Fortschritte in der Qualitätskontrolle beim 3D-Drucken

3D-Druck hat die Welt im Sturm erobert, besonders in Branchen wie Luft- und Raumfahrt sowie Medizin. Eine der Techniken, die beim 3D-Druck verwendet wird, heisst Directed Energy Deposition, kurz DED. Klingt fancy, aber eigentlich ist es ein Verfahren, bei dem Metallpulver oder Draht geschmolzen und geschichtet werden, um Objekte zu erstellen. Aber hier kommt der Haken: Während diese Technik komplexe und coole Teile erzeugen kann, ist sie auch anfällig für Mängel. Stell dir das vor wie beim Backen eines Kuchens; wenn du deine Zutaten nicht gut vermischst, wird der Kuchen vielleicht nicht richtig hochgehen. In der 3D-Welt können diese Mängel als Risse oder Löcher in den Teilen auftreten, was später grosse Probleme verursachen kann.

#Was ist das Problem?

Wenn du etwas aus Metall herstellst, können innere Mängel wie Poren und Risse die Festigkeit und Zuverlässigkeit des Endprodukts ruinieren. Diese Probleme kommen hauptsächlich von kleinen Gasbläschen, die sich während des Schmelzprozesses im Metall fangen. Es ist wie beim Blasen von Blasen in deinen Kuchenteig; wenn diese Blasen nicht platzen, hast du Löcher in deinem Kuchen (oder in diesem Fall, deinem Metallteil).

Um das zu verhindern, ist es wichtig, den Schmelzprozess in Echtzeit zu überwachen. So können Hersteller Mängel frühzeitig erkennen und beheben. Hier wird’s kompliziert: Traditionelle Methoden zur Auffindung dieser Mängel benötigen eine Menge beschrifteter Daten, was bedeutet, dass jemand alle thermischen Bilder durchsehen und markieren muss, was gut, was schlecht und was einfach verwirrend ist. Das ist sowohl zeitaufwendig als auch ziemlich teuer.

#Eine schlauere Methode zur Fehlersuche

Um dieses Problem zu umgehen, stellt unsere Studie eine coole Methode vor, die auf etwas namens selbstüberwachendem Lernen basiert. Das ist wie das Training für einen Marathon ganz allein. Du brauchst keinen Trainer, der dich anschreit; du nutzt einfach vergangene Erfahrungen, um besser zu werden. Dieser Ansatz verwendet Unmengen an unbeschrifteten Schmelzpool-Daten, um einem Computermodell beizubringen, wie gesunde und ungesunde Schmelzpools aussehen, ohne dass jemand alles beschriften muss.

Das Hauptwerkzeug hier ist etwas, das Vision Transformer-basierten Masked Autoencoder (MAE) heisst. Das ist wie ein sehr schlauer Puzzle-Löser. Anstatt alle Teile zu bekommen, arbeitet es mit ein paar fehlenden Teilen und lernt, die Lücken zu füllen. So findet es die Merkmale der Schmelzpools heraus, ohne die ganze Beschriftungs-Action.

Sobald es all diese Infos hat, können wir dieses fein abgestimmte Modell nutzen, um Klassifikatoren zu trainieren. Diese Klassifikatoren sind es, die tatsächlich erkennen, ob ein Schmelzpool gesund oder defekt ist, indem sie ein viel kleineres beschriftetes Datenset analysieren.

#Der grosse Test

In unserer Studie haben wir zwei Klassifikatoren getestet, um zu sehen, wie gut unsere Methode funktioniert hat. Der erste Klassifikator war der Vision Transformer (ViT) Klassifikator, während der zweite den MAE mit einem kleinen extra Klassifikator oben drauf genutzt hat. Denk daran wie zwei Köche, die versuchen, das beste Gericht mit den gleichen Zutaten zu zaubern.

Die Ergebnisse waren vielversprechend. Unsere Methoden erreichten Genauigkeitsraten zwischen 95,44 % und 99,17 %. Das ist so zuverlässig wie dein Freund, der sagt, er bringt Snacks ins Kino, aber tatsächlich pünktlich liefert!

#Den Schmelzpool-Prozess verstehen

Wie funktioniert der eigentliche Prozess? Stell dir eine schicke Maschine vor, die Metallschichten mit Lasern miteinander verbindet. Die Maschine schmilzt das Metall und erzeugt einen Schmelzpool. Dieser Pool kann durch eine spezielle Kamera betrachtet werden, die thermische Bilder aufnimmt – stell es dir wie eine super hochentwickelte, wärmesensitive Kamera vor, die sehen kann, wie heiss die Dinge sind.

Sobald wir diese Bilder gesammelt haben, können wir Muster erkennen, die uns etwas über den Zustand des Schmelzpools sagen. Die wichtigen Details sind Dinge wie die Grösse, Temperatur und Form der Schmelzpools. Wenn irgendwelche Abnormalitäten auftauchen, können wir schliessen, dass Mängel um die Ecke lauern, die nur darauf warten, Ärger zu machen.

