AI-инспекция в 3D-печати: LLNL применяет машинное обучение и камеры для раннего выявления дефектов DIW

Технологический прорыв: Как система LLNL измеряет детали

В основе инновации от исследователей из Лоуренс Ливерморской национальной лаборатории (LLNL) лежит система визуального контроля, глубоко интегрированная в процесс 3D-печати методом Direct Ink Writing (DIW). DIW — это аддитивная технология, предназначенная для работы с мягкими, пастообразными материалами, которые выдавливаются через сопло тонкими нитями (филаментами). Такие материалы позволяют создавать гибкие структуры, например, подушки, чьи эксплуатационные характеристики напрямую зависят от точности укладки этих нитей. Даже незначительные отклонения в диаметре филамента, расстоянии между центрами соседних нитей (pitch) или угле их наклона могут привести к существенным изменениям в механических свойствах конечного изделия.

Традиционные методы контроля качества, такие как рентгеновская компьютерная томография (КТ), применяются уже после завершения печати. КТ позволяет получить детальное трехмерное изображение, но имеет ограничения по размеру исследуемого объекта и не может использоваться для мониторинга в реальном времени. Альтернативой служат оптические методы, которые анализируют только поверхность детали, упуская из виду критически важные параметры внутренней геометрии, такие как точные размеры нитей и их взаимное расположение. Это создает "слепую зону" в контроле качества, особенно для сложных структур, где важна точность на микроуровне.

Принцип работы: Камера + ИИ = Точность

Система LLNL решает эту проблему кардинально. Камера, установленная непосредственно на печатающем оборудовании, фиксирует процесс формирования каждого нового слоя. Специализированное программное обеспечение анализирует получаемые изображения, идентифицируя только что уложенные нити. Далее, используя алгоритмы машинного обучения (ML) и инструменты компьютерного зрения, система вычисляет ключевые метрики: точный диаметр филамента, расстояние между центрами нитей и другие геометрические параметры.

Процесс включает два ключевых этапа:

1. Сегментация изображений: Модель машинного обучения, обученная на большом наборе данных (почти 13 800 изображений с ручной разметкой, охватывающих различные решетчатые структуры), точно выделяет границы нанесенных нитей на каждом изображении. Это позволяет отделить полезный сигнал от фона и артефактов.
2. Измерение геометрии: Алгоритм компьютерного зрения, используя выходные данные модели сегментации, прослеживает каждую нить и измеряет ее диаметр. Точность этого измерения оказалась впечатляющей: в ходе тестирования на 55 деталях автоматические измерения отличались от ручных всего на несколько микрометров.

Тысячи изображений, собранных во время процесса печати, преобразуются в детальные измерения и пространственные карты распределения материала. Это позволяет получить полную картину геометрии детали в процессе ее создания.

Масштабирование контроля: Картографирование целой детали

Чтобы продемонстрировать возможности системы в реальных условиях и на больших объектах, исследователи применили ее для печати детали размером примерно 25 на 25 сантиметров. В ходе этого эксперимента было собрано около 2420 изображений только для одного слоя. Объединив измерения, полученные с этих изображений, команда смогла создать детальную пространственную карту внутренней структуры слоя.

Результаты оказались показательными. Полученная карта выявила закономерность в изменении диаметра филамента, охватывающую весь объект печати. Эта крупномасштабная вариация могла быть полностью скрыта при использовании усредненных измерений по всей детали. Анализ карты указал на причину дефекта — небольшой наклон печатной платформы относительно экструзионного сопла. Такое точное определение источника проблемы позволяет оперативно внести коррективы в настройки принтера или калибровку оборудования.

Важно отметить преимущество перед рентгеновской КТ: в то время как КТ имеет ограничения по размеру объекта для высокоточного сканирования, камера, установленная на принтере, может инспектировать детали практически любого размера, обеспечивая сопоставимый уровень детализации. Это открывает новые возможности для контроля качества крупногабаритных изделий, создаваемых методом DIW.

Сравнение с существующими решениями: Шаг вперед

Система LLNL выгодно отличается от существующих подходов к контролю качества в DIW. Ранее такой контроль опирался на пост-печатную рентгеновскую КТ, которая, как уже упоминалось, ограничена размерами и временем выполнения. Альтернативные оптические методы, фокусирующиеся только на поверхности, не способны оценить внутреннюю геометрию и точность укладки филамента на микроуровне. Таким образом, отсутствовал масштабируемый метод для измерения размерной точности в масштабе филамента по всей детали в процессе печати.

Существуют и другие системы, стремящиеся переместить контроль качества непосредственно в процесс печати. Например, платформа AiMaker от Ai Build, также использующая экструзионный метод печати, применяет компьютерное зрение для сравнения изображений печатаемой детали с эталонными образцами. Эта система способна в реальном времени выявлять визуальные отклонения. Однако, ее основной фокус — на обнаружении отклонений от эталона, а не на количественном измерении геометрических параметров, таких как диаметр филамента, в масштабе всей детали. Система LLNL идет дальше, предлагая не просто визуальное сравнение, а точную, непрерывную картографию геометрических параметров на уровне филамента.

Таким образом, разработка LLNL представляет собой значительный шаг вперед в области метрологии аддитивного производства, обеспечивая беспрецедентный уровень контроля и понимания процесса печати. Это особенно актуально для материалов, где точная геометрия нитей критически важна для функциональности, как в случае с PLA или ABS при создании сложных инженерных структур.

Практическое применение: Что это значит для операторов?

Интеграция системы контроля на основе ИИ и камер в процесс 3D-печати открывает новые горизонты для операторов и инженеров. Вместо того чтобы полагаться на пост-печатный анализ или интуицию, они получают мощный инструмент для мониторинга и управления качеством в реальном времени.

Секреты идеальной укладки слоев:

• Мгновенная обратная связь: Система предоставляет точные данные о геометрии каждой нити сразу после ее укладки. Это позволяет оперативно выявлять и устранять проблемы, такие как изменение диаметра филамента, неравномерное выдавливание или неправильное позиционирование.
• Оптимизация параметров печати: Детальные пространственные карты, генерируемые системой, помогают понять, как различные параметры печати (температура, скорость, давление) влияют на конечную геометрию. Это позволяет более точно настраивать профили печати для достижения оптимальных результатов.
• Снижение брака и экономия ресурсов: Раннее обнаружение дефектов предотвращает печать больших партий некачественных изделий. Это экономит дорогостоящие материалы, время печати и ресурсы принтера, что особенно важно при работе с высокотехнологичными или крупногабаритными моделями.
• Повышение надежности: Точный контроль геометрии напрямую влияет на механические свойства и функциональность детали. Система LLNL обеспечивает уверенность в том, что напечатанная деталь будет соответствовать проектным требованиям.

Хотя технология LLNL была продемонстрирована на DIW, принципы использования машинного обучения и компьютерного зрения для контроля качества могут быть адаптированы и для других технологий FDM-печати, таких как печать с использованием PLA, PETG или ABS пластиков. Подобные системы могут помочь производителям повысить стабильность процесса, улучшить качество продукции и снизить производственные затраты.