LLNL使用機器學習來實時防止金屬3D打印部件的缺陷

據(jù)南極熊了解，近日，加利福尼亞州勞倫斯利弗莫爾國家實驗室(LLNL)的工程師和科學家開發(fā)了卷積神經(jīng)網(wǎng)絡(CNN)，這是一種主要用于處理圖像和視頻的流行算法，用于預測3D打印部件的缺陷，并在幾毫秒內檢測是否有構建了令人滿意的質量。

“這是一種革命性的方式通過視頻標記數(shù)據(jù)，甚至可以是逐幀標記�！盠LNL首席研究員Brian Giera說，“這種優(yōu)勢在于，您可以在打印某些內容時收集視頻，并在打印時最終得出結論。很多人都可以收集這些數(shù)據(jù)，但他們不知道如何處理它�！巴ǔ＃珿iera解釋說，在構建后再進行分析的傳感器是非常昂貴的，并且部件質量只能在很久之后才能確定。對于需要數(shù)天到數(shù)周打印的部件，CNN可以證明有助于理解打印過程，更快地了解部件的質量，并在必要時實時校正或調整構建。

LLNL的研究人員使用大約2,000個熔融激光軌道視頻片段在不同的條件下(例如速度或功率)開發(fā)了神經(jīng)網(wǎng)絡。他們使用生成3D高度圖的工具掃描零件表面，使用該信息訓練算法以分析視頻幀的各個部分(每個區(qū)域稱為卷積)。 Giera解釋說，這個過程對于人類來說是非常困難和耗時的。

加州大學伯克利分校的學生和LLNL研究員Bodi Yuan開發(fā)了可以自動標記每個構建的高度圖的算法，并使用相同的模型來預測構建軌道的寬度，軌道是否被破壞以及寬度的標準是否有偏差。使用這些算法，研究人員能夠拍攝正在進行的構建的視頻，并確定該部件是否表現(xiàn)出可接受的質量。結果，神經(jīng)網(wǎng)絡能夠以93%的準確度檢測零件是否連續(xù)。

“我們成功的關鍵在于CNN可以在培訓過程中學習很多有用的視頻功能，我們只需要提供大量數(shù)據(jù)來培訓它，并確保它學得很好�！盠LNL研究人員花了數(shù)年時間收集激光粉末床融合金屬3D打印過程的各種形式的實時數(shù)據(jù)，包括視頻，光學層析成像和聲學傳感器。Giera說。 “就像人類大腦使用視覺和其他感官來導航世界一樣，機器學習算法可以使用所有傳感器數(shù)據(jù)來導航3D打印過程�！�

Giera說，神經(jīng)網(wǎng)絡理論上可以用于其他3D打印系統(tǒng)。其他研究人員應該能夠遵循相同的公式，在不同的條件下創(chuàng)建部件，收集視頻并使用高度圖掃描它們以生成可以與標準機器學習技術一起使用的標記視頻集。現(xiàn)在，仍然需要做一些工作來檢測零件內的空隙，這些空隙無法通過高度圖掃描進行預測，但可以使用非原位X射線照相進行測量。

研究人員還將尋求創(chuàng)建算法，以結合除圖像和視頻之外的多種感知模式。“現(xiàn)在，任何類型的探測都被認為是一個巨大的勝利。如果我們能夠即時修復它，那就是更大的目標，“Giera說。 “鑒于我們正在收集機器學習算法旨在處理的大量數(shù)據(jù)，機器學習將在第一次正確創(chuàng)建零件時發(fā)揮核心作用�！�

來源：中國3D打印網(wǎng)