associate a un apporto energetico eccessivo e a un possibile surriscaldamento.
Il modello non individua direttamente ogni difetto interno già presente nel pezzo.
Riconosce invece condizioni del processo che possono essere correlate a una maggiore probabilità di formazione di difetti.
Un dataset di 1.500 immagini
Per l’addestramento del modello sono state utilizzate circa 1.500 immagini etichettate.
Il dataset comprendeva esempi appartenenti alle tre categorie previste.
I dati sono stati suddivisi in tre gruppi.
Circa il 70% delle immagini è stato utilizzato per l’addestramento, il 15% per la validazione e il restante 15% per il test finale.
Il modello è stato addestrato per 50 epoche utilizzando batch da 32 immagini.
Per l’ottimizzazione è stato utilizzato Adam.
Sono state inoltre applicate tecniche di data augmentation per aumentare la variabilità del dataset e ridurre il rischio che il modello imparasse semplicemente a memorizzare le immagini disponibili.
Tra queste tecniche figuravano piccole rotazioni, ribaltamenti delle immagini e aggiunta di rumore.
Accuratezza del 97,87%
Il sistema basato sulla combinazione tra ResNet-18 e Support Vector Machine ha raggiunto un’accuratezza complessiva del 97,87%.
Il dato viene spesso arrotondato al 98%.
Anche gli altri indicatori riportati nello studio mostrano prestazioni elevate.
Per la classe relativa alla condizione normale, la precisione raggiunge circa 0,98 e il recall circa 0,97.
Per le condizioni a bassa densità energetica, i valori sono rispettivamente intorno a 0,96 e 0,95.
Per le condizioni ad alta densità risultano invece pari a circa 0,97 e 0,96.
L’area sotto la curva ROC supera 0,98 per tutte le categorie analizzate.
Questi risultati indicano che, nel contesto sperimentale utilizzato dai ricercatori della Rutgers University, le immagini del meltpool contengono informazioni sufficienti per distinguere con elevata affidabilità differenti condizioni della fusione.
Il problema della velocità di elaborazione
Uno degli aspetti più delicati riguarda la quantità di dati generata dalla telecamera.
Una registrazione a 24.000 fotogrammi al secondo produce una mole molto elevata di immagini.
Analizzare completamente ogni fotogramma richiede risorse computazionali significative.
Secondo lo studio, l’estrazione approfondita delle proprietà geometriche e statistiche di una singola immagine può richiedere circa 10 millisecondi.
La telecamera Photron, al contrario, può produrre un nuovo fotogramma ogni 0,042 millisecondi.
Esiste quindi una differenza considerevole tra la velocità con cui vengono generati i dati e quella con cui possono essere analizzati attraverso procedure complesse.
Una possibile soluzione consiste nell’utilizzare il sistema di anomaly detection come filtro iniziale.
La rete identifica rapidamente i fotogrammi che presentano caratteristiche potenzialmente anomale.
Soltanto queste immagini vengono successivamente analizzate attraverso procedure più approfondite.
In questo modo è possibile ridurre la quantità di dati da elaborare.
Dal monitoraggio al closed-loop control
La possibilità di riconoscere automaticamente le anomalie apre una prospettiva importante: utilizzare le informazioni raccolte per modificare i parametri della macchina durante la costruzione.
Se il sistema rilevasse una condizione compatibile con un surriscaldamento, il controllo potrebbe per esempio ridurre temporaneamente l’energia trasferita al materiale.
Se venisse invece individuata una condizione di fusione insufficiente, potrebbe essere possibile aumentare l’apporto energetico.
Un sistema di questo genere viene definito controllo ad anello chiuso, o closed-loop control.
Il sensore osserva il processo, l’algoritmo interpreta i dati e il controller modifica automaticamente i parametri per riportare la lavorazione verso la condizione desiderata.
Lo studio della Rutgers University rappresenta un passo verso questo obiettivo, ma non dimostra ancora un sistema completo di correzione automatica integrato nella EOS M 270.
Il modello identifica le condizioni anomale, ma il controllo diretto della potenza del laser sulla base della classificazione rappresenta un ulteriore livello di sviluppo.
Perché il 97,87% non può essere esteso automaticamente a ogni macchina
Il risultato ottenuto deve essere valutato tenendo conto delle condizioni nelle quali il sistema è stato addestrato.
Gli esperimenti sono stati svolti con una specifica lega, Nickel Alloy 625, su una specifica piattaforma di EOS GmbH e utilizzando una determinata combinazione di parametri.
Il comportamento del meltpool cambia quando vengono utilizzati altri materiali.
Titanio, acciaio, leghe di alluminio e superleghe a base di nichel presentano differenti proprietà termiche e ottiche.
Cambiano la conducibilità termica, la viscosità del metallo liquido, l’assorbimento dell’energia laser e le temperature di fusione.
Anche macchine LPBF differenti possono utilizzare sistemi ottici, potenze laser e strategie di scansione diverse.
Non è quindi possibile affermare che il medesimo modello raggiunga automaticamente il 97,87% di accuratezza in qualunque processo LPBF.
Potrebbe essere necessario un nuovo addestramento oppure un ulteriore processo di transfer learning.
