Avanzare nella rilevazione dei pori nella produzione additiva

Fare prodotti senza Difetti usando la Fusione a Letto di Polvere Laser (LPBF) è una grande sfida. Un problema comune è la formazione di buchi, noti come porosità, che possono indebolire i prodotti. Riuscire a individuare questi buchi è fondamentale per mantenere la qualità, ma di solito richiede metodi complessi e che richiedono tempo, come le scansioni di tomografia computerizzata.

I metodi esistenti che usano dati di Monitoraggio in tempo reale possono identificare quando ci sono buchi in un livello, ma faticano a trovare le loro posizioni esatte. Questo articolo parla di un nuovo modo per determinare dove si trovano i buchi in un singolo strato usando un metodo chiamato stima della densità kernel gaussiana. Questo metodo aiuta i computer a imparare il legame tra i dati di monitoraggio e dove è più probabile che si verifichino i buchi.

#Importanza della Rilevazione dei Buchi

Nella manifattura additiva, specialmente con i metalli, i buchi sono un difetto comune. Spesso si verificano a causa di impostazioni laser sbagliate e possono influenzare gravemente la resistenza e la durata del prodotto finale. Di conseguenza, sapere dove si formano questi buchi e rilevarli in anticipo è vitale per il controllo della qualità.

Molti ricercatori si concentrano sull'uso di metodi di monitoraggio in tempo reale per identificare i difetti man mano che si verificano. Recenti avanzamenti tecnologici, come l'Intelligenza Artificiale, aiutano a migliorare questi sistemi di rilevamento, puntando a una produzione senza difetti.

#Sfide nella Rilevazione dei Buchi

Uno dei problemi principali è che molti studi semplificano la rilevazione dei buchi. Invece di localizzare accuratamente ogni buco, usano spesso un valore medio o indicano solo se ci sono buchi in una certa area. Questo significa che mancano le posizioni precise dove si trovano i buchi in uno strato, il che è essenziale per il controllo della qualità.

Sebbene alcuni studi abbiano cercato di localizzare i buchi usando tecniche avanzate, spesso si affidano a metodi offline come le scansioni CT che limitano la velocità e la dimensione dei pezzi. Altri utilizzano solo dati da sensori che monitorano il processo, ma non identificano con precisione le posizioni dei buchi.

Inoltre, alcuni metodi prevedono di creare intenzionalmente difetti per addestrare i modelli. Questo non è realistico poiché non riflette gli scenari di produzione reali. Pertanto, questi risultati potrebbero non trasferirsi bene ai processi di produzione effettivi.

#Il Nostro Approccio

Proponiamo un nuovo metodo che riformula il problema della rilevazione dei buchi in un’analisi della probabilità di dove i buchi potrebbero trovarsi in un singolo strato. Invece di cercare di localizzare esattamente ogni buco, suggeriamo di prevedere la probabilità che i buchi si verifichino in determinate posizioni di pixel.

Invece di affidarci solo a tecniche di monitoraggio tradizionali, usiamo una combinazione di diverse fonti di immagine, che ci permette di creare un quadro più chiaro della possibile distribuzione dei buchi. Utilizzando un metodo gaussiano per stimare le probabilità, possiamo produrre un'immagine in scala di grigi che rappresenta dove i buchi hanno maggiori probabilità di formarsi.

#Progettazione Sperimentale

Per convalidare il nostro metodo, abbiamo progettato due diversi pezzi di prova con forme e complessità variabili. L'obiettivo era valutare come funziona il nostro approccio in diverse condizioni di produzione e osservare l'efficacia di diversi sensori di monitoraggio durante il processo.

Abbiamo registrato i dati di produzione strato per strato e usato scansioni a raggi X per trovare i buchi dopo la produzione. Abbinando questi dati, abbiamo creato un dataset completo che aiuta a capire il legame tra i dati di monitoraggio e la probabilità di occorrenza dei buchi.

#Progettazione dei Pezzi

Abbiamo selezionato due geometrie diverse per i test. Una è complessa con forme variabili, e l'altra è un cubo semplice. La forma più complicata ci ha permesso di vedere come i difetti possano apparire in modo irregolare a seconda della complessità. La forma più semplice ha fornito una base per capire come diverse impostazioni della macchina influenzino la formazione dei difetti.

