AM与AI结合改善生产进行实时探测和预测层间缺陷和扭曲

来源： 江苏激光产业技术创新战略联盟

导读：工业4.0和中国制造2025计划均大力鼓励和提倡将智能制造和先进的信息技术相融合。增材制造技术的应用可以称之为先进制造技术和信息技术结合的典范。来自University of California的研究人为我们展示了一种在增材制造过程中采用人工智能技术进行监测和预测打印过程中的分层和扭曲。

工业4.0和《中国制造2025》是当前最先进的智能制造技术。在智能制造中，将现代制造工艺技术同先进的信息技术相融合，从而为真个社会经济的发展带来天翻地覆的变化，如图1所示。工业4.0和《中国制造2025》提供了将无形的数字技术和有形的制造技术的有机结合，而增材制造技术则在工业4.0和《中国制造2025》中的智能工厂中扮演着十分重要的角色。增材制造技术不仅仅是一项新的制造技术，它还将对现有的设计理念、生产方式和商业模式产生冲击， 使得制造和设计被整合成为精益设计“ 模式， 这不但会影响制造业本身，还将改变经济发展的模式和我们的生活方式。而这一变化也 恰恰迎合了这种变化信息技术快速发展和社会数字化转型的趋势．这一点很关键。如图2，3，4，5为增材制造技术已经显示出来的明显的优势。

图1 工业4.0中 中智能制造及其增材制造所扮演的角色

增材制造技术使得人们制造多材料和多功能材料并具有复杂形状的部件成为可能。尽管增材制造技术在近年来取得了飞速的发展，但如何克服常见的制造缺陷仍然是摆在增材制造技术面前的一大障碍。常见的制造缺陷如分层和扭曲等在打印复杂部件时还是极易发生的。严重制约了增材制造技术在更广泛和深入的领域中的应用。因此，基于实时相机图像和深度学习原理的自检测系统开始逐渐进入增材制造中用于分层和扭曲的监测。而且，University of California的研究人员研究了一种新型的包含应变测试的办法，通过测试数据来预测可能发生的扭曲变形。结果显示机器学习模型可以用来探测不同程度的分层。同时应变测试装置成功的反应和探测出在打印作业时实测发生扭曲的程度和倾向。这一扭曲系统可以用来评估制造工艺的自动校正和无人值守时的预警和诊断缺陷。

图2 增材制造技术工艺及其应用

University of California的研究人员研究了一个案例，就是将人工智能技术应用于FDM（ Fused deposition modeling）的分层和扭曲的在线监测和预测。该技术容易操作且成本低。典型的FDM工艺是将CAD模型转换为2D模型进而层层堆积的工艺过程。该工艺在应用中最让人头疼的一个问题就是层间缺陷导致的分层和扭曲，如果一旦发生，此时就需要打印工艺的重新开始，先前打印的材料和制备的废品就只好忍痛浪费了。分层发生在两层结合力比较弱的情况下，扭曲发生在残余热应变在打印时的累积效应。缺陷的形成是由于打印参数的设置、第一层的精准校准以及模型的准确与否等等所造成的。最近，随着人工智能技术的应用和机器学习在材料科学与工程中的应用不断增加，人们开始将机器学习应用于确定和探测打印作业时的不同缺陷，如飞溅、斑点和扭曲以及分层等。另外一个有意思的应用是应用分层机制来将打印区域在空间进行校准以防止扭曲。然而，早期的文献指出并不能实现在线分析和预测。在这里为大家介绍一种基于计算视觉和应变测试的办法进行探测和预测打印制品。这一办法是建立在基于深度学习的基础上利用相机拍照来分类和探测分层的现象。此外，建立的一个基于应变测试的办法来测量和预测扭曲的发生与否。

图3 增材制造技术的优势

Comparison framework among different metal AM technologies used in the aerospace industry
第一种层间缺陷是分层。前面已经提到，分层主要是由于喷嘴高度不适合打印作业时层层之间结合力较弱造成的。因此，在文献中液晶指出，解决分层的最好办法是在打印第一层时即调整喷嘴的偏离程度在合适的范围内，此时将这一操作称之为第一层校准。受这第一层校准主要基于操作人员人眼的经验进行校准所启发，研究人员发展了一个基于深度学习的办法进行模拟人工的校准。这一校准装置通过USB连接的相机安装在打印头上（如图6a所示）。该相机通过后面安装的悬臂部件来加强支撑以减少在打印过程中的震动。而且，相机的塑料外壳也取出以适应狭小的空间和可以调整到适宜的角度。由于第一层的喷嘴偏离大约0.1-0.2mm，因此需要近乎平行的视场来观察和监控喷嘴与当前打印层之间的距离。将偏离程度设成四个类别：高+（High+）、高（High）、好（Good）和低（Low）。由于喷嘴不能调整到低于打印的平面的程度，所以不需要在分类中考虑此种情况。相机所捕捉的图像，如图6b所示分别对应以上四种情况。可以看到在“高”时喷嘴会导致结合力较差，而且，在“高+”时则会使分层现象更加严重。相反，在“低”时则会造成熔丝由于空间有限而受到挤压，从而造成表面凹凸不平。

图4 空客A320机舱铰链支架的优化实例

图5 不同增材制造设备的成本比较

当定义好以上四种情形后，采集以上各种情况下的数据。从而形成第一层用于校准的G代码，从而输送到系统中来打印10层。每层为平行的，并且每个相隔5mm以上以保证每个均有适当的角度来采集高质量的照片。在图像采集时，确保每一类别中至少有高中低三种等级的分类以确保实现全覆盖。在采集所有照片后，进行数据训练。数据训练采用Convolution neural network（CNN）模型来进行训练，并且通过实际的实验来验证其有效性，并且在每一次验证后使得机器学习得到加强。

图6 利用人工智能进行分层检测和预测的装置、假设和实际应用图

而扭曲的监控则是在打印基床上进行应变测试。如图7a，b，c所示。

图7通过应变测试+CNN进行扭曲的检测和预测

经过实际验证，该技术稳定可靠，并有可能在不断完善后再更多的打印领域中进行验证、完善。

参考文献：
1.https://doi.org/10.1016/j.jmsy.2019.08.005，Metal additive manufacturing in the commercial aviation industry: A review，Journal of Manufacturing Systems
Volume 53, October 2019, Pages 124-149
2.UM Dilberoglu, B Gharehpapagh, U Yaman, M Dolen
The Role of Additive Manufacturing in the Era of Industry 4.0
Procedia Manuf., 11 (2017), pp. 545-554