当金属3D打印机被普遍指出是一种可信的工业生产方法时，这一天正在慢慢地到来，但在确实到来之前我们还必须解决问题一些问题。大量的研究工作探究了金属3D打印机缺失的根本原因，这有可能造成最后3D打印机部件中的溅和微裂纹等缺失-当您处置航空部件等高风险应用于时，这是不能拒绝接受的。但卡内基梅隆大学工程学院（CMU）的两位研究人员早已想到了如何将3D打印机和机器学习融合一起展开动态过程监控，这种作法可以检测出有零件在3D打印机过程中的异常情况。
CMU机械工程系（MechE）校友LukeScime与NextManufacturingCenter主管JackBeuth合作创立了一种机器学习算法，该算法对激光粉末床融合技术展开过程监控，该技术很更容易因粉末层散播失衡而错误。其他研究人员正在用于诸如声学技术、光谱学和温度监测等方法来理解建构的结构内部再次发生了什么。
但是，虽然市场上有一些受限的监测类型，但它们一般来说不具备自动分析的能力，不能获取机器操作员必需理解的数据。但是Scime和Beuth的工作有有所不同的方向：计算机视觉算法。Scime说道：“制作一个看上去不俗的部件并将其放到飞机上的仅次于障碍之一是保证你生产的部件没缺失。
计算机视觉是用于数据分析技术来解读图像中再次发生的事情的术语。”Scime的创意算法摄制粉末床的图像并萃取特征，然后将这些特征展开分组并在有所不同层次的分析中展开较为，直到创立图像的指纹。该机早已学会了如何辨识有所不同的缺失，因为研究人员获取了数百个实标记的训练图像。
现在，它可以较为它接管到的新图像的指纹和它未知的指纹以隔绝各种出现异常。据报，Scime和Beuth在“添加剂生产”杂志上公开发表了一篇论文，标题为“Anomalydetectionandclassificationinalaserpowderbedadditivemanufacturingprocessusingatrainedcomputervisionalgorithm”，他们展示了算法如何需要检测粉末中的毫米级瑕疵。该算法可以确认缺失是什么以及它再次发生在哪里，这可以协助提升过程稳定性（打印机能力）。
论文概要写到：“这项工作明确提出了一种原位监测和分析粉末床图像的方法，有可能沦为LPBF机器中动态控制系统的一个组成部分。明确而言，用于计算机视觉算法来自动检测和分类在该过程的粉末蔓延阶段再次发生的出现异常。
用于无监督机器学习算法实行出现异常检测和分类，在必要大小的图像块的训练数据库上展开操作者。通过几个案例研究展开展示，对最后算法的性能展开评估，并将其作为独立国家软件包的简单性。”这项工作是使金属3D打印机沦为工业生产可信、安全性的方法。
Scime说道：“圣杯是在动态环境中部署这个环境，你将自动分析数据，做到一些事情，然后继续前进。确实的问题是，我们否可以检测到它，理解这是一个问题，然后设计我们所称的处置参数，以便做到一些不同于我们为了增加翘曲量而做到的事情？”Scime说明说道，“自动缺失最后有可能以几种有所不同的方式工作，其中最基本的是一旦发现异常情况，3D打印机向操作员发送到警报，以便早日解决问题。然后，您将之后教授3D打印机，以辨识关键缺失并自动继续执行非常简单修缮。”然而，自动化自我修正的最低成就是抗击超高。
导致大部分损毁的这种异常情况再次发生在部分建构开始变形或卷曲出有粉末时。虽然在超过这种自动化水平之前有可能还有一段时间，但CMU机器学习算法早已需要精确地辨识出有一些异常情况，并打算在现实世界中应用于。但是，Scime期望研究如何将可选传感器数据加到到其分析中，并提升其准确性。
本文来源：安博·体育-www.yzw24.com
扫一扫咨询微信客服