طريقة مطورة حديثًا ستضمن معايير جودة عالية في عمليات التصنيع الإضافي

Additive manufacturing processes continue to improve thanks to innovative efforts and growing adoption. This week marks a major milestone for the industry as a group of researchers from the University of Illinois Urbana-Champaign published a paper in the Journal of Intelligent Manufacturing that demonstrates a new method of training deep machine learning models to detect defects more effectively. Here’s what you need to know.

التصنيع الإضافي هو المستقبل

وفقًا لدراسة نشرتها شركة BCG، سيستمر سوق الطباعة ثلاثية الأبعاد في التوسع. يتوقع التقرير أن يصل سوق التصنيع الإضافي إلى أكثر من 95 مليار دولار بحلول عام 2030. يُعزى هذا النمو إلى انخفاض التكاليف، وزيادة التوافر، وتقليل الحواجز التقنية، وتكامل الذكاء الاصطناعي.

ومن الجدير بالذكر أن عمليات وأجهزة الطباعة ثلاثية الأبعاد الحالية يمكنها إنشاء مكونات أكثر تعقيدًا من سابقتها. تمكّن هذه الأجهزة المهندسين من تطوير ابتكارات لم يسبق لها مثيل. بالطبع، كلما زادت تعقيد الطبعات، يصبح اكتشاف العيوب أصعب، خاصةً عندما نتحدث عن طبعات ذات آليات داخلية.

تقليل الفشل في عمليات التصنيع الإضافي

إن فشل طباعة ثلاثية الأبعاد في منتج استهلاكي هو أمر مختلف. قد يكلف ذلك الشركة والمستهلك المال والوقت. أما عندما تكون القطعة المطبوعة ثلاثيًا مكونًا حيويًا في تطبيقات الطيران أو الطبية، فالوضع مختلف تمامًا. هنا تكون المخاطر أعلى بكثير، ويجب أن يكون التحكم في الجودة استثنائيًا.

ضروري للجودة

عند طباعة أشكال ثلاثية الأبعاد معقدة تحتوي على ميزات داخلية معينة، قد يكون من المستحيل إجراء فحص جودة مناسب دون التسبب في تأخيرات هائلة واستخدام مسح التصوير المقطعي المحوسب بالأشعة السينية (CT). في الماضي، أدى هذا الأمر إلى تقييد استخدام المكونات المطبوعة ثلاثيًا في بعض التطبيقات.

المصدر – جامعة إلينوي أوربانا-شامبين