Обобщенное обнаружение и исправление ошибок 3D-печати с помощью нескольких

Nature Communications, том 13, номер статьи: 4654 (2022) Цитировать эту статью

16 тысяч доступов

11 цитат

189 Альтметрика

Подробности о метриках

Экструзия материала является наиболее распространенным методом аддитивного производства, но его применение в продуктах конечного использования ограничено из-за уязвимости к ошибкам. Люди могут обнаруживать ошибки, но не могут обеспечить непрерывный мониторинг или исправление в реальном времени. Существующие автоматизированные подходы невозможно обобщить для различных деталей, материалов и систем печати. Мы обучаем нейронную сеть с несколькими головками, используя изображения, автоматически маркированные по отклонению от оптимальных параметров печати. Автоматизация сбора данных и маркировки позволяет создавать большой и разнообразный набор данных для экструзионной 3D-печати, содержащий 1,2 миллиона изображений из 192 различных частей, помеченных параметрами печати. Обученная таким образом нейронная сеть вместе с контуром управления обеспечивает обнаружение и быстрое исправление различных ошибок в режиме реального времени, что эффективно для множества различных 2D- и 3D-геометрий, материалов, принтеров, траекторий движения инструмента и даже методов экструзии. Мы дополнительно создаем визуализации прогнозов сети, чтобы пролить свет на то, как она принимает решения.

Экструзия материала является наиболее распространенным методом аддитивного производства (АП) по причинам, включающим его относительно низкую стоимость, небольшую постобработку, совместимость со многими материалами и возможность работы с несколькими материалами1. Это сделало экструзионный АМ перспективным во многих областях2, включая здравоохранение3, медицинское оборудование4, аэрокосмическую промышленность5 и робототехнику6. Однако основная причина, по которой многие из этих приложений остаются на стадии исследований, заключается в том, что экструзионный АМ уязвим для различных производственных ошибок. Они варьируются от небольших неточностей размеров и механических недостатков до полного отказа конструкции1,7,8,9,10. Чтобы противодействовать ошибкам, квалифицированный работник обычно должен наблюдать за процессом AM, распознавать ошибку, останавливать печать, удалять деталь, а затем соответствующим образом корректировать параметры для новой детали. Если используется новый материал или принтер, этот процесс занимает больше времени, поскольку работник приобретает опыт работы с новой установкой11,12. Даже в этом случае ошибки могут быть пропущены, особенно если работник не наблюдает постоянно за каждым процессом. Это может быть сложно, если одновременно работают несколько принтеров или, как показала пандемия COVID-19, персонал ограничен из-за социального дистанцирования или болезни. Это не только требует затрат материалов, энергии и времени, но также ограничивает как использование деталей AM в продуктах конечного использования, особенно критически важных с точки зрения безопасности, таких как медицинские устройства, так и устойчивость цепочек поставок на основе AM. Эти проблемы станут еще более актуальными по мере того, как AM будет распространяться на живые и функциональные материалы, сложные решетчатые конструкции из нескольких материалов и сложные условия, такие как удаленные строительные площадки на открытом воздухе или на человеческом теле.

Это побудило разнообразные и интересные исследования по мониторингу экструзии AM13. Для контроля экструзионного АД часто используются токовые14,15, инерционные16,17 и акустические18,19,20,21,22 датчики. Хотя эти подходы приводят к надежному обнаружению определенных, обычно крупномасштабных ошибок во время печати, многие ошибки остаются необнаружимыми. Эти методологии еще предстоит использовать в большинстве 3D-принтеров, поскольку стоимость датчиков и усилителей для таких подходов часто высока. Кроме того, они недостаточно богаты данными, чтобы обеспечить онлайн-обратную связь и исправления.

Подходы на основе камер потенциально универсальны и содержат много данных. Одиночные камеры, установленные на корпусе принтера с видом сверху вниз или сбоку, в сочетании с традиционными методами компьютерного зрения и обработки изображений использовались для обнаружения различных ошибок АМ экструзии23,24,25,26,27,28,29, 30,31,32. Преимущество этого подхода заключается в его относительной дешевизне, простоте настройки и том, что камера часто может видеть большую часть изготовленной детали в любое время. Это позволяет обнаружить многие ошибки, такие как деформация заполнения или наличие «капель» материала. Однако использование одной камеры может ограничить объем получаемой информации о производственном процессе и, следовательно, ограничить диапазон выявляемых ошибок и типов ошибок. Многокамерные подходы более дороги и сложны в реализации, но потенциально более эффективны. Несколько изображений детали или добавление инфракрасных камер могут позволить увидеть дефекты, такие как неполные отпечатки, которые могут быть не заметны с одной точки зрения33,34,35. 3D-реконструкции напечатанных деталей, например, созданные с помощью многокамерного 3D-структурированного светового сканирования и корреляции цифровых изображений, можно сравнить с 3D-цифровой моделью детали для обнаружения неточностей размеров35,36,37,38,39,40,41,42 ,43. Однако эти более сложные системы часто дороги, чувствительны к условиям освещения и свойствам поверхности детали, медленнее из-за времени сканирования и вычислений, требуют точного позиционирования и калибровки и ограничиваются обнаружением ошибок, достаточно больших, чтобы увидеть заданные пределы разрешения сканера.