Ingenjörer har skapat intelligenta 3D-skrivare som snabbt kan upptäcka och korrigera fel, även i tidigare osynliga konstruktioner, eller okända material som ketchup och majonnäs, genom att lära sig av andra maskiners erfarenheter.

Ingenjörerna, från University of Cambridge, utvecklade en maskininlärningsalgoritm som kan upptäcka och korrigera en mängd olika fel i realtid, och som enkelt kan läggas till nya eller befintliga maskiner för att förbättra deras kapacitet. 3D-skrivare som använder algoritmen kan också lära sig att skriva ut nytt material på egen hand. Detaljer om deras lågkostnadsstrategi rapporteras i tidskriften Nature Communications .

3D-utskrift har potentialen att revolutionera produktionen av komplexa och skräddarsydda delar, såsom flygplanskomponenter, personliga medicinska implantat eller till och med intrikata sötsaker, och kan också förändra tillverkningskedjor. Men det är också sårbart för produktionsfel, från småskaliga felaktigheter och mekaniska svagheter till totala konstruktionsfel.

För närvarande är sättet att förhindra eller korrigera dessa fel genom att en kunnig arbetare observerar processen. Arbetaren måste känna igen ett fel (en utmaning även för det tränade ögat), stoppa utskriften, ta bort delen och justera inställningarna för en ny del. Om ett nytt material eller skrivare används tar processen längre tid eftersom arbetaren lär sig den nya inställningen. Även då kan fel missas eftersom arbetare inte kontinuerligt kan observera flera skrivare samtidigt, särskilt för långa utskrifter.

"3D-utskrift är utmanande eftersom det finns mycket som kan gå fel, och så ofta misslyckas 3D-utskrifter", säger Dr. Sebastian Pattinson från Cambridges Department of Engineering, tidningens senior författare. "När det händer går allt material och tid och energi som du använde förlorat."

Ingenjörer har utvecklat automatiserad övervakning av 3D-utskrift, men befintliga system kan bara upptäcka ett begränsat antal fel i en del, ett material och ett utskriftssystem.

"Vad som verkligen behövs är ett "förarlöst bil"-system för 3D-utskrift, säger första författaren Douglas Brion, även han från Institutionen för teknik. "En förarlös bil skulle vara värdelös om den bara fungerade på en väg eller i en stad – den måste lära sig att generalisera över olika miljöer, städer och till och med länder. På samma sätt måste en 'förarlös' skrivare fungera för flera delar, material, och utskriftsvillkor."

Brion och Pattinson säger att algoritmen de har utvecklat kan vara de "förarlösa bilar" ingenjörer har letat efter.

"Vad detta betyder är att du kan ha en algoritm som kan titta på alla de olika skrivarna som du använder, ständigt övervaka och göra ändringar efter behov - i princip göra vad en människa inte kan göra," sa Pattinson.

Forskarna tränade en datorseendemodell för djupinlärning genom att visa den cirka 950 000 bilder som tagits automatiskt under produktionen av 192 tryckta objekt. Var och en av bilderna märktes med skrivarens inställningar, såsom hastigheten och temperaturen på tryckmunstycket och tryckmaterialets flödeshastighet. Modellen fick också information om hur långt dessa inställningar var från bra värden, vilket gjorde att algoritmen kunde lära sig hur fel uppstår.

"När den har tränats kan algoritmen ta reda på bara genom att titta på en bild vilken inställning som är korrekt och vilken som är fel - är en viss inställning för hög eller för låg, till exempel, och sedan tillämpa lämplig korrigering", säger Pattinson. "Och det coola är att skrivare som använder detta tillvägagångssätt kan kontinuerligt samla in data, så algoritmen kan också förbättras kontinuerligt."

Genom att använda detta tillvägagångssätt kunde Brion och Pattinson skapa en algoritm som är generaliserbar – med andra ord kan den användas för att identifiera och korrigera fel i okända föremål eller material, eller till och med i nya utskriftssystem.

"När du skriver ut med ett munstycke kan du få liknande fel, oavsett vilket material du använder - polymerer, betong, ketchup eller vad som helst", säger Brion. "Till exempel, om munstycket rör sig för snabbt, hamnar du ofta med materialklumpar, eller om du trycker ut för mycket material, då kommer de utskrivna linjerna att överlappa och bilda veck.

"Fel som uppstår från liknande inställningar kommer att ha liknande egenskaper, oavsett vilken del som skrivs ut eller vilket material som används. Eftersom vår algoritm lärde sig allmänna egenskaper som delas mellan olika material, kan den säga" Åh, de utskrivna linjerna bildar veck, därför pressar vi sannolikt ut för mycket material'."

As a result, the algorithm that was trained using only one kind of material and printing system was able to detect and correct errors in different materials, from engineering polymers to even ketchup and mayonnaise, on a different kind of printing system.

In the future, the trained algorithm could be more efficient and reliable than a human operator at spotting errors. This could be important for quality control in applications where component failure could have serious consequences.

With the support of Cambridge Enterprise, the University's commercialization arm, Brion has formed Matta, a spin-out company that will develop the technology for commercial applications.

"We're turning our attention to how this might work in high-value industries such as the aerospace, energy, and automotive sectors, where 3D printing technologies are used to manufacture high performance and expensive parts," said Brion. "It might take days or weeks to complete a single component at a cost of thousands of pounds. An error that occurs at the start might not be detected until the part is completed and inspected. Our approach would spot the error in real time, significantly improving manufacturing productivity." + Utforska vidare

Machine-learning model monitors and adjusts 3D printing process to correct errors in real-time