AM與AI結合改善生產進行實時探測和預測層間缺陷和扭曲

來源： 江蘇激光產業(yè)技術創(chuàng)新戰(zhàn)略聯盟

導讀：工業(yè)4.0和中國制造2025計劃均大力鼓勵和提倡將智能制造和先進的信息技術相融合。增材制造技術的應用可以稱之為先進制造技術和信息技術結合的典范。來自University of California的研究人為我們展示了一種在增材制造過程中采用人工智能技術進行監(jiān)測和預測打印過程中的分層和扭曲。

工業(yè)4.0和《中國制造2025》是當前最先進的智能制造技術。在智能制造中，將現代制造工藝技術同先進的信息技術相融合，從而為真?zhèn)�社會經濟的發(fā)展帶來天翻地覆的變化，如圖1所示。工業(yè)4.0和《中國制造2025》提供了將無形的數字技術和有形的制造技術的有機結合，而增材制造技術則在工業(yè)4.0和《中國制造2025》中的智能工廠中扮演著十分重要的角色。增材制造技術不僅僅是一項新的制造技術，它還將對現有的設計理念、生產方式和商業(yè)模式產生沖擊， 使得制造和設計被整合成為精益設計“ 模式， 這不但會影響制造業(yè)本身，還將改變經濟發(fā)展的模式和我們的生活方式。而這一變化也 恰恰迎合了這種變化信息技術快速發(fā)展和社會數字化轉型的趨勢．這一點很關鍵。如圖2，3，4，5為增材制造技術已經顯示出來的明顯的優(yōu)勢。

圖1 工業(yè)4.0中 中智能制造及其增材制造所扮演的角色

增材制造技術使得人們制造多材料和多功能材料并具有復雜形狀的部件成為可能。盡管增材制造技術在近年來取得了飛速的發(fā)展，但如何克服常見的制造缺陷仍然是擺在增材制造技術面前的一大障礙。常見的制造缺陷如分層和扭曲等在打印復雜部件時還是極易發(fā)生的。嚴重制約了增材制造技術在更廣泛和深入的領域中的應用。因此，基于實時相機圖像和深度學習原理的自檢測系統(tǒng)開始逐漸進入增材制造中用于分層和扭曲的監(jiān)測。而且，University of California的研究人員研究了一種新型的包含應變測試的辦法，通過測試數據來預測可能發(fā)生的扭曲變形。結果顯示機器學習模型可以用來探測不同程度的分層。同時應變測試裝置成功的反應和探測出在打印作業(yè)時實測發(fā)生扭曲的程度和傾向。這一扭曲系統(tǒng)可以用來評估制造工藝的自動校正和無人值守時的預警和診斷缺陷。

圖2 增材制造技術工藝及其應用

University of California的研究人員研究了一個案例，就是將人工智能技術應用于FDM（ Fused deposition modeling）的分層和扭曲的在線監(jiān)測和預測。該技術容易操作且成本低。典型的FDM工藝是將CAD模型轉換為2D模型進而層層堆積的工藝過程。該工藝在應用中最讓人頭疼的一個問題就是層間缺陷導致的分層和扭曲，如果一旦發(fā)生，此時就需要打印工藝的重新開始，先前打印的材料和制備的廢品就只好忍痛浪費了。分層發(fā)生在兩層結合力比較弱的情況下，扭曲發(fā)生在殘余熱應變在打印時的累積效應。缺陷的形成是由于打印參數的設置、第一層的精準校準以及模型的準確與否等等所造成的。最近，隨著人工智能技術的應用和機器學習在材料科學與工程中的應用不斷增加，人們開始將機器學習應用于確定和探測打印作業(yè)時的不同缺陷，如飛濺、斑點和扭曲以及分層等。另外一個有意思的應用是應用分層機制來將打印區(qū)域在空間進行校準以防止扭曲。然而，早期的文獻指出并不能實現在線分析和預測。在這里為大家介紹一種基于計算視覺和應變測試的辦法進行探測和預測打印制品。這一辦法是建立在基于深度學習的基礎上利用相機拍照來分類和探測分層的現象。此外，建立的一個基于應變測試的辦法來測量和預測扭曲的發(fā)生與否。

圖3 增材制造技術的優(yōu)勢

Comparison framework among different metal AM technologies used in the aerospace industry
第一種層間缺陷是分層。前面已經提到，分層主要是由于噴嘴高度不適合打印作業(yè)時層層之間結合力較弱造成的。因此，在文獻中液晶指出，解決分層的最好辦法是在打印第一層時即調整噴嘴的偏離程度在合適的范圍內，此時將這一操作稱之為第一層校準。受這第一層校準主要基于操作人員人眼的經驗進行校準所啟發(fā)，研究人員發(fā)展了一個基于深度學習的辦法進行模擬人工的校準。這一校準裝置通過USB連接的相機安裝在打印頭上（如圖6a所示）。該相機通過后面安裝的懸臂部件來加強支撐以減少在打印過程中的震動。而且，相機的塑料外殼也取出以適應狹小的空間和可以調整到適宜的角度。由于第一層的噴嘴偏離大約0.1-0.2mm，因此需要近乎平行的視場來觀察和監(jiān)控噴嘴與當前打印層之間的距離。將偏離程度設成四個類別：高+（High+）、高（High）、好（Good）和低（Low）。由于噴嘴不能調整到低于打印的平面的程度，所以不需要在分類中考慮此種情況。相機所捕捉的圖像，如圖6b所示分別對應以上四種情況�？梢钥吹皆凇案摺睍r噴嘴會導致結合力較差，而且，在“高+”時則會使分層現象更加嚴重。相反，在“低”時則會造成熔絲由于空間有限而受到擠壓，從而造成表面凹凸不平。

圖4 空客A320機艙鉸鏈支架的優(yōu)化實例

圖5 不同增材制造設備的成本比較

當定義好以上四種情形后，采集以上各種情況下的數據。從而形成第一層用于校準的G代碼，從而輸送到系統(tǒng)中來打印10層。每層為平行的，并且每個相隔5mm以上以保證每個均有適當的角度來采集高質量的照片。在圖像采集時，確保每一類別中至少有高中低三種等級的分類以確保實現全覆蓋。在采集所有照片后，進行數據訓練。數據訓練采用Convolution neural network（CNN）模型來進行訓練，并且通過實際的實驗來驗證其有效性，并且在每一次驗證后使得機器學習得到加強。

圖6 利用人工智能進行分層檢測和預測的裝置、假設和實際應用圖

而扭曲的監(jiān)控則是在打印基床上進行應變測試。如圖7a，b，c所示。

圖7通過應變測試+CNN進行扭曲的檢測和預測

經過實際驗證，該技術穩(wěn)定可靠，并有可能在不斷完善后再更多的打印領域中進行驗證、完善。

參考文獻：
1.https://doi.org/10.1016/j.jmsy.2019.08.005，Metal additive manufacturing in the commercial aviation industry: A review，Journal of Manufacturing Systems
Volume 53, October 2019, Pages 124-149
2.UM Dilberoglu, B Gharehpapagh, U Yaman, M Dolen
The Role of Additive Manufacturing in the Era of Industry 4.0
Procedia Manuf., 11 (2017), pp. 545-554