Des chercheurs du laboratoire countrywide d’Oak Ridge du ministère de l’Énergie ont amélioré la détection des défauts afin d’accroître la confiance dans les pièces métalliques imprimées en 3D à l’aide de la fusion laser sur lit de poudre. Ce style de fabrication additive offre aux industries de l’énergie, de l’aérospatiale, du nucléaire et de la défense la possibilité de créer des pièces hautement spécialisées aux formes complexes à partir d’une significant gamme de matériaux. Cependant, cette technologie n’est pas furthermore largement utilisée vehicle il est difficile de vérifier le produit de manière approfondie et précise les méthodes d’inspection conventionnelles peuvent ne pas détecter de défauts profondément ancrés dans les couches d’une pièce imprimée.
Les chercheurs de l’ORNL ont développé une méthode qui blend l’inspection de la pièce imprimée après sa construction avec les informations collectées par les capteurs pendant le processus d’impression. Les données combinées enseignent ensuite à un algorithme d’apprentissage automatique pour identifier les défauts du produit. As well as important encore, ce cadre permet aux opérateurs de connaître la probabilité d’une détection précise des défauts de manière aussi fiable que les méthodes d’évaluation traditionnelles qui nécessitent in addition de temps et de travail.
« Nous pouvons détecter des défauts d’environ un demi-millimètre, soit approximativement 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 achievable pour la détection de défauts in situ (en cours de processus). » Par extension, cela reflète la confiance dans la sécurité et la fiabilité du produit.
La fusion laser sur lit de poudre, le processus d’impression 3D métallique le additionally courant, utilise un laser à haute énergie pour faire fondre sélectivement la poudre métallique étalée sur une plaque de construction. Ensuite, la plaque de construction s’abaisse 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 aura des défauts dans le matériau.
« Pour la fabrication régulière, nous savons de quoi il s’agit, où et remark les trouver », a déclaré Zackary Snow, chercheur à l’ORNL. « (Les opérateurs) connaissent la probabilité qu’ils puissent détecter des défauts d’une certaine taille, ils savent donc à quelle fréquence inspecter pour obtenir un échantillon représentatif. »
L’impression 3D n’a pas bénéficié de la même confiance.
« Le fait de ne pas avoir de numéro rend difficile la qualification et la certification des pièces », a déclaré Snow. « C’est l’un des furthermore grands hurdles à la fabrication additive. »
Un write-up des chercheurs de l’ORNL et de son partenaire RTX, récemment publié dans Additive Producing, explique le processus qu’ils ont développé pour arriver à un taux de détection de 90 % tout en réduisant la probabilité de faux positifs, qui peuvent conduire à la mise au rebut de bons produits.
Pour la première étape de la recherche, la société aérospatiale et de défense RTX a conçu une pièce similaire à celle qu’elle produit déjà, offrant la possibilité de voir des défauts d’apparence réaliste. Ensuite, RTX a imprimé la pièce en 3D plusieurs fois en la surveillant pendant la construction avec une caméra proche infrarouge standard et une caméra à lumière seen supplémentaire. Les chercheurs de RTX et d’ORNL ont ensuite effectué des inspections de qualité à l’aide de tomodensitométrie à rayons X, communément appelées tomodensitométries.
Avec les conseils de RTX, les authorities en fabrication additive d’ORNL ont aligné les données dans une pile d’images en couches, qui est essentiellement devenue le manuel de l’algorithme d’apprentissage automatique. Au cours de la development, l’algorithme a effectué une première tentative d’étiquetage des défauts à l’aide des photographs tomodensitométriques. Ensuite, un opérateur humain a annoté le reste sur la foundation d’indices visuels contenus dans les données collectées au cours du processus d’impression. La rétroaction humaine continue 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 la fabrication.
« Cela permet une confiance au niveau CT sans CT », a déclaré Snow. L’imagerie et l’analyse CT, méthode courante de vérification de certaines pièces imprimées en 3D, font grimper les coûts auto elles nécessitent additionally de temps et d’expertise. De as well as, le CT ne peut pas pénétrer efficacement les métaux denses, ce qui limite son application.
Lorsque l’algorithme est appliqué à une conception exclusive 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 constructions, de sorte qu’il sera éventuellement able de vérifier avec précision des produits dont la conception est inconnue.
Le cadre d’inspection développé par l’ORNL pourrait contribuer à étendre les programs de fabrication additive. Avec un contrôle qualité statistiquement vérifié, la fabrication additive pourrait devenir practical pour la manufacturing de masse de produits comme les pièces cars, a déclaré Snow.
Cela pourrait également diversifier les styles de pièces pouvant être imprimées en 3D. La certitude quant à la moreover petite taille de défaut détectable permet une in addition grande liberté de conception. Ceci est vital motor vehicle l’industrie se dirige déjà vers des volumes d’impression furthermore importants et des cadences d’impression moreover rapides, ce qui signifie davantage de lasers interagissant pour créer des pièces moreover grandes avec différents sorts de défauts, a déclaré Brian Fisher, ingénieur principal senior pour la fabrication additive au Raytheon Systems Investigation Heart de RTX.
« Vous pouvez vraiment commencer à économiser du temps et de l’argent et à faire une analyse de rentabilisation en imprimant des assemblages additionally grands – sauf que ceux-ci sont également les moreover difficiles à inspecter aujourd’hui », a déclaré Fisher. « La vision est qu’avec l’additif, nous pouvons fabriquer de grandes pièces très complexes dans des matériaux très denses, ce qui serait traditionnellement très difficile et coûteux à inspecter minutieusement. »
Ensuite, l’équipe ORNL entraînera l’algorithme d’apprentissage en profondeur pour mieux différencier les styles d’irrégularités et catégoriser les défauts ayant des causes multiples.
