Avancement de la détection des pores dans la fabrication additive

Faire des produits sans Défauts avec la fusion par lit de poudre laser (LPBF) est un vrai défi. Un problème commun, c'est la formation de trous, appelés Pores, qui peuvent affaiblir les produits. Repérer ces pores est crucial pour garder la qualité, mais ça nécessite souvent des méthodes complexes et chronophages comme les scans par tomographie.

Les méthodes existantes utilisant des données de surveillance en temps réel peuvent détecter quand des pores sont présents dans une couche, mais elles ont du mal à localiser précisément où ils se trouvent. Cet article parle d'une nouvelle manière de déterminer où se trouvent les pores dans une seule couche grâce à une méthode appelée estimation de densité par noyau gaussien. Cette méthode aide les ordinateurs à comprendre le lien entre les données de surveillance et les endroits où les pores sont le plus susceptibles de se former.

#Importance de la Détection des Pores

Dans la Fabrication additive, surtout avec les métaux, les pores sont un défaut courant. Ils surviennent souvent à cause de réglages incorrects du laser et peuvent vraiment affecter la force et la durabilité du produit final. Donc, savoir où ces pores se forment et les détecter tôt est vital pour le contrôle qualité.

Beaucoup de chercheurs se concentrent sur l'utilisation de méthodes de surveillance en temps réel pour identifier les défauts au fur et à mesure. Les avancées récentes en technologie, comme l'intelligence artificielle, aident à améliorer ces systèmes de détection pour fabriquer sans défaut.

#Défis de la Détection des Pores

Un des gros problèmes, c'est que beaucoup d'études simplifient la détection des pores. Au lieu de localiser chaque pore avec précision, elles utilisent souvent une valeur moyenne ou indiquent juste s'il y a des pores dans une zone donnée. Cela signifie qu'elles ratent les emplacements précis des pores dans une couche, ce qui est essentiel pour le contrôle qualité.

Bien que certaines études aient tenté de localiser les pores avec des techniques avancées, elles s'appuient souvent sur des méthodes hors ligne comme les scans CT qui limitent la vitesse et la taille des pièces. D'autres utilisent seulement des données de capteurs qui surveillent le processus sans localiser précisément les pores.

De plus, certaines méthodes consistent à créer intentionnellement des défauts pour entraîner des modèles. Ce n'est pas réaliste, car ça ne reflète pas les scénarios de production réels. Donc, ces résultats peuvent ne pas se traduire bien dans les processus de fabrication réels.

#Notre Approche

On propose une nouvelle méthode qui reformule le problème de la détection des pores en estimant la probabilité de leur présence dans une seule couche. Plutôt que d'essayer de localiser exactement chaque pore, on suggère de prédire la probabilité que des pores apparaissent à certains emplacements de pixels.

Au lieu de se fier uniquement aux techniques de surveillance traditionnelles, on utilise une combinaison de différentes sources d'images, ce qui nous permet de créer une image plus claire de la distribution potentielle des pores. En utilisant une méthode gaussienne pour estimer les probabilités, on peut produire une image en niveaux de gris qui représente où les pores sont susceptibles de se former.

#Conception Expérimentale

Pour valider notre méthode, on a conçu deux pièces de test de formes et de complexité différentes. L'objectif était d'évaluer comment notre approche fonctionne sous différentes conditions de fabrication et d'observer l'efficacité de différents capteurs de surveillance pendant le processus.

On a enregistré les données de production couche par couche et utilisé des scans X pour trouver des pores après la fabrication. En associant ces données, on a créé un ensemble de données complet qui aide à comprendre le lien entre les données de surveillance et la probabilité de présence de pores.

#Conception des Pièces

On a choisi deux géométries différentes pour les tests. L'une est complexe avec des formes variées, et l'autre est un simple cube. La forme plus compliquée nous a permis de voir comment les défauts peuvent apparaître de manière inégale selon la complexité. La forme plus simple a fourni une base pour comprendre comment les réglages de machine affectent la formation des défauts.

Les deux pièces ont été fabriquées lors de la même série de production, garantissant ainsi qu'elles ont été produites dans les mêmes conditions pour des comparaisons précises.

#Configuration de Surveillance In-situ

La machine utilisée pour les tests était équipée de deux capteurs. Un capteur enregistre des images thermiques dans le spectre proche infrarouge, tandis que l'autre capte des images en haute résolution dans la lumière visible. Cette configuration nous permet de collecter des données détaillées couche par couche pour analyse.

En synchronisant ces images avec le début et la fin de chaque couche de production, on peut suivre avec précision les conditions dans lesquelles les pores se forment.

#Fabrication d'Échantillons

On a produit plusieurs échantillons avec différents réglages et paramètres. Chaque échantillon a été construit dans un environnement contrôlé pour garantir que nos observations soient cohérentes. Différentes puissances laser, vitesses de scan et distances de hachure ont été variées entre les échantillons pour voir comment ces facteurs influençaient le développement des pores.

En documentant ces réglages de manière approfondie, on a établi une corrélation claire entre les paramètres de la machine et la formation des pores.

#Traitement et Étiquetage des Données

Après avoir capturé les données de notre système de surveillance, on a commencé à les traiter pour analyse. Cela a impliqué de recadrer les images pour se concentrer sur les zones pertinentes et de les organiser en un ensemble de données qui lie les images de surveillance à la distribution de probabilité des pores.

On a également aligné les données CT avec les informations de surveillance pour s'assurer que notre recherche reflète fidèlement les emplacements des pores dans les pièces produites.

#Prédiction de la Probabilité des Pores avec des Modèles de Segmentation

Avec les données traitées, notre attention s'est portée sur l'entraînement de modèles capables de prédire où les pores pourraient apparaître. Au lieu de classifier les pixels en catégories fixes, on a formé les modèles pour estimer la probabilité de présence de pores à chaque pixel.

Cela a été réalisé en utilisant plusieurs modèles d'apprentissage profond populaires conçus pour la segmentation d'image, permettant une prédiction granulaire de la distribution des pores dans les images.

#Résultats et Discussion

Les expériences ont montré que différents modèles ont obtenu des résultats similaires dans l'estimation des emplacements des pores. Cependant, il est devenu clair que les réglages de la machine avaient un impact plus significatif sur la performance des modèles que les formes des pièces.

On a découvert que l'ajustement des paramètres de la machine conduisait à des changements notables dans l'efficacité des modèles pour prédire la distribution des pores. Certains réglages fonctionnaient mieux que d'autres, ce qui indique que maintenir des plages spécifiques de paramètres est essentiel pour des résultats fiables.

Les évaluations visuelles des distributions de probabilité des pores prédites ont confirmé que la plupart des modèles offraient une précision raisonnable, bien que certaines instances montraient des désalignements significatifs.

#Conclusion

On a démontré une nouvelle manière d'estimer les emplacements des pores dans les couches de pièces créées par fabrication additive. En passant de la segmentation directe à l'estimation des probabilités, on peut former efficacement des modèles qui utilisent des données de surveillance en temps réel pour améliorer la détection des pores.

Nos résultats soulignent que bien que divers modèles puissent prédire la présence de pores, les paramètres de la machine jouent un rôle crucial dans l'amélioration de la précision.

Les recherches futures devraient se concentrer sur le perfectionnement de la manière dont les emplacements des pores sont identifiés et l'amélioration de la qualité globale des données utilisées pour l'entraînement des modèles. En faisant avancer ces méthodes, on peut se rapprocher d'une production constante et sans défaut dans la fabrication additive.