机器学习增强了金属 3D 打印中的缺陷检测

Josiah02 · 发表于 2024-10-30 02:04:09

西北大学、弗吉尼亚大学、卡内基梅隆大学和阿贡国家实验室的研究人员在激光粉末床熔合 (LPBF) 增材制造的缺陷检测和过程监控方面取得了重大进展。
通过使用可访问的传感器（例如麦克风和光电二极管）以及机器学习，他们在检测小孔形成方面实现了超过 90% 的准确率，时间分辨率为 0.1 毫秒。这一突破为 LPBF 的智能闭环控制系统以及更快的金属增材制造部件鉴定和认证流程铺平了道路。
该项研究成果最近已在《材料未来》杂志的在线版上发表。
随着 3D 打印不断改变制造业，特别是在航空航天、国防和能源等高风险领域，确保打印部件的质量至关重要。金属 3D 打印（特别是 LPBF）面临的一个主要挑战是形成被称为“锁孔”孔隙的微观缺陷。这些孔隙会严重削弱部件并缩短其使用寿命，使其不适合要求苛刻的应用。由于 LPBF 技术的速度和复杂性，在打印过程中实时检测这些缺陷一直具有挑战性。
为了应对这一挑战，研究人员开发了一种基于机器学习的创新方法，该方法使用简单的光和声音传感器来监控打印过程，并准确检测锁孔形成的时间和位置。这种方法的核心在于测量锁孔的振荡——打印过程中熔池中形成的蒸汽凹陷。
高速同步加速器 X 射线成像用于建立精确的“基本事实”，这有助于训练机器学习模型识别导致孔隙形成的条件。值得注意的是，该模型在检测缺陷方面的准确率超过 90%，时间分辨率短至 0.1 毫秒。
这项技术的潜在影响是巨大的。通过这种方法，制造商可以在打印过程中检测缺陷，从而进行调整或暂停，以防止生产出有缺陷的部件。这种能力不仅可以减少生产后检查和维修所需的时间和成本，还有助于在安全至关重要的应用中保持所需的高质量。
展望未来，研究人员将致力于使这项技术更易于获取和扩展，以便广泛使用。未来的工作将旨在通过集成更多传感器来进一步提高该方法的准确性。虽然这项研究在单轨激光熔化实验中取得了很高的精度，但未来的努力将把这种方法扩展到 3D 部件构建，包括分析熔池内的孔隙运动和评估重复熔化循环过程中的孔隙去除。

账号		自动登录	找回密码
密码			立即注册