Rilevamento automatico dei guasti per fusione laser nel letto di polvere utilizzando l’apprendimento automatico semi-supervisionato

Utilizzo di Machine Learning semi-supervisionato in Fusion Fault Detection

Ricercatori dell’Università di Liverpool descrivono le loro scoperte riguardo al rilevamento automatico di guasti nei prodotti di produzione additiva in un articolo pubblicato di recente, ” Rilevamento automatico dei guasti per fusione laser-letto a polvere utilizzando l’apprendimento automatico semi-supervisionato “. Il loro lavoro continua una tendenza in corso nel perfezionamento della stampa 3D e delle tecniche di produzione additiva per potenziare numerose industrie che stanno attualmente approfondendo la tecnologia.

Gli scienziati hanno creato un algoritmo di apprendimento automatico, utilizzando un approccio semi-supervisionato, per rilevare i difetti del prodotto AM. L’algoritmo ricava dati da parti già certificate e di qualità sconosciuta. Anche se questo non solo migliora la qualità della stampa 3D, l’approccio è molto più efficiente ed economico in relazione alla stampa laser a letto in polvere.

I ricercatori hanno compilato i dati utilizzando ‘fotodiodi ad alta precisione’, un tipo di sensore molto sensibile in grado di elaborare misure per valutare la qualità.

“Comprendere le correlazioni tra questi dati e la qualità di costruzione è un’area difficile”, affermano i ricercatori. “Tuttavia, i progressi nell’apprendimento automatico hanno reso possibile la creazione e l’applicazione di algoritmi intelligenti a dataset di grandi dimensioni per il processo decisionale.”

“Tali algoritmi possono identificare i modelli in grandi quantità, dopo essere stati addestrati. Il lavoro corrente si basa sull’ipotesi che, utilizzando grandi quantità di misurazioni di processo da macchine L-PBF, l’apprendimento automatico possa essere utilizzato per classificare in modo rapido ed economico il successo delle build L-PBF. “

L’approccio semi-supervisionato è esattamente ciò che sembra: una modalità intermedia completamente supervisionata con dati etichettati e insiemi definiti e apprendimento non supervisionato, in cui i pattern vengono scoperti con dati non etichettati.

“Con un approccio semi-supervisionato, l’utente fornisce alcuni dati etichettati e alcuni dati senza etichetta allo stesso tempo”, affermano i ricercatori. “Il modello può quindi tentare di stabilire un limite di decisione e classificare i dati in cluster; in base alle caratteristiche delle informazioni etichettate e senza etichetta fornite. “

I ricercatori sottolineano che un approccio semi-supervisionato funziona bene in uno scenario ricco di dati senza etichetta, con solo pochi dati etichettati, risparmiando tempo e denaro nel numero di esperimenti eseguiti.

Si tratta di un progetto basato sui dati, basato solo su modelli delle misure dei fotodiodi, che aiuta i ricercatori a identificare le cause dei difetti di stampa 3D. Spesso, sono il risultato di impostazioni scadenti, supporti inferiori, problemi di polvere o problemi di temperatura o materiali. I quattro parametri seguenti hanno il massimo effetto sulla qualità delle parti:

Temperatura del letto parziale
Potenza del laser
Velocità di scansione
Scansione spaziatura
Per questo studio, sono state utilizzate due build L-PBF, e i ricercatori hanno costruito 50 barre di prova a trazione, con 25 prodotte in ciascuna build. Dati è stata raccolta da ogni generazione, come ‘la x ed y posizione del laser è stato raccolto insieme storico delle misurazioni di tempo da 2 sensori fotodiodi (frequenza di campionamento pari a 100 kHz, con conseguente circa 400 GB di dati per costruire).’

le coordinate x-y del laser quando viene costruito un singolo strato di una build. Le aree rosse indicano le posizioni delle 25 barre di prova di trazione mentre il blu rappresenta il percorso del laser. Si noti che le coordinate x-y sono calcolate dalle misure del galvanometro e che, per ragioni di riservatezza, le unità di posizione sono state lasciate come arbitrarie.

I test di trazione sono stati eseguiti dal tempo di ricerca e ogni barra è stata giudicata accettabile o difettosa, con un tasso di prova del 77%.

“I risultati mostrano che l’apprendimento semi-supervisionato è un approccio promettente per la certificazione automatica di build AM che può essere implementata ad una frazione del costo attualmente richiesto”, hanno concluso i ricercatori.

“Il lavoro futuro ha lo scopo di verificare se la classificazione può essere migliorata attraverso l’uso di sistemi di rilevamento aggiuntivi (sensori acustici e termocamere, ad esempio)”.

Be the first to comment on "Rilevamento automatico dei guasti per fusione laser nel letto di polvere utilizzando l’apprendimento automatico semi-supervisionato"

Leave a comment