為了提高金屬粉末床增材制造技術(shù)的工業(yè)可接受度，很多廠(chǎng)家目前推出了在線(xiàn)監測模塊來(lái)檢查制造過(guò)程中的異常情況，如刮刀碰撞、粉末鋪設不均、飛濺以及孔隙等等。然而，這些實(shí)時(shí)監控的嘗試還沒(méi)有實(shí)現足夠的自動(dòng)化，在分析生產(chǎn)過(guò)程中收集的數據方面，還集中于將完成的零件與3D模型進(jìn)行比較。這種方法確實(shí)很簡(jiǎn)單，但卻非常耗時(shí)，而且只能識別打印對象中的“一般缺陷”。

來(lái)自美國橡樹(shù)嶺國家實(shí)驗室的研究人員近期開(kāi)發(fā)了一款基于神經(jīng)網(wǎng)絡(luò )的程序，它可以對從設計、材料選擇、打印到測試的整個(gè)過(guò)程的每個(gè)步驟收集和分析數據，實(shí)時(shí)評估零件質(zhì)量。

研究人員使用基于神經(jīng)網(wǎng)絡(luò )的程序監視和分析3D打印的組件

該算法的主要優(yōu)點(diǎn)還在于，它能夠以傳感器的原始分辨率反饋粉末床的逐層成像數據，并且能夠分析和共享多臺3D打印機上的數據，實(shí)現一個(gè)系統能夠從另一個(gè)系統遇到的打印錯誤中學(xué)習的效果。

研究人員分別在SLM、3DP和EBM三種工藝、不同品牌的九臺打印機上進(jìn)行了實(shí)驗，證明該算法在定位精度、準確性、計算時(shí)間和通用性方面，遠遠優(yōu)于以前的算法。

在過(guò)去十年中，很多設備商和研究機構已經(jīng)針對粉末床增材制造過(guò)程的逐層異常檢測進(jìn)行了大量研究。許多努力集中在開(kāi)發(fā)改良傳感方式上，如使用閃光燈來(lái)更好地拍攝粉末床、采用條紋投影技術(shù)來(lái)恢復深度信息以及采用高分辨率掃描儀等等。但是，開(kāi)發(fā)成像系統只是挑戰的一部分。對于用戶(hù)來(lái)說(shuō)，無(wú)論采用何種數據源，都應該可以自動(dòng)檢測異常，才能滿(mǎn)足應用端對質(zhì)量和過(guò)程控制的需求。

此前關(guān)于異常檢測和分類(lèi)的方法有明顯的局限性，如粗大的異常定位分辨率、極少的異常類(lèi)別以及缺乏對其他粉末床工藝的通用性。ORNL的深度學(xué)習算法基于神經(jīng)網(wǎng)絡(luò )動(dòng)態(tài)識別，（知識補充：在計算機視覺(jué)領(lǐng)域，目前神經(jīng)網(wǎng)絡(luò )的應用主要有圖像識別，目標定位與檢測，語(yǔ)義分割。圖像識別就是告訴你圖像是什么，目標定位與檢測告訴你圖像中目標在哪里，語(yǔ)義分割則是從像素級別回答上面兩個(gè)問(wèn)題）能夠滿(mǎn)足幾個(gè)關(guān)鍵要求：

1. 模型預測和異常分類(lèi)必須足夠快地反饋，以提供實(shí)時(shí)信息，即使使用的是高分辨率相機。

      2. 語(yǔ)義分割必須始終在成像傳感器的原始分辨率下逐像素實(shí)現（語(yǔ)義分割更詳細的可以解釋是從像素的角度分割出圖片中的不同對象）。

      3. 由于任何一臺單獨機器的訓練數據都可能受到限制，因此從一臺3D打印機器獲取的數據知識必須能夠在完全不同的粉末床機器和成像系統之間跨技術(shù)快速轉移。

      4. 該算法必須自然地支持來(lái)自多個(gè)成像系統或其他空間相關(guān)的感應模態(tài)的數據融合。

實(shí)際打印零件和深度學(xué)習算法檢測到的異常對比

是否采用共享學(xué)習下的鋪粉效果和灰塵識別對比

測試的結果令人滿(mǎn)意，實(shí)現了以下幾個(gè)目標：

1.在臺式計算機上，分層分割時(shí)間為0.5s-2.4s，結果反饋的速度足夠快，可以實(shí)時(shí)分析所有已探查機器類(lèi)型的現場(chǎng)數據。

2.在每個(gè)成像系統的原始分辨率下，可以按像素提供異常分類(lèi)，定位精度往前邁進(jìn)了一大步。

3.該算法已成功在九種不同粉末床3D打印機上進(jìn)行了演示，這些機器涵蓋了三種不同的技術(shù)。此外，探索的成像系統包括可見(jiàn)光、中紅外和近紅外相機，有效分辨率范圍為20μm至290μm。重要的是，所開(kāi)發(fā)的深度學(xué)習算法允許在不同的粉末床機器之間無(wú)縫傳輸學(xué)習的知識，從而減少了與每個(gè)單獨機器相關(guān)的數據收集和手動(dòng)數據標記負擔。

此外，研究人員發(fā)現新型的深度學(xué)習算法在異常類(lèi)別的鑒別方面相比以前的算法實(shí)現了更低的誤報率，七個(gè)類(lèi)別中的四個(gè)類(lèi)別的誤報率下降了25%以上。此外，逐層分類(lèi)的時(shí)間減少了12倍，而改進(jìn)的定位能力和融合后圖像的加入可以識別更多類(lèi)型的缺陷。

ORNL已使用其算法來(lái)優(yōu)化3D打印反應堆的生產(chǎn)

不過(guò)，該算法對于不同工藝之間的轉移學(xué)習的預測準確性還有待提高。該團隊評估了GE Additive ConceptLaser M2和ExOne Innovent系統之間共享的數據后，算法在缺陷識別遺失率方面的表現，發(fā)現共享過(guò)數據的系統的缺陷遺失率是未共享數據系統的16％。這表明訓練確實(shí)起到了作用，但這種效果還不足夠好。使用Arcam Q10增材制造系統打印的零件的真實(shí)孔隙率為78.4％，但是如果對圖像進(jìn)行分析，孔隙率則會(huì )上升至89.5％。

該算法的性能在很大程度上取決于其輸入數據，如果捕獲的圖像不能清楚的展現打印部分的異常，則該軟件不太可能被標記出來(lái)。

但無(wú)論如何，ORNL基于神經(jīng)網(wǎng)絡(luò )動(dòng)態(tài)識別的算法在增材制造過(guò)程實(shí)時(shí)監控方面確實(shí)取得了非常大的進(jìn)步。隨著(zhù)監控系統的發(fā)展，研究人員能夠將圖像數據與來(lái)自其他來(lái)源的數據(如打印機的日志文件、激光系統和操作員注釋)組合在一起，可以更好的識別零件缺陷，并跟蹤和評估所有零件的統計信息。

轉載自3D打印技術(shù)參考