在過(guò)去的幾十年里,金屬 AM 增材制造的日益成熟正在吸引高價(jià)值行業(yè)直接用于生產(chǎn)制造,而金屬零件生產(chǎn)的兩個(gè)主要工藝是激光粉末床熔融 (PBF-LB/M) 和激光束定向能量沉積技術(shù) (DED-LB/M)。 盡管這些技術(shù)取得了許多進(jìn)步,但該過(guò)程的高度動(dòng)態(tài)特性經(jīng)常導(dǎo)致缺陷的形成。 《Process monitoring and machine learning for defect detection in laser-based metal additive manufacturing》這篇論文回顧了各種機(jī)器學(xué)習(xí) (ML) 方法和現(xiàn)場(chǎng)監(jiān)測(cè)技術(shù)在缺陷檢測(cè)中的應(yīng)用。 討論了這些方法實(shí)現(xiàn)過(guò)程控制的潛力。
在《基于激光的金屬增材制造過(guò)程監(jiān)控和機(jī)器學(xué)習(xí)》系列文章中,3D科學(xué)谷將結(jié)合這篇論文對(duì)數(shù)據(jù)結(jié)構(gòu)和 ML 算法的使用趨勢(shì)進(jìn)行回顧,并比較不同傳感技術(shù)的能力及其在激光金屬 AM 增材制造監(jiān)測(cè)任務(wù)中的應(yīng)用,最后討論機(jī)器學(xué)習(xí)和過(guò)程監(jiān)控在增材制造領(lǐng)域的未來(lái)方向。
▲論文鏈接:
https://link.springer.com/article/10.1007/s10845-023-02119-y
邁過(guò)自動(dòng)化門檻
由增材思維驅(qū)動(dòng)的產(chǎn)品設(shè)計(jì)開(kāi)發(fā),例如功能梯度材料 (FGM)、多材料結(jié)構(gòu)零件,這些都難以通過(guò)傳統(tǒng)方法生產(chǎn),盡管包括金屬增材制造的3D打印技術(shù)帶來(lái)了嶄新的價(jià)值創(chuàng)造機(jī)遇,但其廣泛的工業(yè)應(yīng)用仍然存在一些障礙。L-PBF選區(qū)激光熔融3D打印技術(shù)和 L-DED激光束定向能量沉積3D打印技術(shù)都需要訓(xùn)練有素的技術(shù)人員來(lái)啟動(dòng)、監(jiān)控和移除組件,這與過(guò)去幾十年自動(dòng)化不斷提高的傳統(tǒng)制造相反。
此外,由AM-增材制造工藝生產(chǎn)的零部件經(jīng)常受到工藝引起的缺陷的困擾,例如孔隙、裂紋和殘余應(yīng)力引起的變形,從而影響部件質(zhì)量和一致性。零件內(nèi)的工藝缺陷會(huì)降低機(jī)械性能和疲勞性能,導(dǎo)致其在低于設(shè)計(jì)的操作限制時(shí)失效。
工業(yè)制造經(jīng)常采用嚴(yán)格的質(zhì)量標(biāo)準(zhǔn)來(lái)確保組件的一致性和性能。由于AM-增材制造流程通常用于制造單個(gè)或小批量零件,因此達(dá)到與傳統(tǒng)制造流程相同的統(tǒng)計(jì)質(zhì)量保證變得昂貴且困難。增材制造的質(zhì)量控制仍然是阻礙高價(jià)值行業(yè)進(jìn)一步采用這類工藝的突出問(wèn)題。
缺陷帶來(lái)的挑戰(zhàn)
工藝引起的缺陷的形成對(duì)激光增材制造技術(shù)的工業(yè)應(yīng)用提出了重大挑戰(zhàn)。孔隙是所有增材制造工藝中的常見(jiàn)缺陷,尤其是那些需要粉末作為原料的工藝。PBF 工藝中最常見(jiàn)的小孔誘導(dǎo)孔是在過(guò)多的能量沉積到表面時(shí)形成的,導(dǎo)致熔池深入滲透到之前的層中。流體的不穩(wěn)定性隨后會(huì)導(dǎo)致型腔頂部閉合,在底部產(chǎn)生一個(gè)空隙,該空隙通過(guò)熔池向后和向上移動(dòng),變成球形以最小化表面能。
