En Nyudviklet Metode Vil Sikre Høj Kvalitetsstandard i Additive Fremstillingsprocesser

Additive fremstillingsprocesser fortsætter med at forbedres takket være innovative indsatser og stigende adoption. Denne uge markerer en vigtig milepæl for branchen, da en gruppe forskere fra University of Illinois Urbana-Champaign offentliggjorde en artikel i Journal of Intelligent Manufacturing, som demonstrerer en ny metode til at træne dybe maskinlæringsmodeller til at opdage fejl mere effektivt. Her er, hvad du behøver at vide.

Additiv fremstilling er fremtiden

3D‑printmarkedet vil fortsætte med at vokse, ifølge en undersøgelse udgivet af BCG. Rapporten forudsiger, at markedet for additive fremstilling vil nå +95 mia. dollars inden 2030. Denne vækst drives af lavere omkostninger, større tilgængelighed, reducerede tekniske barrierer og AI‑integration. Bemærkelsesværdigt kan nutidens 3D‑printprocesser og -enheder skabe mere komplekse komponenter end deres forgængere. Disse enheder gør det muligt for ingeniører at udvikle hidtil usete innovationer. Naturligvis bliver det sværere at opdage fejl, efterhånden som udskrifterne bliver mere komplekse, især når der er tale om prints med interne mekanismer.

Reduceret Fejl i Additive Fremstillingsprocesser

Det er én ting, når et 3D‑print fejler på et forbrugerprodukt. Det kan koste både virksomheden og forbrugeren penge og tid. Det er en anden situation, når en 3D‑printet del er en vital komponent i luftfarts‑ eller medicinske anvendelser. Her er indsatsen meget højere, og kvalitetskontrollen skal være exceptionel.

Væsentlig for Kvalitet

Når man printer komplekse tredimensionale former med bestemte interne funktioner, kan det være umuligt at foretage en ordentlig kvalitetskontrol uden at skabe massive forsinkelser og bruge røntgen‑computed tomography (CT) scanninger. Tidligere har dette problem ført til, at 3D‑printede komponenter har været begrænsede i visse anvendelser.

Disse scanninger er dyre og tidskrævende. Derfor er der et stort behov for en mere pålidelig og effektiv strategi til at fastslå, hvornår et 3D‑print har fejl. Forskerne fastslog, at de kunne udnytte den enorme mængde CT‑scanninger tilgængelige via databaser til at hjælpe med at oprette et bibliotek over potentielle fejlkriterier.

En Ny Undersøgelse Afslører et Bedre Alternativ

I deres artikel “Detecting and classifying hidden defects in additively manufactured parts using deep learning and X-ray computed tomography,” forklarer forskerne, hvordan de programmerede en yderst effektiv AI‑algoritme, der præcist kan opdage fejl i prints uden at skulle bruge røntgen. Deres undersøgelse har vist imponerende resultater, hvilket giver håb om, at additive 3D‑fremstilling i fremtiden kan blive branchens standard.

Printning af Testdele

Teamet havde brug for at skabe komplekse prints, der kunne modstå tryk og varme. Derfor fastslog de, at en dyse med 3D‑interne strukturer ville være det bedste testemne. Interessant nok er 3D‑printede dyser meget populære, fordi de kan have specifikke designtræk, der hjælper med at styre flow og ændre tryk under visse scenarier. Specifikt fremstillede teamet 227 harpiksbaserede AM‑dyser til undersøgelsen. For det blotte øje så alle disse enheder fejlfri ud. Dog havde nogle af dysene bevidst indbyggede fejl, som senere skulle bruges til at afgøre, om algoritmen fungerede korrekt. Disse fejl blev placeret dybt inde i dysen for at sikre, at undersøgelsen var udfordrende for AI’en.

Dybt Maskinlæring

Forskerne udnyttede en AI‑metode kaldet dyb maskinlæring. Denne læringsform bruger computersimuleringer til at gengive millioner af scenarier. Hvert scenarie genererer unikke data, som hjælper AI’en med at lære at genkende situationen i fremtiden og hvordan den skal reagere. I denne undersøgelse begyndte ingeniørerne med at fodre AI‑algoritmen med de fremtrædende online CT‑scanningsdata. De scannede derefter en række prints for at skabe 100.334 tværsnitsbilledskiver. Denne samling af billeder udgjorde den første kontrolgruppe. Bemærkelsesværdigt sikrede gruppen en fejlrate på 13,6 % i printene.

