美國賓夕法尼亞州匹茲堡卡内基梅隆大學工程學院的研究人員開發了一種深度學習方法，該方法提供了一種利用機載或熱技術捕獲和表征雷射粉末床熔融 (PBF-LB) 增材制造中熔池的新穎方法。該方法最近在《增材制造雜志》上詳細介紹，可以使制造商能夠幾乎立即獲得基本的熔池幾何形狀并預測瞬态熔池變化。
機器學習模型架構，由自動編碼器和深度 CNN 模型 (ResNet) 組成。
© 卡耐基梅隆
人工智能用于過程監測
© 3D科學谷白皮書
監測-品質的關鍵
在增材制造金屬時，許多事情都可能會出現問題，并且如果沒有現場過程監控，隻能在産品制造後才能檢測和表征缺陷。最常見的是，制造商将使用高速錄影機來密切關注熔池幾何形狀及其在 PBF-LB 增材制造過程的短時間内的變化。這需要昂貴的裝置、大量的記憶體存儲（即每秒儲存 20,000-30,000 張高分辨率照片）以及費力的人力來收集和分類資料。這些最終會提高線上視覺跟蹤和過程分析的成本。
L-PBF選區雷射熔融3D列印和 L-DED雷射定向能量沉積3D列印過程中雷射和原材料之間潛在的熱互相作用比較相似，因為它們都依賴雷射為粉末提供熱量，通常将其完全熔化以形成熔池。然後熔池在先前的層或基底之上凝固以形成所需的形狀。顯然，這些過程的加工參數設定存在顯着差異，是以需要采用不同的監測方法。
目前已經開發了幾種其他方法用于雷射增材制造的原位監測。然而，這些方法要麼适合研究目的，要麼不适用于生産規模的監測。
同步加速器 X 射線監測和紋影成像是雷射 AM增材制造的有用研究工具，可以為雷射加工過程中發生的現象提供有價值的見解。同步加速器 X 射線監測允許對熔池區域進行高分辨率成像，揭示加工動态。紋影成像研究雷射羽流和建構室的流體動力學，揭示AM增材制造過程如何受其環境影響，這兩種技術都需要專門的實驗裝置。
© 3D科學谷白皮書
光學相幹斷層掃描 (OCT) 和線上相幹成像 (ICI) 監測允許檢查零件表面并解讀加工參數的影響和了解掃描政策對表面粗糙度的影響。渦流檢測 (ECT) 用于檢測金屬内部的裂紋和亞表面缺陷，并已被提議作為原位監測增材制造技術的方法。目前，OCT 和 ICI 已在原位監測中進行了最低限度的探索，而 ECT 最近才被科研人員部署用于L-PBF選區雷射熔融金屬3D列印AlSi10Mg鋁合金材料的原位監測。随着這些檢測系統對雷射金屬增材制造的進一步探索，機器學習很可能被用于輔助樣本的分類和預測。
© 3D科學谷白皮書
更經濟、更靈活
美國賓夕法尼亞州匹茲堡卡内基梅隆大學工程學院的研究人員開發了一種深度學習方法，該方法提供了一種利用機載或熱技術捕獲和表征雷射粉末床熔融 (PBF-LB) 增材制造中熔池的新穎方法。這在增材制造領域是一個創新的進展。以下是他們研究的關鍵點：
- 深度學習監測方法：該方法利用機載或熱技術捕獲和表征雷射束粉末床融合（PBF-LB）增材制造中的熔池，能夠快速擷取熔池幾何形狀并預測熔池變化。
- 低成本傳感器的優勢：新方法使用低成本傳感器，如麥克風或光電二極管，來重建關鍵的熔池特性，這大大降低了成本和操作複雜性。 缺陷檢測能力：該方法具有識别空間依賴性缺乏融合（LOF）缺陷的潛力，這對于提高最終産品的耐用性和機械性能至關重要。
- 實驗與資料同步：研究人員通過一系列PBF-LB實驗，同步收集了聲學、熱學和高速成像資料，成功重建了熔池幾何形狀，并能夠跟蹤熔池的振蕩行為。
- 多模态過程信号的了解：該研究有助于更好地了解聲學信号、熱發射和熔池形态之間的實體相關性，這對于科學界來說是一個重要的探索領域。
- 未來研究方向：團隊計劃探索更多材料的聲學和熱發射資料，以及跨不同平台和增材制造技術的實時監控應用，以期建構更先進的替代模型和數字孿生。
© 卡耐基梅隆
根據3D科學谷的了解，目前該團隊進行了一系列PBF-LB實驗，探索钛合金Ti-6Al-4V（Ti-64）的各種3D列印參數。從預先設計的竣工結構中收集并同步每個相應工藝條件的機載聲學、熱學和高速成像資料，以成功重建精确的熔池幾何形狀。該團隊甚至在短短幾毫秒的時間内跟蹤了熔池的振蕩行為。據說該方法還表現出了有效檢測兩條相鄰雷射掃描線之間的局部缺陷的良好能力。
根據卡内基梅隆大學 NextManufacturing 中心聯席主任 Jack Beuth，這種方法允許使用低成本傳感器來監控熔池，這些傳感器可以安裝在任何雷射粉末床增材制造機器中。根據聲學和光電二極管傳感器資料生成高速熔池的人工視訊對于增材制造領域來說是獨一無二的。”機械工程教授兼 說道。
此外，據說該團隊的研究還為更好地了解多模态原位過程信号之間的實體相關性邁出了關鍵的一步。
打開更寬的研究空間
這項研究的意義在于，提供了一種成本效益高、易于實施的監測方法，能夠實時捕獲和分析增材制造過程中的關鍵資訊，進而提高産品品質和生産效率。同時，也為未來的研究提供了新的方向，尤其是在多模态過程信号的實體相關性方面。
© 3D科學谷白皮書
根據研究團隊的劉博士，通過利用多模态過程信号的基礎實體原理和資料驅動人工智能的優勢，卡耐基梅隴開發的人工智能算法使工程師能夠使用非常實惠且易于使用的傳感器重建關鍵熔池特性。
根據劉博士，通過對聲波和熱輻射進行更深入的研究，研究團隊希望更好地了解它們與熔池變化、小孔振蕩和其他空間相關過程特征的關系，有一天，可能會為同步加速器 X 射線機等其他過程表征裝置為整個增材制造過程建構先進的替代模型和功能齊全的數字孿生！
展望未來，該團隊計劃探索更多由 Ti-64 以外的材料的聲學和熱發射資料驅動的實時監控應用程式，以及跨不同平台和增材制造技術的應用程式。
知之既深，行之則遠。基于全球範圍内精湛的制造業專家智囊網絡，3D科學谷為業界提供全球視角的增材與智能制造深度觀察。有關增材制造領域的更多分析，請關注3D科學谷釋出的白皮書系列。
網站投稿 l 發送至[email protected]