缺少熔合孔通常是由于傳遞到表面的能量密度不足而形成的,這可能導(dǎo)致粉末熔化不完全,這些孔隙形狀不規(guī)則,將影響零件的機(jī)械和疲勞性能。這些可能會(huì)被其他孔隙消耗、逸出、溶解或被困在固化材料中。
增材工藝產(chǎn)生的極高熱梯度和冷卻速率會(huì)導(dǎo)致部件收縮不均勻,從而在部件內(nèi)產(chǎn)生殘余應(yīng)力。這些殘余應(yīng)力使部件偏離其預(yù)期的幾何形狀,并且可能大到足以使零部件無(wú)法使用?;蛘撸@些應(yīng)力會(huì)導(dǎo)致3D打印的零部件斷裂,或者在連續(xù)層之間斷裂,如分層,或者在多層之間斷裂,如開(kāi)裂。
建立相關(guān)性分析
目前檢測(cè)過(guò)程引起的缺陷的做法依賴于生產(chǎn)后檢查。這被稱為異地或事后監(jiān)測(cè),可以通過(guò)破壞性和非破壞性測(cè)試方法進(jìn)行。雖然破壞性測(cè)試可以為研究加工參數(shù)對(duì)微觀結(jié)構(gòu)和機(jī)械性能的影響提供有用的信息,但非破壞性測(cè)試方法,如 X 射線計(jì)算機(jī)斷層掃描 (XCT),可以在不影響內(nèi)部缺陷的情況下繪制內(nèi)部缺陷圖。不過(guò)盡管無(wú)損檢測(cè)具有明顯的優(yōu)勢(shì),但這些方法既昂貴又耗時(shí)。質(zhì)量檢測(cè)為零件認(rèn)證和缺陷研究提供了價(jià)值,但僅提供有關(guān)最終產(chǎn)品的信息,因此這些數(shù)據(jù)反饋出來(lái)的缺陷實(shí)際形成的能力有限。
近年來(lái),機(jī)器學(xué)習(xí) (ML) 算法開(kāi)始用于金屬增材制造中的缺陷檢測(cè)和質(zhì)量預(yù)測(cè)。這些算法可以有效地查詢?cè)霾墓に嚞F(xiàn)場(chǎng)監(jiān)測(cè)生成的大量數(shù)據(jù),并有助于建立工藝特定輸入?yún)?shù)與最終零件質(zhì)量之間的相關(guān)性。
如今,我們已經(jīng)習(xí)慣于看到 AI 接管越來(lái)越多的任務(wù)——不僅在我們的日常生活中,而且在醫(yī)療應(yīng)用或工業(yè)生產(chǎn)中。人工智能的發(fā)展取得了很大進(jìn)展?,F(xiàn)在可以通過(guò)人工智能預(yù)測(cè)生產(chǎn)中的組件故障或從圖像中提取信息以在幾分之一秒內(nèi)執(zhí)行干涉任務(wù)。
在過(guò)去十年中,關(guān)于 AM-增材制造加工過(guò)程監(jiān)測(cè)的論文和專利數(shù)量急劇增加。這是因?yàn)锳M-增材制造加工過(guò)程是一個(gè)動(dòng)態(tài)過(guò)程,更是個(gè)數(shù)字化的過(guò)程,在構(gòu)建過(guò)程中具有改進(jìn)的潛力。
根據(jù)3D科學(xué)谷的市場(chǎng)研究,人工智能在每個(gè)特定領(lǐng)域發(fā)揮著越來(lái)越重要的作用,包括:缺陷檢測(cè)和糾正、在構(gòu)建過(guò)程中和構(gòu)建之后減少殘余應(yīng)力和故障、原位計(jì)量和設(shè)計(jì)精度、微結(jié)構(gòu)設(shè)計(jì)、合金設(shè)計(jì)和優(yōu)化。
▲人工智能+3D打印
ML 是人工智能 (AI) 的一個(gè)分支,它使用算法逐步調(diào)整程序?qū)斎霐?shù)據(jù)的響應(yīng),隨著計(jì)算能力和程序設(shè)計(jì)的進(jìn)步,機(jī)器學(xué)習(xí)在許多不同領(lǐng)域取得了顯著成功。特別是,深度學(xué)習(xí) (DL) 在過(guò)去二十年中在許多分類和識(shí)別任務(wù)中取得了巨大進(jìn)步。
