為了提高金屬粉末床增材制造技術(shù)的工業(yè)可接受度，很多廠家目前推出了在線監(jiān)測模塊來檢查制造過程中的異常情況，如刮刀碰撞、粉末鋪設(shè)不均、飛濺以及孔隙等等。然而，這些實時監(jiān)控的嘗試還沒有實現(xiàn)足夠的自動化，在分析生產(chǎn)過程中收集的數(shù)據(jù)方面，還集中于將完成的零件與3D模型進行比較。這種方法確實很簡單，但卻非常耗時，而且只能識別打印對象中的“一般缺陷”。

來自美國橡樹嶺國家實驗室的研究人員近期開發(fā)了一款基于神經(jīng)網(wǎng)絡(luò)的程序，它可以對從設(shè)計、材料選擇、打印到測試的整個過程的每個步驟收集和分析數(shù)據(jù)，實時評估零件質(zhì)量。

研究人員使用基于神經(jīng)網(wǎng)絡(luò)的程序監(jiān)視和分析3D打印的組件

該算法的主要優(yōu)點還在于，它能夠以傳感器的原始分辨率反饋粉末床的逐層成像數(shù)據(jù)，并且能夠分析和共享多臺3D打印機上的數(shù)據(jù)，實現(xiàn)一個系統(tǒng)能夠從另一個系統(tǒng)遇到的打印錯誤中學(xué)習(xí)的效果。

研究人員分別在SLM、3DP和EBM三種工藝、不同品牌的九臺打印機上進行了實驗，證明該算法在定位精度、準確性、計算時間和通用性方面，遠遠優(yōu)于以前的算法。

在過去十年中，很多設(shè)備商和研究機構(gòu)已經(jīng)針對粉末床增材制造過程的逐層異常檢測進行了大量研究。許多努力集中在開發(fā)改良傳感方式上，如使用閃光燈來更好地拍攝粉末床、采用條紋投影技術(shù)來恢復(fù)深度信息以及采用高分辨率掃描儀等等。但是，開發(fā)成像系統(tǒng)只是挑戰(zhàn)的一部分。對于用戶來說，無論采用何種數(shù)據(jù)源，都應(yīng)該可以自動檢測異常，才能滿足應(yīng)用端對質(zhì)量和過程控制的需求。

此前關(guān)于異常檢測和分類的方法有明顯的局限性，如粗大的異常定位分辨率、極少的異常類別以及缺乏對其他粉末床工藝的通用性。ORNL的深度學(xué)習(xí)算法基于神經(jīng)網(wǎng)絡(luò)動態(tài)識別，（知識補充：在計算機視覺領(lǐng)域，目前神經(jīng)網(wǎng)絡(luò)的應(yīng)用主要有圖像識別，目標定位與檢測，語義分割。圖像識別就是告訴你圖像是什么，目標定位與檢測告訴你圖像中目標在哪里，語義分割則是從像素級別回答上面兩個問題）能夠滿足幾個關(guān)鍵要求：

1. 模型預(yù)測和異常分類必須足夠快地反饋，以提供實時信息，即使使用的是高分辨率相機。

      2. 語義分割必須始終在成像傳感器的原始分辨率下逐像素實現(xiàn)（語義分割更詳細的可以解釋是從像素的角度分割出圖片中的不同對象）。

      3. 由于任何一臺單獨機器的訓(xùn)練數(shù)據(jù)都可能受到限制，因此從一臺3D打印機器獲取的數(shù)據(jù)知識必須能夠在完全不同的粉末床機器和成像系統(tǒng)之間跨技術(shù)快速轉(zhuǎn)移。

      4. 該算法必須自然地支持來自多個成像系統(tǒng)或其他空間相關(guān)的感應(yīng)模態(tài)的數(shù)據(jù)融合。

實際打印零件和深度學(xué)習(xí)算法檢測到的異常對比

是否采用共享學(xué)習(xí)下的鋪粉效果和灰塵識別對比

測試的結(jié)果令人滿意，實現(xiàn)了以下幾個目標：

1.在臺式計算機上，分層分割時間為0.5s-2.4s，結(jié)果反饋的速度足夠快，可以實時分析所有已探查機器類型的現(xiàn)場數(shù)據(jù)。

2.在每個成像系統(tǒng)的原始分辨率下，可以按像素提供異常分類，定位精度往前邁進了一大步。

3.該算法已成功在九種不同粉末床3D打印機上進行了演示，這些機器涵蓋了三種不同的技術(shù)。此外，探索的成像系統(tǒng)包括可見光、中紅外和近紅外相機，有效分辨率范圍為20μm至290μm。重要的是，所開發(fā)的深度學(xué)習(xí)算法允許在不同的粉末床機器之間無縫傳輸學(xué)習(xí)的知識，從而減少了與每個單獨機器相關(guān)的數(shù)據(jù)收集和手動數(shù)據(jù)標記負擔。

此外，研究人員發(fā)現(xiàn)新型的深度學(xué)習(xí)算法在異常類別的鑒別方面相比以前的算法實現(xiàn)了更低的誤報率，七個類別中的四個類別的誤報率下降了25%以上。此外，逐層分類的時間減少了12倍，而改進的定位能力和融合后圖像的加入可以識別更多類型的缺陷。

ORNL已使用其算法來優(yōu)化3D打印反應(yīng)堆的生產(chǎn)

不過，該算法對于不同工藝之間的轉(zhuǎn)移學(xué)習(xí)的預(yù)測準確性還有待提高。該團隊評估了GE Additive ConceptLaser M2和ExOne Innovent系統(tǒng)之間共享的數(shù)據(jù)后，算法在缺陷識別遺失率方面的表現(xiàn)，發(fā)現(xiàn)共享過數(shù)據(jù)的系統(tǒng)的缺陷遺失率是未共享數(shù)據(jù)系統(tǒng)的16％。這表明訓(xùn)練確實起到了作用，但這種效果還不足夠好。使用Arcam Q10增材制造系統(tǒng)打印的零件的真實孔隙率為78.4％，但是如果對圖像進行分析，孔隙率則會上升至89.5％。

該算法的性能在很大程度上取決于其輸入數(shù)據(jù)，如果捕獲的圖像不能清楚的展現(xiàn)打印部分的異常，則該軟件不太可能被標記出來。

但無論如何，ORNL基于神經(jīng)網(wǎng)絡(luò)動態(tài)識別的算法在增材制造過程實時監(jiān)控方面確實取得了非常大的進步。隨著監(jiān)控系統(tǒng)的發(fā)展，研究人員能夠?qū)D像數(shù)據(jù)與來自其他來源的數(shù)據(jù)(如打印機的日志文件、激光系統(tǒng)和操作員注釋)組合在一起，可以更好的識別零件缺陷，并跟蹤和評估所有零件的統(tǒng)計信息。

轉(zhuǎn)載自3D打印技術(shù)參考