Uczenie maszynowe i drukowanie w metalu 3D Łączenie algorytmu monitorowania procesu w czasie rzeczywistym

Ale dwóch badaczy z College of Engineering na Uniwersytecie Carnegie Mellon (CMU) odkryło, jak połączyć drukowanie 3D i uczenie maszynowe w celu monitorowania procesu w czasie rzeczywistym. Jest to praktyka, która wykrywa anomalie w części podczas drukowania w 3D. . Ich badania mogłyby pewnego dnia doprowadzić do samodopasowania drukarek 3D.

Luke Scime, absolwent Wydziału Inżynierii Mechanicznej CMU (MechE), nawiązał współpracę z dyrektorem NextManufacturing Center, Jackiem Beuth, aby stworzyć algorytm uczenia maszynowego monitoruje proces technologiczny za pomocą technologii laserowego spiekania proszku, która jest podatna na błędy spowodowane niepoprawnym rozprzestrzenianiem się warstwy proszku.

Inni badacze używają takich metod, jak technologie akustyczne, spektroskopia i monitorowanie temperatury, aby dowiedzieć się, co się dzieje wewnątrz poziomu strukturalnego kompilacji. Mimo że na rynku dostępne są pewne ograniczone rodzaje monitorowania, zwykle nie mają one zdolności do automatycznej analizy i mogą jedynie zapewnić odczyt, który musi interpretować operator maszyny. Ale prace Scime'a i Beutha idą w innym kierunku: algorytm wizji komputerowej.

Scime powiedział: "Jedną z największych przeszkód pomiędzy poprawnym wyglądem a umieszczeniem go na samolocie jest upewnienie się, że część, którą tworzysz, nie ma w niej wad.

"Wizja komputerowa to termin wykorzystywania technik analizy danych do zrozumienia, co dzieje się w obrazie."

Scime's innowacyjny algorytm wykonuje zdjęcia złoża proszku i wyciąga cechy, które są następnie grupowane i porównywane na różnych poziomach analizy, aż do utworzenia odcisku palca obrazu. Maszyna nauczyła się rozpoznawać różne wady, ponieważ naukowcy wprowadzili do algorytmu setki wcześniej oznaczonych obrazów szkoleniowych; teraz może porównać odcisk palca nowych obrazów, które otrzymuje, z tymi, które już zna, aby wyizolować różne anomalie.

W artykule Scime and Beuth opublikowanym w czasopiśmie Additive Manufacturing, zatytułowanym "Wykrywanie anomalii i klasyfikacja w proces wytwarzania dodatku do łóżka ze sproszkowanym proszkiem laserowym przy użyciu wyszkolonego algorytmu widzenia komputera "pokazują, w jaki sposób algorytm jest w stanie wykryć błędy w rozprzestrzenianiu się proszku w skali milimetra podczas ich opracowywania. Algorytm może określić, czym jest skaza i gdzie to się dzieje, co może pomóc zwiększyć stabilność procesu (możliwość drukowania).

Na potrzeby artykułu sześćZastosowano rodzaje anomalii.

Streszczenie brzmi: "W niniejszej pracy przedstawiono podejście do monitorowania i analizy obrazów w złożu proszkowym, które mogą stać się elementem systemu kontroli w czasie rzeczywistym. Maszyna LPBF. W szczególności algorytm wizji komputerowej służy do automatycznego wykrywania i klasyfikowania anomalii, które występują podczas etapu rozpraszania proszku w procesie. Wykrywanie anomalii i klasyfikacja są realizowane za pomocą nienadzorowanego algorytmu uczenia maszynowego, działającego na średniej wielkości szkoleniowej bazie danych łatek obrazów. Wydajność ostatecznego algorytmu jest oceniana, a jego użyteczność jako samodzielnego pakietu oprogramowania jest zademonstrowana w kilku studiach przypadku. "

Ta praca jest dużym krokiem naprzód w tworzeniu metalowego druku 3D jako niezawodnej, bezpiecznej metody produkcja przemysłowa.

Scime powiedział: "Święty Graal ma to wdrożyć w środowisku czasu rzeczywistego, w którym automatycznie analizujesz dane, robisz coś na ich temat, a następnie kontynuujesz. < p> "Na czym polega naprawdę, czy możemy to wykryć, zrozumieć, że to jest problem, a następnie zaprojektować to, co nazywamy parametrami przetwarzania, aby zrobić coś innego niż robiliśmy, aby zmniejszyć ilość zniekształceń?"

Scime wyjaśnił, że samokorygująca automatyzacja może skończyć działać na kilka różnych sposobów, z których najbardziej podstawową jest drukarka 3D wysyłająca alert do operatora po wykryciu anomalii, aby można było wcześnie rozwiązać problem . Następnie przechodzisz do uczenia drukarki 3D w celu rozpoznania krytycznych wad i automatycznego wykonywania prostych napraw, takich jak czyszczenie ostrza, rozkłada posłanie proszku lub zatrzymywanie druku 3D na jednej stronie, a jednocześnie pozwala innym na kontynuowanie.

Jednak , ukoronowaniem w automatycznej autokorekcji jest walka z przewyższeniem. Ta anomalia, odpowiedzialna za większość uszkodzeń części, pojawia się, gdy część konstrukcji zaczyna się wypaczać lub zwinąć z proszku. Chociaż może minąć trochę czasu, zanim osiągnięty zostanie ten poziom automatyzacji, algorytmy uczenia maszynowego CMU są już w stanie dokładnie zidentyfikować kilka anomalii i są gotowe do zastosowania w rzeczywistym świecie. Scime ma jednak nadzieję na zbadanie, w jaki sposób dodatkowe dane z czujników można dodać do analizy, a także poprawić dokładność.