En nyutvecklad metod kommer att säkerställa högkvalitativa standarder i additiva tillverkningsprocesser

Additiva tillverkningsprocesser fortsätter att förbättras tack vare innovativa insatser och ökad adoption. Denna vecka markerar en viktig milstolpe för branschen då en grupp forskare från University of Illinois Urbana-Champaign publicerade en artikel i Journal of Intelligent Manufacturing som visar en ny metod för att träna djupa maskininlärningsmodeller för att upptäcka defekter mer effektivt. Här är vad du behöver veta.

Additiv tillverkning är framtiden

3D‑utskriftsmarknaden kommer att fortsätta expandera, enligt en studie från BCG. Rapporten förutspår att marknaden för additiv tillverkning kommer att nå +95  miljarder dollar år 2030. Denna tillväxt drivs av lägre kostnader, ökad tillgänglighet, minskade tekniska barriärer och AI‑integration.

Det är särskilt värt att notera att dagens 3D‑utskriftsprocesser och -enheter kan skapa mer komplexa komponenter än sina föregångare. Dessa enheter gör det möjligt för ingenjörer att utveckla innovationer som aldrig tidigare setts. Naturligtvis blir det svårare att upptäcka defekter när utskrifterna blir mer komplexa, särskilt när det gäller utskrifter med interna mekanismer.

Minskad felrisk i additiva tillverkningsprocesser

Det är en sak när en 3D‑utskrift misslyckas på en konsumentprodukt. Det kan kosta både företaget och konsumenten pengar och tid. Det är en annan situation när en 3D‑utskriven del är en viktig komponent i flyg- eller medicinska tillämpningar. Här är insatserna mycket högre och kvalitetskontrollen måste vara exceptionell.

Avgörande för kvalitet

När man skriver ut komplexa tredimensionella former med vissa interna funktioner kan det vara omöjligt att genomföra en korrekt kvalitetskontroll utan att skapa enorma förseningar och använda röntgen‑datortomografi (CT‑skanningar). Tidigare har detta problem lett till att 3D‑utskrivna komponenter har varit begränsade i vissa tillämpningar.

Dessa skanningar är kostsamma och tidskrävande. Därför finns det ett stort behov av en mer pålitlig och effektiv strategi för att avgöra när en 3D‑utskrift har defekter. Forskare fastställde att de kunde utnyttja den stora mängden CT‑skanningar som finns tillgängliga via databaser för att skapa ett bibliotek med potentiella felkaraktäristika.

En ny studie avslöjar ett bättre alternativ

I deras artikel “Detecting and classifying hidden defects in additively manufactured parts using deep learning and X-ray computed tomography,” förklarar forskarna hur de programmerade en mycket effektiv AI‑algoritm som exakt kan upptäcka defekter i utskrifter utan att behöva använda röntgen. Deras studie har visat imponerande resultat, vilket ger hopp om att 3D‑additiv tillverkning i framtiden kan bli branschstandard.

Utskrift av testdelarna

Teamet behövde skapa komplexa utskrifter som kunde stå emot tryck och värme. Därför bestämde de att ett munstycke med 3D‑interna strukturer skulle vara det bästa testobjektet. Intressant nog är 3D‑utskrivna munstycken mycket populära eftersom de kan ha specifika designegenskaper som hjälper till att styra flödet och ändra trycket under vissa scenarier.

Specifikt skapade teamet 227 resinbaserade AM‑munstycken för studien. Vid första anblick såg alla dessa enheter fläckfria ut. Dock hade vissa munstycken avsiktligt inbyggda defekter som senare skulle användas för att avgöra om algoritmen fungerade korrekt. Dessa defekter placerades djupt inne i munstycket för att säkerställa att studien var svår för AI:n att klara.

Djup maskininlärning

Forskarna utnyttjade en AI‑metod som kallas djup maskininlärning. Denna inlärningsstil använder datorsimuleringar för att återskapa miljontals scenarier. Varje scenario genererar unik data som hjälper AI:n att lära sig att känna igen situationen i framtiden och hur den ska reagera.

I denna studie började ingenjörerna med att mata AI‑algoritmen med framträdande online‑CT‑skanningsdata. De skannade sedan en serie utskrifter för att skapa 100 334 tvärsnittsbilder. Denna samling bilder bildade den första kontrollgruppen. Noterbart säkerställde gruppen en defektnivå på 13,6 % i utskrifterna.