根據(jù)訓(xùn)練數(shù)據(jù)的輸入-輸出結(jié)構(gòu),ML機(jī)器學(xué)習(xí)方法可分為四大類:監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí) (RL)。在AM-增材制造領(lǐng)域,大多數(shù)機(jī)器學(xué)習(xí)應(yīng)用都屬于監(jiān)督學(xué)習(xí)范疇。
ML機(jī)器學(xué)習(xí)方法可以適應(yīng)各種數(shù)據(jù)類型,從可見(jiàn)圖像到聲學(xué)信號(hào)和提取的特征向量。因此,“增材制造的原位監(jiān)控”的多種原位監(jiān)控方法適用于不同的 ML機(jī)器學(xué)習(xí)方法。例如,視覺(jué)和熱成像產(chǎn)生空間分辨圖像,這些圖像可直接用于卷積神經(jīng)網(wǎng)絡(luò) (CNN) 或處理以提取其他算法使用的指標(biāo)。
l實(shí)時(shí)自適應(yīng)控制
根據(jù)3D科學(xué)谷的市場(chǎng)觀察,Relativity Space專門申請(qǐng)了使用機(jī)器學(xué)習(xí)對(duì)增材制造過(guò)程進(jìn)行實(shí)時(shí)自適應(yīng)控制Real-time adaptive control of additive manufacturing processes using machine learning的專利(相關(guān)專利號(hào)為US10921782B2)。
根據(jù)Relativity Space的專利,過(guò)程模擬數(shù)據(jù)可以并入機(jī)器學(xué)習(xí)算法使用的訓(xùn)練數(shù)據(jù)集中,該算法能夠自動(dòng)分類對(duì)象缺陷、預(yù)測(cè)過(guò)程控制參數(shù)的最優(yōu)組或序列、過(guò)程控制參數(shù)的調(diào)整。例如,可以使用諸如有限元分析(FEA)之類的過(guò)程模擬工具來(lái)模擬根據(jù)指定函數(shù)的過(guò)程控制。
過(guò)程表征數(shù)據(jù)可以并入機(jī)器學(xué)習(xí)算法使用的訓(xùn)練數(shù)據(jù)集中,該算法能夠自動(dòng)分類對(duì)象缺陷、預(yù)測(cè)過(guò)程控制參數(shù)的最優(yōu)組或序列、實(shí)時(shí)調(diào)整過(guò)程控制參數(shù),或其任何組合。可以將過(guò)程表征數(shù)據(jù)饋送到機(jī)器學(xué)習(xí)算法以便實(shí)時(shí)更新增材制造設(shè)備的過(guò)程控制參數(shù)。
可以將過(guò)程中或構(gòu)建后檢查數(shù)據(jù)并入機(jī)器學(xué)習(xí)算法使用的訓(xùn)練數(shù)據(jù)集中,該算法能夠自動(dòng)分類對(duì)象缺陷、預(yù)測(cè)過(guò)程控制參數(shù)的最優(yōu)集合或序列、過(guò)程控制的調(diào)整實(shí)時(shí)參數(shù)等等。
機(jī)器學(xué)習(xí)算法可以使用過(guò)程中檢查數(shù)據(jù)(例如,自動(dòng)缺陷分類數(shù)據(jù))向操作員發(fā)送警告或錯(cuò)誤信號(hào),或自動(dòng)中止增材制造沉積過(guò)程。
原始參考文獻(xiàn): https://link.springer.com/article/10.1007/s10845-023-02119-y
轉(zhuǎn)載請(qǐng)注明出處。