Entrambi i pezzi sono stati creati nello stesso ciclo di produzione, assicurandoci che fossero fabbricati nelle stesse condizioni per comparazioni accurate.

#Configurazione del Monitoraggio In-situ

La macchina utilizzata per i test era equipaggiata con due sensori. Un sensore registra immagini termiche nello spettro infrarosso vicino, mentre l'altro cattura immagini ad alta risoluzione in luce visibile. Questa configurazione ci permette di raccogliere dati dettagliati strato per strato per analisi.

Sincronizzando queste immagini con l'inizio e la fine della produzione di ogni strato, possiamo monitorare accuratamente le condizioni in cui si formano i buchi.

#Fabbricazione dei Campioni

Abbiamo prodotto più campioni usando diverse impostazioni e parametri. Ogni campione è stato costruito in un ambiente controllato per garantire che le nostre osservazioni fossero coerenti. Diverse potenze laser, velocità di scansione e distanze di hatch sono state variate tra i campioni per vedere come questi fattori influenzassero lo sviluppo dei buchi.

Documentando approfonditamente queste impostazioni, abbiamo stabilito una chiara correlazione tra i parametri della macchina e la formazione dei buchi.

#Elaborazione e Etichettatura dei Dati

Dopo aver catturato i dati dal nostro sistema di monitoraggio, abbiamo iniziato a elaborarli per l’analisi. Questo ha comportato il ritaglio delle immagini per concentrarsi su aree rilevanti e l'organizzazione in un dataset che collega le immagini di monitoraggio con la distribuzione della probabilità di buchi.

Abbiamo anche allineato i dati CT con le informazioni di monitoraggio per assicurarci che la nostra ricerca riflettesse accuratamente le posizioni dei buchi nei pezzi prodotti.

#Predizione della Probabilità di Buchi con Modelli di Segmentazione

Con i dati elaborati, ci siamo concentrati sull'addestrare modelli che potessero prevedere dove potrebbero verificarsi i buchi. Invece di classificare i pixel in categorie fisse, abbiamo addestrato i modelli a stimare la probabilità di occorrenza dei buchi in ogni pixel.

Questo è stato realizzato utilizzando diversi modelli di deep learning popolari progettati per la segmentazione delle immagini, permettendo una previsione dettagliata della distribuzione dei buchi nelle immagini.

#Risultati e Discussione

Gli esperimenti hanno mostrato che diversi modelli hanno performato in modo simile nel stimare le posizioni dei buchi. Tuttavia, è diventato chiaro che le impostazioni della macchina avevano un impatto più significativo sulle performance del modello rispetto alle forme dei pezzi.

Abbiamo scoperto che modificare i parametri della macchina portava a cambiamenti notevoli in quanto efficacemente i modelli potevano prevedere la distribuzione dei buchi. Alcune impostazioni funzionavano meglio di altre, indicando che mantenere specifici intervalli di parametri è essenziale per risultati affidabili.

Valutazioni visive delle distribuzioni di probabilità di buchi previste hanno confermato che la maggior parte dei modelli forniva una ragionevole accuratezza, sebbene alcune istanze mostrassero disallineamenti significativi.

#Conclusione

Abbiamo dimostrato un nuovo modo di stimare le posizioni dei buchi negli strati dei pezzi creati usando la manifattura additiva. Passando dalla segmentazione diretta alla stima delle probabilità, possiamo addestrare in modo efficace modelli che utilizzano dati di monitoraggio in tempo reale per migliorare la rilevazione dei buchi.

I nostri risultati evidenziano che, mentre vari modelli possono prevedere l'occorrenza di buchi, i parametri della macchina giocano un ruolo fondamentale nel migliorare l'accuratezza.

La ricerca futura dovrebbe concentrarsi sul raffinare il modo in cui le posizioni dei buchi vengono identificate e migliorare la qualità complessiva dei dati utilizzati per l'addestramento dei modelli. Avanzando con questi metodi, possiamo avvicinarci a raggiungere una produzione costante e senza difetti nella manifattura additiva.