Q3, 2022 - Additive Manufacturing Review: Additive Manufacturing: Voivatko Additive Manufacturing -tulostimet aistia, ajatella ja oppia?

AMEXCI:n edellisessä neljännesvuosikatsauksessa toisen vuosineljänneksen osalta keskityttiin metallien AM-teknologioihin, esiteltiin aiempaa ja viimeaikaista kehitystä ja asetettiin samalla uusia innovaatioita oikeisiin mittasuhteisiin. Jatkamme neljännesvuosikatsauksiamme valottamalla additiivisen valmistuksen tulostimia ja tutkimalla, ovatko ne alkaneet kehittää kykyjä aistia, ajatella ja oppia.

Akshatha Dyananda, innovaatiopäällikkö, AMEXCI.

Prosessin vakautta, laadunvarmistusta ja toistettavuutta koskevat vaatimukset kasvavat sitä mukaa, kun additiivisen valmistuksen teollinen käyttö kehittyy. Uusia ratkaisuja esimerkiksi tekoälyn avulla kehitetään kovaa vauhtia. Tämä on vaikuttanut siihen, että 3D-tulostimet ovat entistä älykkäämpiä ja niillä on jokseenkin ihmisen kaltaisia kykyjä.

Voivatko AM-kirjoittimet aistia?

Ensimmäiset kysymykset, jotka tässä artikkelissa nostetaan, ovat, voivatko AM-tulostimet aistia. Vastaus tähän on: kyllä, ne voivat!
Antureiden käyttö on yleistä 3D-tulostuksessa. Useimmat niistä perustuvat kuvantamistekniikoihin, ja laitteistot ovat tyypillisesti optisia kameroita, infrapunakameroita (IR) ja röntgenkuvantamisjärjestelmiä. Näiden antureiden avulla voidaan havaita höyrypilvi, pulveriroiskeiden sinkoutuminen, sulatusaltaan ominaisuudet jne. Tuoreessa katsausartikkelissa In-situ monitoring of sub-surface and internal defects in additive manufacturing mainitaan joitakin akustisia menetelmiä, joita käytetään vikojen havaitsemiseen. Kaikki nämä menetelmät kuuluvat in situ -valvontaan, jossa valvonta tapahtuu rakentamisen aikana. Asiakirjassa mainitaan toinen NDT-menetelmä (Non-destructive Testing, rikkomattomat testit) nimeltä XCT. Tätä menetelmää käytetään kuitenkin enemmän ex situ -valvonnassa. Mainitsemisen arvoista on se, että XCT:n ja in situ -menetelmien tulosten välillä on hyvä vastaavuus.

Kansainvälisen DREAM-hankkeen (Data dRiven process control in mEtal Additive Manufacturing) kautta saksalaiset Fraunhofer ILT ja BCT GmbH sekä ruotsalaiset AMEXCI ja Interspectral ovat yhdistäneet voimansa parantaakseen lasersäteellä tapahtuvan jauhepetisulatuksen (Laser Beam Powder Bed Fusion, LPBF) prosessi- ja laadunvalvontaa. Additiivinen valmistus. Hankkeessa ei ainoastaan tunnisteta automaattisesti vikoja additiivisessa valmistuksessa, vaan siinä myös synkronoidaan useista anturilähteistä saatuja tietoja, yhdistetään ne valmistettuja osia koskeviin tietoihin ja valmistellaan ne jatkoanalyysejä varten. AMEXCI soveltaa aiemmin kehittämäänsä merkintä- ja analyysialustaa esikäsiteltyihin tietoihin ja tunnistaa mahdolliset viat, joita voi esiintyä additiivisen valmistusprosessin aikana.

Näiden tietojen käyttäminen rakentamisen reaaliaikaiseen mukauttamiseen on seuraava looginen askel. ORNL aikoo esimerkiksi kehittää ja testata omia tarkastustekniikoitaan uusien menetelmien ja lähestymistapojen löytämiseksi additiivisen valmistuksen laadunvarmistukseen käyttämällä EOSTATE MeltPool Monitoring- ja EOSTATE Exposure OT -menetelmiä (optinen tomografia).

Osaavatko AM-tulostimet ajatella?

Kyllä, ne osaavat ajatella! Antureiden avulla kerätyt tiedot kerätään ja niiden perusteella toimitaan reaaliaikaisesti.
EU:n 6,8 miljoonalla eurolla rahoittamassaInShaPe-hankkeessa työskennellään juuri tämän parissa - laserpisteen joustavan mukauttamisen parissa. Parannettu valmistusprosessi perustuu tehokkaaseen optiseen moduuliin, jossa on ohjelmoitava intensiteettijakauma ja tekoälytekniikat, joilla määritetään optimaalinen säteen muoto kohdekohteelle esimerkiksi materiaalityypin ja geometrian perusteella. InShaPe pyrkii myös kehittämään innovatiivisen prosessin seuranta- ja ohjausjärjestelmän laatuanalyysiä varten, joka integroi multispektrikuvantamisen eli eri aallonpituuksilla olevan valon samanaikaisen havainnoinnin additiivisen valmistuksen alalla.

