Een nieuw ontwikkelde methode zal hoge kwaliteitsnormen in additieve productieprocessen waarborgen

Additieve productieprocessen blijven verbeteren dankzij innovatieve inspanningen en groeiende adoptie. Deze week markeert een belangrijke mijlpaal voor de sector, aangezien een groep onderzoekers van de University of Illinois Urbana-Champaign een artikel publiceerde in het Journal of Intelligent Manufacturing waarin een nieuwe methode wordt aangetoond om diepe machine‑learning‑modellen te trainen om defecten effectiever te detecteren. Dit is wat u moet weten.

Additive Manufacturing is the Future

De 3D‑printmarkt zal blijven groeien, volgens een studie van BCG. Het rapport voorspelt dat de markt voor additieve productie tegen 2030 +95  miljard zal bereiken. Deze groei wordt aangedreven door lagere kosten, grotere beschikbaarheid, verminderde technische barrières en AI‑integratie.

Opmerkelijk is dat de huidige 3D‑printprocessen en -apparaten complexere componenten kunnen maken dan hun voorgangers. Deze apparaten stellen ingenieurs in staat om nog nooit eerder geziene innovaties te ontwikkelen. Uiteraard wordt het, naarmate de prints complexer worden, moeilijker om defecten te detecteren, vooral bij prints met interne mechanismen.

Reduced Failure in Additive Manufacturing Processes

Het is één ding wanneer een 3D‑print faalt bij een consumentenproduct. Het kan het bedrijf en de consument geld en tijd kosten. Een ander scenario is wanneer een 3D‑geprinte component een cruciaal onderdeel is in de lucht- of medische sector. Hier zijn de inzet hoger en moet de kwaliteitscontrole uitzonderlijk zijn.

Vital to Quality

Bij het printen van complexe driedimensionale vormen met bepaalde interne kenmerken kan het onmogelijk zijn om een goede kwaliteitscontrole uit te voeren zonder enorme vertragingen en het gebruik van röntgen‑computed‑tomografie (CT‑scans). In het verleden heeft dit probleem ertoe geleid dat 3D‑geprinte componenten in bepaalde toepassingen beperkt werden.

Bron – University of Illinois Urbana-Champaign

Deze scans zijn kostbaar en tijdrovend. Daarom is er een enorme vraag naar een betrouwbaardere en effectievere strategie om te bepalen wanneer een 3D‑print defecten vertoont. Onderzoekers bepaalden dat ze de enorme hoeveelheid CT‑scans die via databases beschikbaar zijn, konden benutten om een bibliotheek van potentiële faalkarakteristieken te creëren.

A New Study Reveals a Better Option

In hun artikel “Detecting and classifying hidden defects in additively manufactured parts using deep learning and X-ray computed tomography,” leggen de onderzoekers uit hoe ze een zeer effectief AI‑algoritme programmeerden dat nauwkeurig defecten in prints kon opsporen zonder gebruik te maken van röntgenstraling. Hun studie heeft indrukwekkende resultaten laten zien, wat hoop biedt dat additieve 3D‑productie in de toekomst de industriestandaard kan worden.

Printing the Test Parts

Het team moest complexe prints maken die bestand waren tegen druk en hitte. Daarom bepaalden ze dat een nozzle met 3D‑interne structuren het beste testobject zou zijn. Interessant genoeg zijn 3D‑geprinte nozzles zeer populair omdat ze specifieke ontwerpeigenschappen kunnen hebben die de stroming helpen te regelen en de druk onder bepaalde omstandigheden aanpassen.

Specifiek creëerde het team 227 resin‑gebaseerde AM‑nozzles voor de studie. Voor het blote oog zagen al deze eenheden er onberispelijk uit. Echter, sommige nozzles hadden opzettelijk gebouwde defecten die later werden gebruikt om te bepalen of het algoritme correct functioneerde. Deze defecten werden diep in de nozzle geplaatst, zodat de studie een uitdaging voor de AI vormde.

Deep Machine Learning

De onderzoekers maakten gebruik van een AI‑benadering genaamd deep machine learning. Deze leervorm gebruikt computersimulaties om miljoenen scenario’s te repliceren. Elk scenario genereert unieke data die de AI helpt om de situatie in de toekomst te herkennen en te weten hoe te reageren.

In deze studie begonnen ingenieurs door het AI‑algoritme te voeden met de prominente online defeat CT‑scan data. Vervolgens scanden ze een reeks prints om 100.334 dwarsdoorsnede‑beeldslices te creëren. Deze verzameling beelden vormde de eerste controlegroep. Opmerkelijk is dat de groep een defectpercentage van 13,6 % in de prints waarborgde.