Vision Transformer (ViT) Model

Det næste skridt var at starte simuleringerne. Ingeniørerne fik algoritmen til at køre 50 000 syntetiske fejlsimuleringer baseret på de indtastede data. Fejlene omfattede et bredt udvalg af former, størrelser, placeringer og dybder. Disse data blev derefter overlejret på fejlfri dele for at skabe en sammenligningsbasis.

Kapabel Løsning

AI‑algoritmen scannede derefter de 227 3D‑dele for fejl. Bemærkelsesværdigt var ingen af fejlene i delene de samme som i billedet, der blev brugt til at programmere algoritmen. Derfor måtte AI’en træffe vurderinger udelukkende baseret på sine fund og data. Den udførte denne opgave effektivt, hvilket markerer et stort fremskridt i sektoren.

Resultater

Resultaterne af denne undersøgelse har begejstret mange i branchen. AI‑algoritmen fastslog med 90 % nøjagtighed, hvilke dele der havde fejl, og hvilke der var korrekt printet. Imponerende nok fandt AI’en endda fejl, som andre AI‑modeller, der i øjeblikket anvendes i den industrielle sektor, havde undersøgt men overset.

Fordele som Deep Learning AI Bringer til Additive Fremstillingsprocesser

Der er mange grunde til, at denne forskning kan revolutionere sektoren. Deep‑learning‑protokoller har allerede bidraget til at øge effektivitet og innovation i andre sektorer. Nu kan denne avancerede teknologi bruges til at fremskynde datamodellering, forbedre sikkerheden og hjælpe med at skabe mere avancerede deep‑learning‑modeller, der kan følge med de komplekse printprocesser, der anvendes i dag.

Nøjagtighed

En af de største fordele ved denne forskning er en nøjagtighed på 90 %. For producenter er det en betydelig opgradering at få en AI til at bestemme 90 % af fejlene i produktionslinjen. Denne algoritme vil fjerne behovet for CT‑scanninger på kun de mest kritiske komponenter. På den måde vil denne tilgang drive innovation, da mere komplekse designs kan skabes og testes via simuleringer.

Lavere Omkostninger

Denne deep‑learning‑AI‑model vil sænke omkostningerne og den tid, der er nødvendig for at træne avancerede AI‑modeller til at opdage 3D‑printfejl. Disse modeller vil løbende forbedres, efterhånden som flere data bliver tilgængelige. Derfor er en succesrate på 90 % et godt udgangspunkt for forskerne. Fremtidige innovationer kan løfte denne rate mod 99 %, hvilket sænker omkostningerne for producenter generelt.

Fuldt Automatiserede Systemer

Deep‑learning‑modeller kombineret med additive fremstillingsprocesser muliggør fuld automatisering af fremstillingsprocessen. Allerede nu findes der industrielle metal‑3D‑printere, der producerer produkter til avancerede operationer. Disse enheder har tidligere ikke været gode til at teste deres fremstilling, hvilket normalt krævede et menneske. AI‑algoritmen, som dette team har udviklet, kan være løsningen på dette problem, da den vil gøre det muligt for disse systemer at skabe og kvalitetssikre deres arbejde internt. Den kan også kobles med en genbrugsproces. Forestil dig, at AI’en automatisk genanvender de defekte dele, når de opdages. Intelligente fremstillingssystemer som disse vil en dag stå i spidsen for den fjerde industrielle revolution.

Fremtiden for Additiv Fremstilling

Fremtiden for additive fremstilling ser lys ud. Disse enheder anvendes på tværs af flere industrier, herunder luftfart, biotek og medicin. Her er nogle af de vigtigste årsager til, at industriel 3D‑printning er blevet så populær i de sidste tre år.

Enheder med Lavere Omkostninger

En af hovedårsagerne til, at disse enheder bliver mere udbredte, er, at de nu er billigere at eje og drive. Producenter har mere konkurrence, hvilket fører til mere innovation og lavere priser. Derfor kan virksomheder integrere additive fremstilling i deres modeller for mindre omkostninger, hvilket forbedrer effektiviteten og reducerer spild.

Innovative Materialer

En anden væsentlig innovation er udviklingen af nye printmaterialer. Komposit og metaller kan nu bruges til at skabe mere holdbare komponenter. Nogle additive fremstillingsenheder kan printe komplekse designs, der udnytter flere materialer. Disse materialer er lettere og stærkere end nogensinde før. Derfor vil de helt sikkert finde bredere anvendelse på tværs af industrier.

