Sta lentamente arrivando il tempo di . quando la stampa 3D metal sarà ampiamente considerata un metodo di produzione industriale affidabile, ma ci sono ancora alcuni problemi da affrontare . Molte ricerche sono indirizzate a capire la causa dei difetti nella stampa 3D di metallo, che possono portare a prodotti meno forti o con micro fessurazione nelle parti finali 3D stampati – inaccettabile quando hai a che fare con le applicazioni ad alto rischio come componenti in aviazione .
Ma due ricercatori del College of Engineering della Carnegie Mellon University (CMU) hanno capito come combinare la stampa 3D e l’apprendimento automatico per il monitoraggio dei processi in tempo reale, una pratica in grado di rilevare le anomalie all’interno di una parte mentre viene stampata in 3D. La loro ricerca potrebbe un giorno portare a stampanti 3D auto-correttive.
Luke Scime, un ex alunno del Dipartimento di ingegneria meccanica ( MechE ) della CMU , ha collaborato con il direttore del NextManufacturing Center Jack Beuth per creare un algoritmo di apprendimento automatico che pratica il monitoraggio dei processi con la tecnologia di fusione a letto laser, che è soggetta a errori causati dallo strato di polvere diffondendosi in modo errato.
Altri ricercatori stanno usando metodi come tecnologie acustiche, spettroscopia e monitoraggio della temperatura per imparare cosa sta succedendo all’interno del livello strutturale di una costruzione. Ma mentre sul mercato sono disponibili alcuni tipi limitati di monitoraggio, in genere non hanno la capacità di analisi automatizzata e possono fornire solo una lettura che un operatore di macchina deve interpretare. Ma il lavoro di Scime e Beuth va in una direzione diversa: un algoritmo di visione artificiale.
Scime ha dichiarato: “Uno dei più grandi ostacoli tra il solo fare una parte che sembra buona e in realtà metterla su un aereo è assicurarsi che la parte che stai producendo non abbia difetti in essa.
“Computer vision è un termine per usare le tecniche di analisi dei dati per capire cosa sta succedendo in un’immagine.”
L’algoritmo che analizza un singolo strato del letto di polvere.
L’algoritmo innovativo di Scime riprende le immagini del letto di polvere ed estrae le caratteristiche, che vengono poi raggruppate e confrontate su vari livelli di analisi fino a creare un’impronta digitale dell’immagine. La macchina ha imparato a riconoscere diversi difetti perché i ricercatori hanno alimentato l’algoritmo di centinaia di immagini di addestramento pre-etichettate; ora, può confrontare l’impronta digitale delle nuove immagini che riceve a quelle che già conosce per isolare varie anomalie.
Una ricostruzione 3D della parte da diverse migliaia di analisi di immagini.
In un articolo Scime and Beuth pubblicato nella rivistaAdditive Manufacturing , intitolato ” Rilevamento e classificazione delle anomalie in un processo di produzione additivo a letto laser mediante un algoritmo di computer vision “, dimostrano come l’algoritmo sia in grado di rilevare i difetti nella diffusione della polvere nel scala millimetrica mentre si stanno sviluppando. L’algoritmo può determinare qual è il difetto e dove sta accadendo, il che può aiutare ad aumentare la stabilità del processo (la capacità di stampare).
Per gli scopi del documento, sono stati utilizzati sei tipi di anomalie.
L’abstract recita: “Questo lavoro presenta un approccio per il monitoraggio e l’analisi in-situ delle immagini del letto di polvere con la possibilità di diventare un componente di un sistema di controllo in tempo reale in una macchina LPBF. In particolare, un algoritmo di visione artificiale viene utilizzato per rilevare e classificare automaticamente le anomalie che si verificano durante la fase di diffusione della polvere del processo. Il rilevamento e la classificazione dell’anomalia vengono implementati utilizzando un algoritmo di apprendimento automatico non supervisionato, che opera su un database di addestramento di dimensioni moderate di patch di immagini. La performance dell’algoritmo finale viene valutata e la sua utilità come pacchetto software standalone è dimostrata con diversi case study. ”
Questo lavoro è un grande passo avanti nel rendere la stampa 3D in metallo un metodo affidabile e sicuro per la produzione industriale.
Esempi rappresentativi delle sei classi di anomalie del letto a polvere scelte dagli autori: (a) Saltare indietro, (b) Strisciare sul retro, (c) Detriti, (d), Superelevazione, (e) Guasto parziale e (f) Incompleto diffusione.
Scime ha dichiarato: “Il Santo Graal è quello di distribuirlo in un ambiente in tempo reale in cui si analizzano automaticamente i dati, si fa qualcosa al riguardo e poi si va avanti.
“Quello che veramente arriva è, possiamo rilevarlo, capire che è un problema, e quindi progettare ciò che chiamiamo parametri di elaborazione per fare qualcosa di diverso da quello che stavamo facendo per ridurre la quantità di warpage?”
Scime explained that self-correcting automation could end up working in a few different ways, the most basic of which is a 3D printer sending an alert to an operator once an anomaly is detected so the issue can be addressed early on. Then, you move on to teaching a 3D printer to recognize critical flaws and automatically perform simple fixes, like clearing the blade the spreads the powder bed or stopping 3D printing one part while allowing others to keep going.
Tuttavia, il coronamento dell’auto-correzione automatica sta combattendo la sopraelevazione. Questa anomalia, responsabile della maggior parte dei danni, si verifica quando parte della struttura inizia a deformarsi o raggomitolarsi fuori dalla polvere. Mentre potrebbe passare un po ‘di tempo prima che venga raggiunto questo livello di automazione, l’algoritmo di machine learning della CMU è già in grado di identificare con precisione diverse anomalie ed è pronto per l’applicazione nel mondo reale. Tuttavia, Scime spera di esaminare in che modo è possibile aggiungere ulteriori dati del sensore alla sua analisi e anche migliorarne l’accuratezza.