Vision Transformer (ViT) Model

De volgende stap was het starten van de simulaties. De ingenieurs lieten het algoritme 50 000 synthetische defect‑simulaties uitvoeren op basis van de ingevoerde data. De fouten omvatten een diverse selectie van vormen, groottes, locaties en dieptes. Deze data werd vervolgens overgeplaatst op defectvrije onderdelen om een vergelijkingsbasis te creëren.

Capable Solution

Het AI‑algoritme scande vervolgens de 227 3D‑onderdelen op defecten. Opmerkelijk was dat geen van de defecten in de onderdelen overeenkwam met die in de afbeelding die werd gebruikt om het algoritme te programmeren. Hierdoor moest de AI oordelen vormen op basis van alleen haar bevindingen en data. Ze voltooide deze taak efficiënt, wat een belangrijke vooruitgang in de sector markeert.

Results

De resultaten van deze studie hebben velen in de sector enthousiast gemaakt. Het AI‑algoritme bepaalde met 90 % nauwkeurigheid welke onderdelen defecten hadden en welke correct waren geprint. Indrukwekkend genoeg vond de AI zelfs defecten die andere AI‑modellen die momenteel in de industriële sector worden gebruikt, hadden gemist.

Benefits that Deep Learning AI Brings to Additive Manufacturing Processes

Er zijn veel redenen waarom dit onderzoek de sector kan revolutioneren. Deep‑learning‑protocollen hebben al bijgedragen aan efficiëntie en innovatie in andere sectoren. Nu kan deze geavanceerde technologie worden ingezet om datamodellering te versnellen, de veiligheid te verbeteren en meer geavanceerde deep‑learning‑modellen te creëren die kunnen bijhouden met de complexe printprocessen die vandaag de dag worden gebruikt.

Accuracy

Een van de grootste voordelen van dit onderzoek is het nauwkeurigheidspercentage van 90 %. Voor fabrikanten is het hebben van een AI die 90 % van de defecten in uw productielijn bepaalt een belangrijke upgrade. Dit algoritme zal de noodzaak voor CT‑scans alleen bij de meest kritieke componenten wegnemen. Hierdoor zal deze aanpak innovatie stimuleren, aangezien complexere ontwerpen kunnen worden gecreëerd en getest via simulaties.

Lower Cost

Dit deep‑learning‑AI‑model zal de kosten en de tijd die nodig zijn om geavanceerde AI‑modellen te trainen voor het detecteren van 3D‑printfouten verlagen. Deze modellen zullen continu verbeteren naarmate er meer data beschikbaar komt. Daarom is een succespercentage van 90 % een uitstekend startpunt voor de onderzoekers. Toekomstige innovaties zouden dit percentage kunnen verhogen tot 99 %, waardoor de kosten voor fabrikanten overal worden verlaagd.

Fully Automated Systems

Deep‑learning‑modellen gecombineerd met additieve productieprocessen maken volledige automatisering van het creatieproces mogelijk. Er bestaan al industriële metalen 3D‑printers die producten maken voor geavanceerde operaties. Deze apparaten waren in het verleden niet goed in het testen van hun creaties, wat meestal een mens vereiste.

Het AI‑algoritme dat door dit team is ontwikkeld, zou de oplossing voor dit probleem kunnen zijn, omdat het deze systemen in staat stelt intern te creëren en kwaliteitscontrole uit te voeren. Het kan ook worden gekoppeld aan een recyclingproces. Stel u zich voor dat de AI de defecte stukken automatisch recyclet zodra ze worden gedetecteerd. Intelligente productiesystemen zoals deze zullen op een dag aan de voorhoede staan van de vierde industriële revolutie.

Future of Additive Manufacturing

De toekomst van additieve productie ziet er rooskleurig uit. Deze apparaten worden in meerdere sectoren gebruikt, waaronder de luchtvaart, biotechnologie en de medische sector. Hieronder staan enkele van de belangrijkste redenen waarom industrieel 3D‑printen de afgelopen drie jaar zo populair is geworden.

Lower Costs Units

Een van de belangrijkste redenen dat deze apparaten steeds vaker voorkomen, is dat ze nu goedkoper zijn in aanschaf en gebruik. Fabrikanten hebben meer concurrentie, wat leidt tot meer innovatie en lagere prijzen. Hierdoor kunnen bedrijven additieve productie integreren in hun modellen voor minder kosten, waardoor efficiëntie verbetert en afval wordt verminderd.

Innovative Materials

Een andere grote innovatie is de creatie van nieuwe printmaterialen. Composieten en metalen kunnen nu worden gebruikt om duurzamere componenten te maken. Sommige additieve productiesystemen kunnen complexe ontwerpen printen die meerdere materialen combineren. Deze materialen zijn lichter en sterker dan ooit. Daardoor zullen ze meer toepasbaarheid vinden in verschillende sectoren.

