Une nouvelle méthode d’inspection augmente l. a. confiance dans l’affect three-D pour l. a. fusion laser de poudres

Des chercheurs du laboratoire nationwide d’Oak Ridge du ministère de l’Énergie ont amélioré l. a. détection des défauts pour accroître l. a. confiance dans les pièces métalliques imprimées en three-D grâce à l. a. fusion laser de couches de poudre.

Ce sort de fabrication additive offre aux industries de l’énergie, de l’aérospatiale, du nucléaire et de l. a. défense l. a. possibilité de créer des pièces hautement spécialisées aux formes complexes à partir d’une massive gamme de matériaux. Cependant, cette technologie n’est pas largement utilisée automobile il est difficile d’inspecter le produit avec exactitude et précision ; Les méthodes d’inspection traditionnelles peuvent ne pas détecter de défauts incrustés dans les couches de l. a. pièce imprimée.

Les chercheurs de l’ORNL ont développé une méthode qui mix l’inspection de l. a. pièce imprimée après sa building avec les informations collectées par les capteurs pendant le processus d’affect. Les données collectées enseignent ensuite à un algorithme d’apprentissage automatique pour identifier les défauts du produit. Plus essential encore, ce cadre permet aux opérateurs de connaître l. a. probabilité d’une détection précise des défauts avec l. a. même fiabilité que les méthodes d’évaluation traditionnelles qui nécessitent plus de temps et d’efforts.

“Nous pouvons détecter des défauts d’environ un demi-millimètre, soit environ l’épaisseur d’une carte de visite, dans 90 % des cas”, a déclaré Luke Scime, chercheur à l’ORNL. « Nous sommes les premiers à attribuer une valeur numérique au niveau de confiance conceivable pour l. a. détection des défauts sur web page (en motion). » Cela reflète donc l. a. confiance dans l. a. sécurité et l. a. fiabilité du produit.

Los angeles fusion laser sur lit de poudre, le processus d’affect three-D métallique le plus courant, utilise un laser à haute énergie pour faire fondre sélectivement l. a. poudre métallique répartie sur l. a. plaque de building. Los angeles plaque de building s’abaisse ensuite avant que le système ne s’étende et ne fasse fondre une autre couche, construisant lentement le produit conçu.

Les ingénieurs savent qu’il y air of mystery des imperfections dans le matériau.

“Pour l. a. fabrication régulière, nous savons de quoi il s’agit et où et remark le trouver”, a déclaré Zachary Snow, chercheur à l’ORNL. “(Les opérateurs) connaissent l. a. probabilité de détecter des défauts d’une taille donnée, ils savent donc à quelle fréquence scanner pour obtenir un échantillon représentatif.”

L’affect three-D n’a pas bénéficié de l. a. même confiance.

« Ne pas avoir de numéro rend difficile l. a. qualification et l. a. certification des pièces », a déclaré Snow. “C’est l’un des plus grands stumbling blocks à l. a. fabrication additive.”

Un article de recherche rédigé par des chercheurs de l’ORNL et de leur partenaire RTX a été récemment publié dans Los angeles fabrication additiveexplique le processus qu’ils ont développé pour atteindre un taux de détection de 90 % tout en réduisant le risque de fake positifs, qui peuvent gâcher les bons produits.

Pour l. a. première étape de l. a. recherche, l. a. société aérospatiale et de défense RTX a conçu une pièce similaire à celle qu’elle produit déjà, offrant ainsi l. a. possibilité de constater des défauts d’apparence réaliste. RTX three-D a ensuite imprimé l. a. pièce plusieurs fois au cours du processus de building à l’aide d’une caméra proche infrarouge usual et d’une caméra supplémentaire à lumière visual. Les chercheurs de RTX et d’ORNL ont ensuite effectué des contrôles de qualité à l’aide de l. a. tomodensitométrie aux rayons X, communément appelée tomodensitométrie.

En session avec RTX, les mavens en fabrication additive d’ORNL ont aligné les données dans un ensemble d’photographs en couches, qui sont essentiellement devenues l’algorithme d’apprentissage automatique classique. Au cours de l. a. formation, l’algorithme a réussi à identifier les défauts à l’aide d’photographs tomodensitométriques. Un opérateur humain a ensuite annoté le reste sur l. a. base d’indices visuels contenus dans les données collectées au cours du processus d’affect. Los angeles rétroaction humaine proceed d’entraîner le logiciel, de sorte que l’algorithme reconnaît les défauts avec plus de précision à chaque fois. Les avancées antérieures de l’ORNL en matière de surveillance in situ et de cadres d’apprentissage en profondeur ont été utilisées comme outils dans cette nouvelle approche. Au fil du temps, cela réduira le besoin d’intervention humaine dans l’inspection de l. a. fabrication.

“Cela permet une confiance de niveau CT sans CT”, a déclaré Snow. Los angeles tomodensitométrie et l’analyse, une méthode courante pour inspecter certaines pièces imprimées en three-D, font grimper les coûts automobile elles nécessitent du temps et de l’experience supplémentaires. De plus, les tomodensitogrammes ne peuvent pas pénétrer efficacement les métaux denses, ce qui limite leur utility.

Lorsque l’algorithme est appliqué à une conception distinctive fabriquée de manière cohérente avec le même matériau et le même processus, il peut apprendre à fournir une analyse de qualité cohérente en quelques jours, a déclaré Scime. Dans le même temps, le logiciel intègre tout ce qu’il apprend des différentes conceptions et buildings, de sorte qu’il sera éventuellement en mesure d’examiner en profondeur des produits dont l. a. conception est inconnue.

Le cadre d’inspection développé par ORNL peut aider à étendre les packages de fabrication additive. Avec un contrôle qualité statistiquement vérifié, l. a. fabrication additive pourrait devenir viable pour des produits fabriqués en série comme les pièces cars, a déclaré Snow.

Il permet également de diversifier les varieties de pièces pouvant être imprimées en three-D. Los angeles certitude quant à l. a. plus petite taille de défaut détectable permet une plus grande liberté de conception. Ceci est essential automobile l’industrie s’oriente déjà vers des volumes d’affect plus importants et des cadences d’affect plus rapides, ce qui signifie davantage de lasers interagissant pour créer des pièces plus grandes avec différents varieties de défauts, a déclaré Brian Fisher, ingénieur foremost senior pour l. a. fabrication additive au Raytheon Applied sciences Analysis Middle chez RTX. .

« Vous pouvez vraiment commencer à économiser du temps et de l’argent et à avoir un sens business lorsque vous imprimez des quite a bit plus importants, sauf que ceux-ci sont également les plus difficiles à inspecter aujourd’hui », a déclaré Fisher. “Los angeles imaginative and prescient est celle des additifs, où nous pouvons fabriquer des pièces très grandes et complexes à partir de matériaux très denses, qu’il serait normalement très difficile et coûteux d’inspecter avec précision.”

Ensuite, l’équipe ORNL entraînera l’algorithme d’apprentissage en profondeur pour mieux distinguer les varieties de violations et classer les défauts ayant des reasons multiples.