Um die thermischen Bilder zu sammeln, haben wir zwei Proben von Inconel 718, einer Metallart, gedruckt und die Daten zu verschiedenen Zeitpunkten des Druckprozesses erfasst. Wir haben auch einige Röntgenuntersuchungen gemacht, um versteckte Probleme in den Schichten unserer gedruckten Teile zu entdecken.

#Das Experiment

Um unsere Methode zu testen, haben wir ein Experiment mit unserer Druckmaschine und einer thermischen Kamera eingerichtet. Die Kamera hat Bilder des Schmelzpools während des Laser-Druckprozesses aufgenommen. Wir haben die Teile schichtweise gedruckt und bei jedem Mal die Scannrichtung umgekehrt, um sicherzustellen, dass alles gleichmässig ist. Die Kamera hat die thermischen Veränderungen aufgezeichnet und uns Daten geliefert, die wir später nutzen konnten.

Am Ende haben wir über 7.800 thermische Bilder gesammelt. Davon waren 1.447 anhand der Röntgenuntersuchungen beschriftet, die wir durchgeführt haben. Wir hatten eine ganz gute Mischung aus gesunden und defekten Proben.

#Die Lernphase

Sobald wir all unsere Daten hatten, war es Zeit, unserem Modell etwas über die Schmelzpools beizubringen. Wir haben damit angefangen, den vortrainierten MAE mit unserer grossen Anzahl an unbeschrifteten Bildern zu optimieren. Dieser Optimierungsprozess hat etwa 25 Stunden mit leistungsstarken Computern gedauert – also ja, wir haben nicht nur einen Laptop beaufsichtigt!

Nach der Feinabstimmung konnten wir die verbesserten Merkmale des Modells nutzen, um unsere Klassifikatoren mit dem kleineren beschrifteten Datenset zu trainieren. Wir haben eine sechs-fache Kreuzvalidierung durchgeführt, was nur eine schicke Art zu sagen ist, dass wir unsere Daten in sechs Teile aufgeteilt und abwechselnd jedes Stück getestet haben, während wir auf den anderen trainiert haben.

#Die Ergebnisse sind da!

Nach dem Training haben wir ausgewertet, wie unsere Klassifikatoren abgeschnitten haben. Beide Modelle haben beeindruckend abgeschnitten. Der ViT-Klassifikator hat den MAE Encoder-Klassifikator in Bezug auf Genauigkeit und Zuverlässigkeit leicht übertroffen. Es war wie ein spannendes Rennen zwischen zwei schnellen Autos; am Ende hatte eines einfach einen kleinen Vorsprung.

Die Ergebnisse haben gezeigt, dass unser selbstüberwachter Lernansatz effektiv war. Wir haben es geschafft, Schmelzpool-Bilder genau zu klassifizieren, ohne eine riesige Menge an beschrifteten Daten zu benötigen.

#Herausforderungen in der Zukunft

Jeder Held hat sein Kryptonit, oder? Unsere Studie war nicht ohne Herausforderungen. Zum einen haben wir den Mean Squared Error als Methode verwendet, um zu messen, wie gut das Modell die Bilder rekonstruiert hat. Während es gut funktioniert hat, gibt es andere Verlustfunktionen, die vielleicht noch besser abschneiden.

Wir haben auch festgestellt, dass das Klassenungleichgewicht, was bedeutet, dass wir viel mehr gesunde Proben als defekte hatten, die Ergebnisse verzerren könnte. In zukünftigen Arbeiten wäre es vorteilhaft, synthetische Daten zu erstellen, um die Proben auszugleichen.

Das Training dieser Modelle im grossen Massstab ist ressourcenintensiv, und wir sind auf das klassische Problem gestossen, mehr Daten und besser gefilterte Bilder zu benötigen, um die Fähigkeit der Klassifikatoren zur Erkennung von Anomalien zu verbessern.

Zu guter Letzt sind wir daran interessiert, semi-supervisierte Techniken zu erkunden. Das könnte eine Alternative zur vollüberwachten Klassifikation bieten, die wir gemacht haben, und Zeit sparen, während wir die Genauigkeit weiterhin verbessern.

#Zusammenfassung

Zusammenfassend nutzen wir moderne Technologie, um alte Produktionsprobleme zu lösen. Unser Ansatz kombiniert fortschrittliche Machine-Learning-Techniken mit thermischen Bildern, um die Qualität von 3D-gedruckten Komponenten zu überwachen und zu verbessern. Die Fähigkeit, Mängel in Echtzeit zu identifizieren, sorgt dafür, dass die hergestellten Teile nicht nur stark, sondern auch zuverlässig sind.

Wir sind aufgeregt über die Ergebnisse und bereit, die Grenzen weiter zu verschieben. Mit weiterer Erkundung glauben wir, dass diese Methode ein kraftvolles Werkzeug in Industrien werden könnte, in denen Qualitätskontrolle entscheidend ist. Also, das nächste Mal, wenn du ein schickes 3D-gedrucktes Teil siehst, weisst du, dass da eine Menge Wissenschaft und ein bisschen Technik-Zauberei drinstecken, die es zuverlässig und stark halten.