AI Upgrades to Additive Manufacturing Processes

AI is een van de grootste redenen waarom additief printen een dagelijkse taak kan worden. AI‑modellen zijn ontwikkeld voor bijna elke stap van het proces. Bovendien kunnen AI‑chatbots het uitleggen van uw 3D‑printconcepten net zo eenvoudig maken als het versturen van een sms. Het wordt al gebruikt om het creatieproces te stroomlijnen en afval te verminderen.

Dit nieuwste onderzoek integreert AI in de kwaliteitscontrole‑backend. Deze integratie was het laatste onderdeel dat nodig was om een volledig zelfvoorzienend 3D‑print‑ecosysteem te creëren. In de toekomst zullen deze apparaten hun producten maken, printen en testen zonder menselijke tussenkomst.

Bioprinters

Een van de grootste innovaties in 3D‑printen is de creatie van bio‑3D‑printers. Deze apparaten kunnen biomaterialen zoals cellen en spierweefsel printen. Deze eenheden worden al gebruikt om kleine zachte robots te maken die kunnen navigeren en zich in clusters kunnen organiseren om moeilijke taken uit te voeren, zoals waterzuivering.

3D Printers in Space

Een andere coole innovatie die de additieve productiesector heeft bereikt, zijn printers die kunnen functioneren in micro‑zwaartekrachtomgevingen. Het apparaat werd gecreëerd door de ESA (European Space Agency) en vorige week met succes getest. In tegenstelling tot zijn aardse tegenhangers moest deze eenheid volledig afgesloten zijn om te voorkomen dat warmte of dampen ontsnapten.

In de toekomst zullen ruimtevaarders een manier nodig hebben om te printen wat ze nodig hebben. Ze zullen te ver van de aarde zijn om te vertrouwen op leveringen per raket, en er zullen scenario’s zijn waarin op maat gemaakte en nog nooit gebruikte gereedschappen noodzakelijk worden. Daarom is er veel investering in de markt vanuit de lucht- en ruimtevaartsector.

Top Additive Manufacturing Firms

Er zijn veel additieve fabrikanten die momenteel actief zijn. Deze bedrijven leiden de toekomst van 3D‑printen en helpen een duurzame bestaan te creëren met minder afval. Hieronder staan enkele bedrijven die kunnen profiteren van het defectonderzoek dat is gepresenteerd.

1. Stratasys

SSYS Prijsgrafiek

Stratasys is sinds 2010 actief in de 3D‑printindustrie. Door zijn kwaliteitsoplossingen heeft de fabrikant zich uitgebreid naar de luchtvaart, medische, automotive en consumenten sectoren met groot succes. Momenteel heeft het bedrijf een populaire software‑suite die de ontwerpefficiëntie en implementatie verbetert.

De aandelen van Stratasys hebben de afgelopen 14 jaar enige schommelingen gekend. Ondanks veel marktversnellende gebeurtenissen zoals COVID‑19, heeft Stratasys standgehouden. Het blijft een populaire 3D‑productieoptie en blijft de activiteiten uitbreiden. Daarom is het een verstandige toevoeging aan elke portefeuille.

2. Xometry

XMTR Prijsgrafiek

Xometry is een nieuwe toetreding tot de 3D‑printmarkt. Het bedrijf, dat een marktplaats biedt voor 3D‑printprototypes, productie en meer, blijft zijn ecosysteem uitbreiden. Vandaag pronkt Xometry met meer dan 5 000 leveranciers en meer dan 8 000 kopers.

De unieke combinatie van on‑demand 3D‑printen en de marktplaats, die creatieven en programmeurs ROI‑kansen biedt, heeft veel analisten een heldere toekomst voorspellen. Voorlopig heeft het aandeel ondermaats gepresteerd, maar heeft het zich perfect gepositioneerd voor de toekomstige onboarding van de traditionele productiesector, die potentieel miljarden aan omzet kan genereren. Daarom is XMTR het bekijken waard.

Researchers

De studie “Detecting and classifying hidden defects in additively manufactured parts using deep learning and X-ray computed tomography” werd uitgevoerd aan de University of Illinois Urbana-Champaign. Het werd geleid door professor Mechanical Science and Engineering aan Illinois, Miles Bimrose, Sameh Tawfick en William King. Daarnaast namen Chenhui Shao van de University of Michigan, Davis McGregor van de University of Maryland, en Tianxiang Hu, Jiongxin Wang en Zuozhu Liu van Zhejiang University deel.

Additive Manufacturing Processes Continue to Improve

Constante innovaties maken de markt voor additieve productie elke dag concurrerender. In de toekomst zouden 3D‑printers overal toepassingen kunnen vinden. Dankzij de inventieve geesten achter het Vision Transformer (ViT)-model zullen deze producten veiliger zijn dan ooit.

Ontdek andere coole ontwikkelingen in additieve productie.