权威国防科技信息门户
国防科技大数据智能情报平台
DSTIS征订中
DPS国防术语智能定位系统
国外国防科技文献资料快报
公告:
DSTIS国防军工信息资源内网服务系统2019年征订开始  
LLNL采用机器学习实时预防金属3D打印零件的缺陷
2018-09-27

    [据本站2018年9月27日综合报道]    劳伦斯利弗莫尔国家实验室(LLNL)开发出卷积神经网络(CNN),可在几毫秒内检测出打印质量是否合格,实时预防3D打印零件缺陷。

    目前,对于大部分激光粉末床熔融增材制造(LPBF)系统而言,通常是在打印完成后对传感器监测到的数据进行分析,但这种方式成本高,耗时长。机器学习提供了一种可将传感器数据转变成实时评估的方法,而这需要大量标记过的传感器数据。CNN是一种用于处理图像和视频的算法,可通过视频标记数据或逐帧标记数据,然后将这些数据用于机器学习,可在打印过程中收集视频并最终得出结论。对于打印时间需要数天到数周的部件,通过CNN有助于在打印过程中更快地了解零件质量,并在必要时实时校正或调整工艺参数。

    LLNL的研究人员利用约2000个不同条件下(例如扫描速度或激光功率)的熔化轨迹视频片段开发出神经网络。通过能够生成3D高度图的工具扫描零件表面,根据所获取的信息对算法进行训练,以分析每帧视频的各个部分(每个区域称为卷积)。这个过程如果采用人工处理是非常困难和耗时的。

    加州大学伯克利分校的学生和LLNL的研究员Bodi Yuan开发出可以自动标记每个零件高度图的算法,并使用相同的模型来预测熔化轨迹的宽度、轨迹是否被破坏,以及宽度的标准偏差。研究人员利用这些算法能够收集正在进行的打印过程的视频,并确定该零件质量是否可接受。结果,卷积神经网络能够以93%的准确度检测零件的连续平整度。

    就像人类大脑使用视觉和其他感官来认识世界一样,机器学习算法也可以使用所有传感器数据来应对3D打印过程。CNN可以在培训过程中学习很多有用的视频功能,只需要提供大量数据来培训它,并确保它学得很好。LLNL研究人员已经花费数年时间来收集激光粉末床熔融金属3D打印过程的各类实时数据,包括视频、光学层析成像和声学传感器。

    理论上,神经网络可以用于其他3D打印系统。根据相同的公式,在不同的条件下打印零件,收集视频并使用高度图进行扫描,以生成可以与标准机器学习技术一起使用的标记视频集。下一步需要研究如何检测零件的孔隙,这些孔隙无法通过高度图扫描进行预测,但可以使用非原位X射线照相进行测量。研究人员还将寻求创建能够适应除图像和视频外的其他感知模式的新算法。(北方科技信息研究所 胡晓睿)








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 中国航天系统科学与工程研究院 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 - 2019 版权所有 京ICP备10013389号