机器学习增强金属 3D 打印中的缺陷检测
作者：by Songshan Lake Materials Laboratory
来自西北大学、弗吉尼亚大学、卡内基梅隆大学和阿贡国家实验室的研究人员在激光粉末床熔融 (LPBF) 增材制造的缺陷检测和过程监控方面取得了重大进展。
通过使用可访问的传感器（例如麦克风和光电二极管）以及机器学习，他们实现了超过 90% 的准确率时间分辨率检测小孔形成的时间为 0.1 毫秒。这一突破为 LPBF 的智能闭环控制系统以及更快的鉴定和验证铺平了道路。认证流程用于金属增材制造零件。
该工作最近已发表在网络版中材料期货。
随着 3D 打印不断改变制造业，特别是在航空航天、国防和能源等高风险领域，确保打印零件的质量至关重要。金属 3D 打印（特别是 LPBF）的一大挑战是形成被称为“钥匙孔”孔隙的微观缺陷。这些孔隙会显着削弱零件并缩短其使用寿命，使其不适合要求苛刻的应用。检测这些缺陷即时的期间印刷工艺由于 LPBF 技术的速度和复杂性，该技术一直具有挑战性。
为了应对这一挑战，研究人员开发了一种基于机器学习的创新方法，使用简单的光和声音传感器来监控打印过程，并准确检测锁孔形成的时间和地点。这种方法的核心在于测量锁孔的振荡——打印过程中熔池中形成的蒸气凹陷。
高速同步加速器 X 射线成像用于建立精确的“地面实况”，这有助于训练机器学习模型来识别导致孔隙形成的条件。值得注意的是，该模型在检测缺陷方面的准确率超过 90%，时间分辨率短至 0.1 毫秒。
这项技术的潜在影响是巨大的。通过这种方法，制造商可以在打印过程中检测缺陷，从而进行调整或暂停，以防止生产有缺陷的零件。此功能不仅减少了与生产后检查和维修相关的时间和成本，而且有助于保持安全性至关重要的应用所需的高质量。
展望未来，研究人员的重点是使这项技术更容易获得和扩展以供广泛使用。未来的工作将旨在通过集成额外的传感器来进一步提高该方法的准确性。虽然这项研究在单轨激光熔化实验中实现了高精度，但未来的工作将将该方法扩展到 3D 零件构建，包括分析熔池内的孔隙运动并评估毛孔在重复的熔化循环过程中去除。更多信息：
任忠树等人，使用声光传感器和机器学习进行激光粉末床融合中的亚毫秒级小孔检测，材料期货（2024）。DOI：10.1088/2752-5724/ad89e2提供者：
松山湖材料实验室
引文:机器学习增强金属 3D 打印中的缺陷检测（2024 年，10 月 28 日）检索日期：2024 年 10 月 28 日来自 https://techxplore.com/news/2024-10-machine-defect-metal-3d.html
本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外，不得未经书面许可，不得复制部分内容。所提供的内容仅供参考。
关于《机器学习增强金属 3D 打印中的缺陷检测》的评论
暂无评论