Vision Transformer (ViT)-modell

Nästa steg var att påbörja simuleringarna. Ingenjörerna fick algoritmen att köra 50 000 syntetiska defektsimuleringar baserade på den data de matade in. Felen omfattade ett brett urval av former, storlekar, placeringar och djup. Denna data överlagrades sedan på defektfria delar för att skapa en jämförelsesbas.

Kapabel lösning

AI‑algoritmen skannade sedan de 227 3D‑delarna för defekter. Noterbart var ingen av defekterna i delarna identisk med de i bilden som användes för att programmera algoritmen. Därför var AI:n tvungen att fatta bedömningar baserat enbart på sina fynd och data. Den utförde uppgiften effektivt, vilket markerar ett stort framsteg inom sektorn.

Resultat

Resultaten från denna studie har entusiasmerat många inom branschen. AI‑algoritmen fastställde med 90 % noggrannhet vilka delar som hade defekter och vilka som var korrekt utskrivna. Imponerande nog hittade AI:n även defekter som andra AI‑modeller som för närvarande används i den industriella sektorn hade granskat men missat.

Fördelar som djupinlärnings‑AI ger till additiva tillverkningsprocesser

Det finns många anledningar till att denna forskning kan revolutionera sektorn. Djupinlärningsprotokoll har redan bidragit till att driva effektivitet och innovation i andra sektorer. Nu kan denna avancerade teknik användas för att påskynda datamodellering, förbättra säkerheten och samtidigt hjälpa till att skapa mer avancerade djupinlärningsmodeller som kan hålla jämna steg med de komplexa utskriftsprocesserna som används idag.

Noggrannhet

En av de största fördelarna med denna forskning är en noggrannhet på 90 %. För tillverkare innebär det att ha en AI som bestämmer 90 % av defekterna i produktionslinjen en betydande förbättring. Denna algoritm kommer att eliminera behovet av CT‑skanningar för endast de mest kritiska komponenterna. På så sätt kommer detta tillvägagångssätt att driva innovation då mer komplexa designer kan skapas och testas via simuleringar.

Lägre kostnad

Denna djupinlärnings‑AI‑modell kommer att sänka kostnaden och tiden som krävs för att träna avancerade AI‑modeller för att upptäcka 3D‑utskriftsfel. Dessa modeller kommer kontinuerligt att förbättras i takt med att mer data blir tillgänglig. Därför är en framgångsfrekvens på 90 % en bra startpunkt för forskarna. Framtida innovationer kan driva upp den siffran mot 99 %, vilket sänker kostnaderna för tillverkare över hela linjen.

Fullt automatiserade system

Djupinlärningsmodeller kombinerade med additiva tillverkningsprocesser möjliggör full automatisering av skapandeprocessen. Redan finns det industriella metall‑3D‑skrivare som producerar produkter för avancerade operationer. Dessa enheter har tidigare haft svårigheter att testa sina skapelser, vilket vanligtvis krävde mänsklig inblandning.

AI‑algoritmen som detta team utvecklat kan vara lösningen på detta problem, eftersom den skulle göra det möjligt för dessa system att skapa och kvalitetskontrollera sina resultat internt. Den kan även kombineras med en återvinningsprocess. Föreställ dig att AI:n automatiskt återvinner de defekta delarna när de upptäcks. Intelligenta tillverkningssystem som dessa kommer en dag att stå i framkant av den fjärde industriella revolutionen.

Framtiden för additiv tillverkning

Framtiden för additiv tillverkning ser ljus ut. Dessa enheter används i flera branscher, inklusive flyg, bioteknik och medicin. Här är några av de främsta anledningarna till att industriell 3D‑utskrift har blivit så populär under de senaste tre åren.

Enheter med lägre kostnad

En av huvudorsakerna till att dessa enheter blir allt vanligare är att de nu är billigare att äga och driva. Tillverkare har mer konkurrens, vilket leder till mer innovation och lägre priser. På så sätt kan företag integrera additiv tillverkning i sina modeller för mindre kostnad, vilket förbättrar effektiviteten och minskar avfall.

Innovativa material

En annan stor innovation är skapandet av nya utskriftsmaterial. Kompositer och metaller kan nu användas för att skapa mer hållbara komponenter. Vissa additiva tillverkningsenheter kan skriva ut komplexa designer som utnyttjar flera material. Dessa material är lättare och starkare än någonsin. Därför kommer de säkert att få bredare användning i olika branscher.

