روش بازرسی باعث افزایش اطمینان در چاپ سه بعدی پودر لیزری می شود
نیوزویز – محققان آزمایشگاه ملی Oak Ridge وزارت انرژی، تشخیص عیب را برای افزایش اطمینان در قطعات فلزی که با همجوشی لیزری روی بستر پودری چاپ سه بعدی میشوند، بهبود بخشیدهاند. این نوع تولید افزودنی به صنایع انرژی، هوافضا، هسته ای و دفاعی توانایی ایجاد قطعات بسیار تخصصی با اشکال پیچیده از طیف وسیعی از مواد را ارائه می دهد. با این حال، این فناوری بیشتر مورد استفاده قرار نمی گیرد زیرا آزمایش کامل و دقیق محصول چالش برانگیز است. روشهای بازرسی مرسوم ممکن است نقایصی را که در عمق لایههای یک قطعه چاپی تعبیه شده است، شناسایی نکنند.
محققان ORNL روشی را توسعه دادند که بازرسی قسمت چاپ شده پس از ساخت آن را با اطلاعات جمع آوری شده از حسگرها در طول فرآیند چاپ ترکیب می کند. داده های ترکیبی سپس یک الگوریتم یادگیری ماشینی را برای شناسایی عیوب در محصول آموزش می دهد. مهمتر از آن، این چارچوب به اپراتورها اجازه می دهد تا احتمال تشخیص دقیق نقص را به همان اندازه قابل اعتماد بدانند که روش های ارزیابی سنتی، که به زمان و کار بیشتری نیاز دارند.
لوک اسکایم، محقق ORNL، میگوید: «ما میتوانیم عیوبی به کوچکی نیم میلیمتر – تقریباً به ضخامت یک کارت ویزیت – را در 90 درصد مواقع تشخیص دهیم. ما اولین کسی هستیم که یک مقدار عددی را روی سطح اطمینان احتمالی قرار می دهیم در محل (در فرآیند) تشخیص عیب.” به طور کلی، این نشان دهنده اطمینان در ایمنی و قابلیت اطمینان محصول است.
همجوشی بستر پودر لیزری، رایجترین فرآیند پرینت سه بعدی فلزی، از یک لیزر پرانرژی برای ذوب انتخابی پودر فلز استفاده میکند که روی یک صفحه ساختمانی پخش میشود. سپس صفحه ساخت پایین می آید قبل از اینکه سیستم پخش شود و لایه دیگری ذوب شود و به آرامی محصول مهندسی شده ساخته شود.
مهندسان می دانند که نقص هایی در مواد وجود خواهد داشت.
زکری اسنو، محقق ORNL، گفت: برای تولید منظم، ما می دانیم که آنها چیست و کجا و چگونه آنها را پیدا کنیم. “(اپراتورها) احتمال یافتن عیوب با اندازه معین را می دانند، بنابراین می دانند هر چند وقت یکبار باید برای دریافت یک نمونه نماینده بررسی کنند.”
پرینت سه بعدی از همان اعتماد به نفس برخوردار نبوده است.
اسنو گفت: «نداشتن شماره، صلاحیت و تأیید قطعات را دشوار میکند. “این یکی از بزرگترین موانع در تولید مواد افزودنی است.”
مقاله ای توسط محققان ORNL و شریک RTX، اخیرا منتشر شده در تولید مواد افزودنیفرآیندی را که آنها برای دستیابی به نرخ تشخیص 90٪ توسعه داده اند توضیح می دهد و در عین حال احتمال مثبت کاذب را کاهش می دهد که می تواند منجر به از بین رفتن محصولات خوب شود.
برای اولین گام تحقیقاتی، شرکت هوافضا و دفاعی RTX قطعهای شبیه به قطعهای که قبلاً تولید کرده بود طراحی کرد و فرصتهایی برای مشاهده عیوب واقعی فراهم کرد. سپس RTX 3D این قطعه را چندین بار پرینت کرد و با یک دوربین استاندارد نزدیک به مادون قرمز و یک دوربین نور مرئی اضافه شده، ساخت را زیر نظر گرفت. محققان RTX و ORNL پس از آن با استفاده از توموگرافی کامپیوتری اشعه ایکس، که معمولا سی تی اسکن نامیده می شود، بازرسی های کیفی انجام دادند.