AddUpin FormUp 350 3D-tulostimen mukana tulee ohjelmistopaketti: AddUp Dashboard, Recoat Monitoring ja Meltpool Monitoring - jotka ovat sitoutuneet tarjoamaan täysin suljetun prosessin. 

Vaikka 3D-tulostuskoneiden valmistajat ovat aina johtaneet rakentamisen valvontaa, saatavilla on myös koneista riippumattomia, kohtuuhintaisia ja avoimen arkkitehtuurin ratkaisuja. Open Additive, LLC, Beavercreek, Ohio, Yhdysvallat, ja Addiguru, LLC, Metairie, Louisiana, ovat hiljattain ilmoittaneet sopimuksesta, jonka mukaan Addigurun Recoater, Laser Beam Powder Bed Fusion (PBF-LB) -analyysiohjelmisto, on liitännäinen Open Additive AMSENSE® -monisensorisen tiedonkeruu- ja analyysialustan lisäosa. Addigurun ohjelmisto käyttää tietokonenäköä, tekoälyä (AI) ja koneoppimisen (ML) menetelmiä kriittisten prosessivirheiden tunnistamiseen ja reaaliaikaisten hälytysten lähettämiseen.

Voivatko AM-tulostimet oppia?

Kyllä, he oppivat! Tämä tarkoittaa, että tulostimet voivat säätää rakennusprosessia ilman manuaalista puuttumista ja tehdä monimutkaisia päätöksiä koneoppimisen avulla.
on tapaus Massachussets Institute of Technology (MIT), Cambridge, USA, joka on julkaissut artikkelin "Closed-Loop Control of Direct Ink Writing via Reinforcement Learning", jossa käsitellään koneoppimisen (ML) käyttöä additiivisen valmistusprosessin valvomiseksi ja säätämiseksi reaaliaikaisesti. Koneoppimisen käyttöönottoa varten tutkijat kehittivät järjestelmän, jossa käytetään kahta kameraa, jotka on suunnattu Additive Manufacturing -laitteen suuttimeen. Järjestelmä valaisee materiaalia sen laskeutuessa ja voi laskea paksuuden näkyvän valon määrän perusteella. Tämän jälkeen ohjain käsittelee näitä kuvia ja säätää sen jälkeen syöttönopeutta ja suuttimen suuntaa mahdollisten virheiden torjumiseksi.

Toinen esimerkki koneoppimisen soveltamisesta on Sigma Additive Solutions. Sigma Additive Solutions on erikoistunut reaaliaikaisten seuranta- ja analyysiratkaisujen kehittämiseen ja kaupallistamiseen 3D-metalli- ja polymeeritekniikoiden kehittyneille valmistustekniikoille. TRUMPFin, Essentiumin ja Desktop Metalin kaltaiset toimittajat tekevät myös yhteistyötä koko teollisuudenalan tarvitsemien standardien kehittämiseksi, jotta ne voisivat vaikuttaa myönteisesti teknologian kehityssuuntiin. Sigma Labs on osoittanut, että koneoppimisella voidaan ennustaa tarkasti, missä 3D-tulostetuissa osissa esiintyy todennäköisesti poikkeamia. Sigma havaitsi useiden kokeiden avulla, että koneoppiminen ennusti 3D-lisäaineella tulostettujen osien poikkeavuudet paremmin kuin mikään muu yksittäinen mittari. He havaitsivat, että mallit voitiin hyvin kouluttaa tunnistamaan omat poikkeamatyypit: sulanapidon puute, kaasuhuokoisuus, avaimenreikä ja volframisulkeumat.

Yhteenvetona voidaan todeta, että edellä mainituilla hankkeilla ja ponnisteluilla pyritään varmistamaan prosessin vakaus, laatu ja toistettavuus, määrittelemään optimaaliset rakentamisparametrit, nopeuttamaan uusien materiaalien käyttöönottoa ja helpottamaan monimutkaisen geometrian tulostamista. Näitä tekniikoita sovelletaan laajimmin metallien laserpulveripeti-fuusioon, ja ne ovat hyödyllisiä tutkimus-, kehitys- ja tuotantotilanteissa.

Lisätietoja antaa AMEXCI:n innovaatiopäällikkö Akshatha Dyananda:
akshatha.dyananda@amexci.com.