Forskere udforsker maskinlæring for at forhindre defekter i metal 3-D-printede dele i realtid

Årevis, Lawrence Livermore National Laboratory ingeniører og videnskabsmænd har brugt en række sensorer og billedbehandlingsteknikker til at analysere fysikken og processerne bag metal 3-D print i en løbende indsats for at bygge højere kvalitet metaldele første gang, hver gang. Nu, forskere udforsker maskinlæring for at behandle data opnået under 3-D builds i realtid, registrerer inden for millisekunder, om en build vil være af tilfredsstillende kvalitet.

I et papir offentliggjort online 5. september af Avancerede materialeteknologier , et team af laboratorieforskere rapporterer om udvikling af konvolutionelle neurale netværk (CNN'er), en populær type algoritme, der primært bruges til at behandle billeder og videoer, at forudsige, om en del vil være god ved at se på så lidt som 10 millisekunders video.

"Dette er en revolutionerende måde at se på de data, som du kan mærke video for video, eller endnu bedre, ramme for ramme, " sagde hovedforsker og LLNL-forsker Brian Giera. "Fordelen er, at du kan indsamle video, mens du udskriver noget og i sidste ende drage konklusioner, mens du udskriver det. Mange mennesker kan indsamle disse data, men de ved ikke, hvad de skal gøre med det i farten, og dette arbejde er et skridt i den retning."

Tit, Giera forklarede, sensoranalyse udført efter bygning er dyrt, og delens kvalitet kan først bestemmes længe efter. Med dele, der tager dage til uger at udskrive, CNN'er kan vise sig at være værdifulde for at forstå printprocessen, lære kvaliteten af ​​delen hurtigere og rette eller justere bygningen i realtid, hvis det er nødvendigt.

LLNL-forskere udviklede de neurale netværk ved at bruge omkring 2, 000 videoklip af smeltede laserspor under forskellige forhold, såsom hastighed eller kraft. De scannede delens overflader med et værktøj, der genererede 3-D højdekort, bruge denne information til at træne algoritmerne til at analysere sektioner af videoframes (hvert område kaldet en foldning). Processen ville være for svær og tidskrævende for et menneske at gøre manuelt, Giera forklarede.

University of California, Berkeley-studerende og LLNL-forsker Bodi Yuan, avisens hovedforfatter, udviklede algoritmerne, der automatisk kunne mærke højdekortene for hver bygning og brugte den samme model til at forudsige bredden af ​​byggesporet, om sporet var brudt og standardafvigelsen for bredden. Ved at bruge algoritmerne, forskere var i stand til at tage video af igangværende builds og afgøre, om delen udviste acceptabel kvalitet. Forskere rapporterede, at de neurale netværk var i stand til at opdage, om en del ville være kontinuerlig med 93 procent nøjagtighed, lave andre stærke forudsigelser om delbredde.

"Fordi foldede neurale netværk viser stor ydeevne på billed- og videogenkendelsesrelaterede opgaver, vi valgte at bruge dem til at løse vores problem, " sagde Yuan. "Nøglen til vores succes er, at CNN'er kan lære masser af nyttige funktioner i videoer under træningen af ​​sig selv. Vi behøver kun at fodre en enorm mængde data for at træne den og sikre, at den lærer godt."

Paper-medforfatter og LLNL-forsker Ibo Matthews leder en gruppe, der har brugt årevis på at indsamle forskellige former for realtidsdata om laserpulver-bed-fusionsmetal 3-D-printprocessen, inklusive video, optisk tomografi og akustiske sensorer. Mens han arbejdede med Matthews' gruppe for at analysere byggespor, Giera konkluderede, at det ikke ville være muligt at udføre al dataanalyse manuelt og ønskede at se, om neurale netværk kunne forenkle arbejdet.

"Vi samlede alligevel video, så vi forbinder bare prikkerne, " sagde Giera. "Ligesom den menneskelige hjerne bruger syn og andre sanser til at navigere i verden, maskinlæringsalgoritmer kan bruge alle disse sensordata til at navigere i 3D-printprocessen."

De neurale netværk beskrevet i papiret kunne teoretisk bruges i andre 3-D printsystemer, sagde Giera. Andre forskere burde kunne følge samme formel, skabe dele under forskellige forhold, indsamling af video og scanning af dem med et højdekort for at generere et mærket videosæt, der kunne bruges med standard maskinlæringsteknikker.

Giera sagde, at der stadig skal arbejdes for at opdage hulrum i dele, der ikke kan forudsiges med højdekortscanninger, men som kan måles ved hjælp af ex situ røntgenstråler.

Forskere vil også søge at skabe algoritmer til at inkorporere flere sansningsmodaliteter udover billede og video.

"Lige nu, enhver form for detektion betragtes som en kæmpe gevinst. Hvis vi kan ordne det med det samme, det er det største endemål, " sagde Giera. "I betragtning af de mængder data, vi indsamler, som maskinlæringsalgoritmer er designet til at håndtere, Machine learning kommer til at spille en central rolle i at skabe dele lige første gang."