با مشورت RTX، کارشناسان تولید افزودنی ORNL دادهها را در یک پشته لایهای از تصاویر مرتب کردند که اساساً به یک کتاب درسی برای الگوریتم یادگیری ماشین تبدیل شد. در طول آموزش، الگوریتم با استفاده از تصاویر CT اولین پاس را در برچسب زدن عیوب انجام داد. سپس یک اپراتور انسانی بقیه را بر اساس نشانه های بصری در داده های جمع آوری شده در طول فرآیند چاپ حاشیه نویسی می کند. بازخورد انسان به آموزش نرم افزار ادامه می دهد تا الگوریتم هر بار نقص ها را با دقت بیشتری تشخیص دهد. پیشرفت ORNL قبلی در مشاهده سایت و چارچوب های یادگیری عمیق به عنوان ابزار در این رویکرد جدید استفاده شد. با گذشت زمان، این امر نیاز به مشارکت انسان در بازرسی تولید را کاهش می دهد.
اسنو گفت: «این امکان اطمینان در سطح CT را بدون CT فراهم می کند. یک روش متداول برای بازرسی برخی از قطعات پرینت سه بعدی، تصویربرداری CT و تجزیه و تحلیل هزینه ها را افزایش می دهد زیرا به زمان و تخصص بیشتری نیاز دارد. علاوه بر این، CT نمی تواند به طور موثر به فلزات متراکم نفوذ کند، که کاربرد آن را محدود می کند.
Scime گفت، زمانی که این الگوریتم برای طرحی که به طور مداوم با مواد و فرآیند یکسان تولید می شود اعمال شود، می تواند یاد بگیرد که در عرض چند روز تجزیه و تحلیل کیفیت ثابتی ارائه دهد. در عین حال، این نرم افزار همه چیزهایی را که از طرح ها و ساختارهای مختلف می آموزد در خود گنجانده است، بنابراین در نهایت قادر خواهد بود محصولات با طرح های ناآشنا را به دقت بررسی کند.
چارچوب بازرسی توسعهیافته ORNL میتواند به گسترش کاربردهای تولید افزودنی کمک کند. اسنو گفت که با کنترل کیفیت تایید شده آماری، تولید مواد افزودنی می تواند برای محصولات تولید انبوه مانند قطعات خودرو قابل اجرا باشد.
همچنین می تواند انواع قطعات قابل چاپ سه بعدی را متنوع کند. اطمینان در مورد کوچکترین اندازه نقص قابل تشخیص، آزادی بیشتری در طراحی می دهد. برایان فیشر، مهندس ارشد تولید افزودنی در مرکز تحقیقات فناوری های Raytheon RTX گفت: این مهم است زیرا صنعت قبلاً به سمت حجم چاپ بالاتر و سرعت چاپ سریعتر حرکت کرده است – که به معنای تعامل لیزرهای بیشتر برای ایجاد قطعات بزرگتر با انواع مختلف نقص است.
فیشر گفت: «وقتی ماژولهای بزرگتری را چاپ میکنید، واقعاً میتوانید شروع به صرفهجویی در زمان و هزینه کنید و یک مورد تجاری درست کنید – و همچنین تأیید آنها امروز دشوارترین است». این چشم انداز علاوه بر افزایش، ما می توانیم قطعات بزرگ و بسیار پیچیده را در مواد بسیار متراکم بسازیم که به طور سنتی بازرسی کامل آنها بسیار دشوار و پرهزینه است.
سپس تیم ORNL الگوریتم یادگیری عمیق را برای تمایز بهتر بین انواع بینظمیها و دستهبندی عیوبی که دلایل متعدد دارند، آموزش خواهند داد.
از دیگر محققان ORNL که در این پروژه مشارکت داشتند، امیر ضیابری و وینسنت پاکیت نیز بودند. این تحقیق توسط دفتر مواد پیشرفته و فناوریهای ساخت DOE یا AMMTO با پشتیبانی RTX حمایت مالی شد و در مرکز نمایش تولید DOE در ORNL انجام شد.
UT-Battelle ORNL را برای دفتر علوم وزارت انرژی، بزرگترین حامی تحقیقات پایه در علوم فیزیکی در ایالات متحده، مدیریت می کند. دفتر علوم برای رسیدگی به برخی از مهم ترین چالش های زمان ما کار می کند. برای اطلاعات بیشتر لطفا مراجعه کنید به Energy.gov/science.