AI‑uppgraderingar av additiva tillverkningsprocesser

AI är en av de största anledningarna till att additiv utskrift kan bli en daglig uppgift. AI‑modeller har skapats för nästan varje steg i processen. Dessutom kan AI‑chatbots göra det lika enkelt att förklara dina 3D‑utskriftskoncept som att skicka ett meddelande. De används redan för att effektivisera skapandeprocessen och minska avfall.

Den senaste forskningen integrerar AI i kvalitetskontrollens bakdel. Denna integration var den sista komponenten som behövdes för att skapa ett helt självförsörjande 3D‑utskrifts‑ekosystem. I framtiden kommer dessa enheter att skapa, skriva ut och testa sina produkter utan mänsklig inblandning.

Bioprinter

En av de största innovationerna inom 3D‑utskrift är skapandet av bio‑3D‑skrivare. Dessa enheter kan skriva ut biomaterial såsom celler och muskelvävnad. Dessa enheter används redan för att skapa små mjuka robotar som kan navigera och organisera sig i kluster för att hjälpa till med svåra uppgifter som vattenrening.

3D‑skrivare i rymden

En annan spännande innovation som har nått den additiva tillverkningssektorn är skrivare som kan fungera i mikrogravitation. Enheten skapades av ESA (European Space Agency) och testades förra veckan med framgång. Till skillnad från sina jordiska motsvarigheter måste denna enhet vara helt innesluten för att förhindra att värme eller rök läcker ut.

I framtiden kommer rymdresenärer att behöva ett sätt att skriva ut det de behöver. De kommer att vara för långt från jorden för att förlita sig på raketleveranser, och det kommer säkert att uppstå situationer där skräddarsydda och tidigare oanvända verktyg blir nödvändiga. Följaktligen finns det stora investeringar i marknaden från rymdsektorn.

Toppföretag inom additiv tillverkning

Det finns många additiva tillverkare som är verksamma idag. Dessa företag är pionjärer för framtiden inom 3D‑utskrift och hjälper till att skapa en hållbar existens med mindre avfall. Här är några företag som kan dra nytta av den presenterade defektforskningen.

1. Stratasys

SSYS Prisdiagram

Stratasys har varit verksamt inom 3D‑utskriftsindustrin sedan 2010. På grund av sina kvalitetslösningar har tillverkaren expanderat till flyg-, medicinska, fordons- och konsumentsektorerna med stor framgång. För närvarande har företaget en populär mjukvarusvit som förbättrar designeffektivitet och implementering.

Stratasys‑aktien har haft både uppgångar och nedgångar under sina mer än 14 år av handel. Trots många marknadsdrivna händelser som COVID‑19 har Stratasys klarat sig. Det förblir ett populärt alternativ för 3D‑tillverkning och fortsätter att expandera verksamheten. Därför är det ett klokt tillskott till vilken portfölj som helst.

2. Xometry

XMTR Prisdiagram

Xometry är en ny aktör på 3D‑utskriftsmarknaden. Företaget, som erbjuder en marknadsplats för 3D‑utskrift av prototyper, tillverkning och mer, fortsätter att expandera sitt ekosystem. Idag kan Xometry stoltsera med över 5 000 leverantörer och över 8 000 köpare.

Företagets unika kombination av on‑demand 3D‑utskrift och marknadsplatsen, som ger kreatörer och programmerare ROI‑möjligheter, får många analytiker att förutsäga en ljus framtid. För närvarande har aktien underpresterat men har lyckats positionera sig perfekt för framtida integration av den traditionella tillverkningssektorn, vilket potentiellt kan generera miljarder i intäkter. Därför är XMTR värt att titta på.

Forskare

Studien “Detecting and classifying hidden defects in additively manufactured parts using deep learning and X-ray computed tomography” genomfördes vid University of Illinois Urbana-Champaign. Den leddes av professor i Mechanical Science and Engineering vid Illinois, Miles Bimrose, Sameh Tawfick och William King. Dessutom deltog Chenhui Shao från University of Michigan, Davis McGregor från University of Maryland samt Tianxiang Hu, Jiongxin Wang och Zuozhu Liu från Zhejiang University.

Additiva tillverkningsprocesser fortsätter att förbättras

Ständiga innovationer gör att marknaden för additiv tillverkning blir mer konkurrenskraftig varje dag. I framtiden kan 3D‑skrivare hitta användningsområden överallt. Tack vare de uppfinningsrika sinnena bakom Vision Transformer (ViT)-modellen kommer dessa produkter att vara säkrare än någonsin.

Läs om andra spännande Additive Manufacturing‑utvecklingar.