Tidigare tillämpningar av metalltillsatstillverkning, annars känd som 3D-utskrift, har i första hand varit begränsade till prototypframställning. Nyligen, fältet har börjat genomgå en stor övergång, när forskare går närmare utvecklingen av metall-3D-tryck som en pålitlig form för industriell tillverkning. Dock, det finns fortfarande stora hinder att ta itu med innan fältet kan ta språnget fullt ut, speciellt i högriskapplikationer som flygkomponenter.

"En av de största hindren mellan att bara göra en del som ser bra ut och att faktiskt sätta den på ett flygplan är att se till att delen du producerar inte har brister, " säger alumnen i maskinteknik (MechE) Luke Scime.

Scime arbetade med MechE:s Jack Beuth, chef för NextMan Manufacturing Center, att utveckla en maskininlärningsalgoritm som upptäcker anomalier inom en del när den skrivs ut – en praxis som kallas processövervakning. Den specifika typ av utskrift de arbetade med, laserpulverbäddfusion, innebär att man sprider ett tunt lager av pulver (bara 30 till 60 mikron i diameter) och smälter det i utvalda områden för att bilda ett lager av det tryckta föremålet. Processen upprepas sedan för nästa lager, med varje byggnad som innehåller hundratals eller tusentals lager. Många av de fel som kan uppstå under ett bygge beror på felaktig spridning av pulverskiktet.

Kapplöpet om att utveckla en praktisk och heltäckande form av processövervakning pågår. Olika forskare försöker använda temperaturövervakning, akustiska tekniker, spektroskopi, och andra metoder för att få bästa möjliga förståelse för vad som händer under ett bygge på strukturell nivå. Begränsade typer av övervakning har redan till viss del införts kommersiellt; dock, de flesta av dessa rudimentära former erbjuder endast en läsning som ska tolkas av maskinoperatören, utan kapacitet för automatiserad analys. Scimes arbete tar processövervakningen till en ny höjd, möjliggör automatiserad analys i realtid genom en datorseendealgoritm.

"Datorsyn är en term för att använda dataanalystekniker för att förstå vad som händer i en bild, "förklarar Scime.

Hans algoritm tar bilder av puderbädden och extraherar funktioner från bilderna. Den grupperar dem sedan och jämför dessa bilder över olika analysnivåer, tills det kan skapa ett unikt "fingeravtryck" av bilden. Genom att mata algoritmen hundratals träningsbilder, redan märkt manuellt med vad som händer i bilden, maskinen lär sig känna igen de olika bristerna och hur de uppträder. Därifrån, Algoritmen kan ta alla nya bilder som den tar emot från maskinens inbyggda kamera, och jämföra dess fingeravtryck med de från dess kunskapsbas för att framgångsrikt isolera anomalier.

I deras senaste publicerade tidning, Scime och Beuth visade att algoritmen effektivt kan upptäcka brister i pulverspridning i millimeterstor skala. Dessa brister har stor effekt på processstabiliteten, det vill säga möjligheten att skriva ut. Algoritmen kan upptäcka dessa fel när de utvecklas, och kan avgöra vad felet är, och var det sker.

"Den heliga graalen är att distribuera detta i en realtidsmiljö där du automatiskt analyserar data, göra något åt ​​det, och sedan gå vidare, säger Scime.

Enligt Scime, utvecklingen mot självkorrigerande automatisering kan se ut på ett par olika sätt. I den mest grundläggande änden av spektrumet, maskinen kan skicka en varning till en operatör när den har upptäckt en anomali, så att de kan lösa problemet innan de fortsätter bygget. Nästa nivå av sofistikering skulle vara att automatisera enkla korrigeringar, tillåta en maskin att känna igen ett kritiskt fel och reagera därefter. Det kunde, till exempel, sluta skriva ut en viss del samtidigt som andra kan fortsätta, eller rengör bladet som sprider pulverbädden, med varje svar skräddarsytt för att korrigera den specifika typen av anomali som identifierats.

Höjdpunkten av automatiserad självkorrigering skulle vara att bekämpa en anomali som kallas superelevation. Superelevation är när en del av byggnaden börjar böja sig eller krulla sig uppåt ur puderlagret, och är ansvarig för majoriteten av delskadorna. Att utveckla ett automatiserat sätt att rätta till denna typ av brister kommer att testa gränserna för vad forskare som Scime kan.

säger Scime, "Vad det egentligen handlar om är, kan vi upptäcka det, förstå att det är ett problem, och sedan utforma det vi kallar bearbetningsparametrar för att göra något annorlunda än vi gjorde för att minska mängden varp? "

Det kan ta ett tag innan vi når denna nivå av automatisering; det finns fortfarande flera hinder kvar att ta sig an. Mycket framtida arbete, till exempel tillgång till proprietär utrustning och integrering av programvara, kommer att förlita sig på forskares förmåga att samordna med tillverkare. Det finns också mycket kvar att förstå om effekterna av att ändra bearbetningsparametrar inbyggd.

Några av Scimes framtida intressen ligger i att förbättra noggrannheten i maskininlärningsalgoritmen och att undersöka hur mer sensordata kan införlivas i dess analys. Dock, den nuvarande algoritmen har visat sig vara effektiv för att exakt identifiera en rad avvikelser och är redo att användas. Scime kommer att fortsätta sin postdoktorala utbildning vid Oak Ridge National Laboratory, men hoppas kunna fortsätta att samarbeta med ingenjörshögskolan och Beuth i framtiden.

Även om vi kanske inte trycker 3D-747 någon gång för tidigt, Scime and Beuths arbete är ett stort steg mot att göra metalltillverkning till en helt säker och pålitlig metod för industriell tillverkning.