权威国防科技信息门户
国防科技大数据智能情报平台
生产力促进中心会员招募
国防科技生产力促进中心
国外国防科技文献资料快报
公告:
国防科技生产力促进中心网上会员入会邀请函   国防科技工业准入渠道、申办程序取证务实培训班通知   DSTI推出国防军工单位电子邮件服务,特别优惠中   DSTIS国防军工信息资源内网服务系统2013年征订开始   下载黄页企业会员登记表 成为国防科技信息网会员  
LLNL充分运用机器学习能力以实时预防金属3D打印零件出现瑕疵
2018-09-20



[3D打印专题新闻网报道] 
美国加州劳伦斯利弗莫尔国家实验室( LLNL )的工程师和科学家已完成了卷积神经网络( CNNs )的研发工作;CNNs是一种主要用于处理图像和视频的通用算法,其能够有效预测3D打印零件是否存在缺陷,并在几毫秒内完成相关质检工作。



首席研究员兼LLNL研究员布莱恩·吉拉说:“可以说这是一种与以往完全不同的数据处理方式,即逐片段分析影像过程或精细到逐帧分析;其优势则在于,你可以在执行3D打印的同时采集影像资料,并纳入数据库,此后无需参照便可直接打印。很多人都可以收集到这些数据,但受技术所限,无法进一步发展,而今可谓打破了以往的僵局。”



吉拉解释说,通常情况下,由于后期的传感器分析花费较大,零件的质检工作需要很长时间才能完成。由于打印零件需要几天到几周的时间,借助CNNs则能够有效的帮助处理打印过程、缩短产品检验工时以及在关键时刻及时纠正并调整相关偏差数据,促进高效。



考虑到速度或功率等不同的情况,LINL研究人员使用了约2000个分块激光轨迹的视频片段构建了神经网络。他们运用能够生成3D高度图的工具扫描参照物表面,进而通过这些数据精化算法分析视频帧片段(每个区域称为卷积)的过程。吉拉接着说,该工作若人工完成,无疑需耗费大量的时间和精力。



加州大学伯克利分校的学生兼LLNL研究员博迪垣开发了能够自动标注每个参照对象高度图的算法,并使用相同的模型预测目标轨道的宽度、轨道是否断裂以及宽度的标准偏差。通过这些算法,研究人员能够录制零件进行3D打印的过程,并确定零件质量是否符合既定标准。最后,在区分产品优劣方面,神经网络精度达93%



“我们成功的关键在于CNNs能够自我学习的过程中不断汲取影像资料的信息,进而优化其属性,”垣说,“因而,我们只需要给算法输送大量数据并确保其能够良好吸收。”



LLNL研究人员花了数年时间收集各种形式的激光粉末床熔融金属3D打印过程的实时数据,包括视频、光学层析成像和声学传感器。



“任何情况下我们都在收集视频,如今我们只是把这些碎片拼凑起来,”吉拉说。“就像人脑使用视觉和其他感官来感知世界一样,机器学习算法可以使用所有的传感器数据来导航3D打印过程。”



吉拉说,理论上,神经网络也可以用于其他3D打印系统。其他研究人员应该能够遵循相同的公式,在不同的条件下打印零件,收集视频并扫描出它们的高度图,生成一个特定的数据集,可以与标准的机器学习技术一起使用。



吉拉说,仍然需要做一些工作来检测零件内部的空隙,这些空隙不能用高度图扫描来预测,但是可以借助X射线透视来完成测量。



研究人员还将寻找新的算法来整合图像和视频之外的多种传感方式。



“目前,任何方面的检测无疑都能促进相关过程技术取得重大突破;当然若能够提高各个阶段的效率,那将取得更大的进展,”吉拉说。“鉴于我们收集的大量数据大多输送给机器学习算法,诚然机器学习(能力)的优势将在首次正式的3D打印中充分体现出来。”



项目由实验室指导的研发计划资助。(工业和信息化部电子第一研究所
李爽)



相关新闻

DSTIS 国防科技工业信息服务系统
中国核科技信息与经济研究院 中国航天工程咨询中心 中国航空工业发展研究中心
中国船舶工业综合技术经济研究院 中国船舶信息中心 北方科技信息研究所 工业和信息化部电子科学技术情报研究所
DSTI简介 | 大事记 | 网站动态 | 产品介绍 | 广告服务 | 客户服务 | 联系方式 | 共建单位 | 合作媒体  
国防科技信息网 dsti.net © 2006 - 2018 版权所有 京ICP备10013389号