AI‑Opgraderinger til Additive Fremstillingsprocesser

AI er en af de største grunde til, at additive printning kan blive en daglig opgave. AI‑modeller er blevet udviklet til næsten hvert trin i processen. Derudover kan AI‑chatbots gøre det lige så enkelt at forklare dine 3D‑printkoncepter som at sende en sms. De bruges allerede til at strømline fremstillingsprocessen og reducere spild. Denne seneste forskning integrerer AI i kvalitetssikringsdelen. Denne integration var den sidste komponent, der var nødvendig for at skabe et fuldstændigt selvforsynende 3D‑print‑økosystem. I fremtiden vil disse enheder skabe, printe og teste deres produkter uden menneskelig indgriben.

Bioprintere

En af de største innovationer inden for 3D‑printning er udviklingen af bio‑3D‑printere. Disse enheder kan printe biomaterialer såsom celler og muskelvæv. Disse enheder anvendes allerede til at skabe små bløde robotter, der kan navigere og organisere sig i klynger for at hjælpe med at udføre svære opgaver som vandrensning.

3D‑Printere i Rummet

En anden spændende innovation, der har ramt additive fremstillingssektoren, er printere, der kan fungere i mikrogravitation. Enheden blev udviklet af ESA (European Space Agency) og testet med succes i sidste uge. I modsætning til sine jordbaserede modparter skulle denne enhed være fuldstændig indkapslet for at forhindre varme eller dampe i at slippe ud. I fremtiden vil rumrejsende have brug for en måde at printe det, de har brug for. De vil være for langt fra Jorden til at kunne stole på raketleverancer, og der vil helt sikkert opstå situationer, hvor tilpassede og hidtil usete værktøjer bliver nødvendige. Derfor er der store investeringer i markedet fra luftfartssektoren.

Top Additive Fremstillingsvirksomheder

Der findes mange additive producenter i drift i dag. Disse virksomheder er pionerer inden for 3D‑printningens fremtid og hjælper med at skabe en bæredygtig eksistens med mindre affald. Her er nogle virksomheder, der kan drage fordel af den præsenterede fejlforskningsstudie.

1. Stratasys

SSYS Prisdiagram

Stratasys har været i 3D‑printindustrien siden 2010. På grund af sine kvalitetsløsninger har producenten udvidet sig til luftfarts-, medicinske, bil- og forbrugersektorerne med stor succes. I øjeblikket har virksomheden en populær softwarepakke, der forbedrer design‑effektivitet og implementering. Stratasys‑aktien har oplevet op- og nedture i sine mere end 14 år på markedet. På trods af mange markedspres‑begivenheder som COVID‑19 har Stratasys holdt stand. Den forbliver en populær 3D‑fremstillingsmulighed og fortsætter med at udvide sin drift. Derfor er den en klog tilføjelse til enhver portefølje.

2. Xometry

XMTR Prisdiagram

Xometry er en ny aktør på 3D‑printmarkedet. Virksomheden, som tilbyder en markedsplads for 3D‑printprototyper, fremstilling og mere, fortsætter med at udvide sit økosystem. I dag kan Xometry prale af over 5 000 leverandører og over 8 000 købere. Virksomhedens unikke kombination af on‑demand 3D‑print og markedspladsen, som giver kreative og programmører ROI‑muligheder, får mange analytikere til at forudsige en lys fremtid. Indtil videre har aktien underpræsteret, men har formået at positionere sig perfekt til den fremtidige integration af den traditionelle fremstillingssektor, som potentielt kan generere milliarder i omsætning. Derfor er XMTR værd at kigge nærmere på.

Forskere

Studiet “Detektion og klassificering af skjulte fejl i additivt fremstillede dele ved brug af deep learning og røntgen-computed tomography” blev udført på University of Illinois Urbana-Champaign. Det blev ledet af professor i Mechanical Science and Engineering på Illinois, Miles Bimrose, Sameh Tawfick og William King. Derudover deltog Chenhui Shao fra University of Michigan, Davis McGregor fra University of Maryland samt Tianxiang Hu, Jiongxin Wang og Zuozhu Liu fra Zhejiang University.

Additive Fremstillingsprocesser Fortsætter med at Forbedre

Konstante innovationer gør additive fremstillingsmarkedet mere konkurrencedygtigt hver dag. I fremtiden kan 3D‑printere finde anvendelsesområder overalt. Takket være de opfindsomme sind bag Vision Transformer (ViT)-modellen vil disse produkter være sikrere end nogensinde.

Lær om andre seje Additive Fremstillingsudviklinger.