Dalle tre classi a fenomeni più complessi
Un altro limite riguarda il numero di condizioni riconosciute.
Tre categorie rappresentano una base utile per distinguere una fusione normale da condizioni caratterizzate da energia insufficiente o eccessiva.
Un impianto industriale può però essere interessato da numerosi altri fenomeni.
Tra questi rientrano keyholing, balling, problemi nella distribuzione della polvere, contaminazioni, difetti di recoating, variazioni delle condizioni superficiali e accumuli termici legati alla geometria del pezzo.
Un sistema di controllo destinato alla produzione industriale dovrà quindi essere in grado di distinguere un numero maggiore di anomalie e di riconoscere situazioni in cui diversi fenomeni si verificano contemporaneamente.
Rutgers studia il monitoraggio LPBF da diversi anni
Il progetto rientra in un percorso di ricerca più ampio del Manufacturing and Automation Research Laboratory della Rutgers University.
Il gruppo coordinato da Tuğrul Özel ha già studiato il comportamento del meltpool nella lavorazione di Nickel Alloy 625, l’evoluzione degli spatter e la simulazione termica del processo.
Sono stati inoltre sviluppati modelli per collegare i parametri impostati sulla macchina alle caratteristiche osservate durante la fusione.
L’utilizzo del deep learning rappresenta un’evoluzione di questo approccio.
Invece di descrivere il comportamento del processo soltanto attraverso modelli fisici o misurazioni effettuate dopo la produzione, gli algoritmi possono riconoscere schemi direttamente all’interno delle grandi quantità di dati generate dai sensori.
Il rapporto con il digital twin
Sistemi di questo genere possono avere un ruolo anche nello sviluppo dei digital twin per la produzione additiva.
Un gemello digitale realmente collegato a una macchina deve ricevere continuamente informazioni dal processo fisico.
Nel caso dell’LPBF queste informazioni possono includere temperature, immagini del meltpool, emissioni ottiche, posizione del laser e dati relativi alla distribuzione della polvere.
L’intelligenza artificiale può contribuire a trasformare questi dati in una rappresentazione dello stato della lavorazione.
Il digital twin potrebbe quindi non limitarsi a rappresentare geometricamente la macchina, ma diventare un modello aggiornato continuamente dalle condizioni reali di produzione.
Il controllo qualità potrebbe iniziare durante la costruzione
Uno degli aspetti più interessanti riguarda il possibile cambiamento delle procedure di controllo qualità.
I componenti metallici prodotti attraverso additive manufacturing possono essere sottoposti a numerose verifiche dopo la stampa.
A seconda dell’applicazione vengono utilizzati controlli dimensionali, analisi metallografiche, prove meccaniche, tomografia computerizzata e altre tecniche non distruttive.
Queste verifiche rimangono fondamentali, soprattutto nelle applicazioni aerospaziali, medicali ed energetiche.
Il monitoraggio del meltpool può però aggiungere un’altra fonte di informazioni.
Per ogni zona del componente potrebbe essere disponibile una registrazione delle condizioni in cui è avvenuta la fusione.
In questo modo diventa possibile individuare le aree nelle quali il processo ha mostrato comportamenti anomali e concentrare su quelle regioni le successive verifiche.
EOS, Photron e Rutgers in una stessa catena tecnologica
L’esperimento mostra come il monitoraggio della produzione additiva richieda l’integrazione di tecnologie differenti.
EOS GmbH fornisce la piattaforma sulla quale avviene la fusione laser della polvere.
Photron fornisce il sistema di acquisizione ad alta velocità necessario per osservare fenomeni che durano pochi millisecondi.
La Rutgers University sviluppa la metodologia sperimentale e il sistema di classificazione basato su rete neurale e Support Vector Machine.
La parte determinante non è quindi soltanto l’algoritmo.
Il risultato deriva dalla combinazione tra macchina, sensori, acquisizione dei dati, elaborazione delle immagini e modello di intelligenza artificiale.
Verso macchine LPBF capaci di riconoscere le anomalie
Il risultato raggiunto dalla Rutgers University mostra una possibile direzione per il controllo dei processi di produzione additiva metallica.
Le moderne macchine LPBF dispongono già di laser ad alta precisione, sistemi galvanometrici, sensori e sofisticati sistemi di controllo.
A questi elementi può essere aggiunto un livello software in grado di interpretare ciò che sta accadendo durante la fusione.
La capacità di distinguere condizioni normali, carenza energetica e surriscaldamento con un’accuratezza del 97,87% rappresenta un risultato significativo nel contesto sperimentale studiato.
La questione principale sarà ora verificare il comportamento del sistema su componenti più complessi, dataset molto più estesi, differenti leghe metalliche e altre piattaforme industriali.
Il passaggio successivo sarà ancora più importante: utilizzare il riconoscimento automatico non soltanto per segnalare un problema, ma per modificare in tempo reale i parametri della lavorazione.
In quel momento l’intelligenza artificiale non servirà soltanto a spiegare perché un componente presenta un difetto dopo la stampa.
Potrà diventare parte del sistema che tenta di impedire al difetto di formarsi mentre il componente viene costruito.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
