ORNL razvija naprednu metodu za otkrivanje grešaka za aditivnu proizvodnju

Istraživači Nacionalnog laboratorija Oak Ridge (ORNL) američkog ministarstva za energiju, koji se nalazi u Oak Ridgeu u Tennesseeu u SAD, su prema izvještajima poboljšali otkrivanje grešaka u metalnim proizvodima, izrađenim selektivnim laserskim taljenjem (PBF-LB) postupkom, koji objedinjuje pregled izrađenog proizvoda nakon proizvodnje s podacima, sakupljenim s pomoću senzora tijekom postupka izrade.

Objedinjeni podaci uče algoritam strojnog učenja za prepoznavanje grešaka na proizvodu. Taj pristup omogućuje operaterima, da odrede vjerojatnost preciznog otkrivanja grešaka jednako pouzdano kao i tradicionalne metode evaluacije, međutim bez potrebe za pretjeranim vremenom i uloženim trudom.

»U 90 % slučajeva možemo otkriti greške veličine približno pola milimetra, što je približno debljina vizitke,« rekao je istraživač ORNL Luke Scime. »Prvi smo, koji smo definirali stupanj povjerenja, koji je mogu za otkrivanje grešaka na samom kraju (procesa).«

Tijekom proizvodnje inženjeri znaju, da će se u materijalu pojaviti greške, no do sada se kod brojnih aditivnih postupaka te greške nisu mogle jednostavno otkriti. »Kod uobičajene proizvodnje znamo, koje su to greške te gdje i kako ih naći. Operateri znaju vjerojatnost, da mogu otkriti greške određene veličine, stoga znaju, kako često moraju pregledavati, kako bi dobili reprezentativni uzorak,« izjavio je istraživač ORNL Zackary Snow. »Ako nemamo brojke, teško je kvalificirati i certificirati proizvode,« rekao je Snow. »To je jedna od najvećih prepreka u aditivnoj proizvodnji.«

U prvom koraku istraživanja, tvrtka RTX, koja se bavi zrakoplovstvom i obranom, oblikovala je dio, sličan onome koji već proizvodi, što je omogućilo prikaz realistično prikazanih grešaka. Tvrtka RTX je zatim više puta aditivno proizvela dio, pri čemu je postupak pratila sa standardnom kamerom za blisku infracrvenu svjetlost i dodatnom kamerom za vidljivu svjetlost. Istraživači društva RTX i ORNL su zatim načinili preglede kvalitete primjenom rendgenske računalne tomografije, koju obično nazivamo CT.

Stručnjaci ORNL za aditivnu proizvodnju su prema uputama društva RTX podatke uredili u višeslojnu grupu slika, koja je služila kao vodič za algoritam strojnog učenja. Isprva je algoritam nastojao označiti greške s pomoću slika CT-snimaka, a preostalo je na temelju vizualnih naputaka iz podataka o proizvodnom procesu obavio ljudski operater. Neprestane povratne informacije od čovjeka poboljšavaju programsku opremu i svaki puta iznova povećavaju točnost prepoznavanja grešaka u algoritmu. Pri tom inovativnom pristupu ključnu ulogu su imala prethodna dostignuća ORNL na području praćenja na licu mjesta i okvira dubokog učenja. S vremenom će ta metoda smanjiti potrebu za uključivanjem čovjeka u pregled proizvoda.

Iako je CT-slikanje i analiza uobičajeni postupak za provjeravanje nekih aditivno proizvedenih dijelova, no povećavaju troškove, jer zahtijevaju dodatno vrijeme i stručno znanje. Pored toga CT ne može učinkovito prodrijeti kroz guste metale, što ograničava njegovu primjenu.»To omogućuje povjerenje na razini CT bez CT,« rekao je Snow.

Kada se algoritam koristi za samo jednu konstrukciju, dosljedno izrađivanu s istim materijalom i postupkom, može naučiti osiguravati dosljednu analizu kvalitete u nekoliko dana, rekao je Scime. Programska oprema istodobno uključuje sve, što nauči iz različitih modela i konstrukcija. Tako će s vremenom moći precizno provjeravati proizvode s nepoznatim konstrukcijama.

Istraživač ORNL Zackary Snow uspoređuje podatke iz različitih vrsta slika, sakupljenih tijekom aditivne proizvodnje metalnih dijelova i nakon nje (uz dopuštenje Carlos Jones/ORNL, US Dept. of Energy)

Kontrolni okvir, kojeg je razvio ORNL, mogao bi pomoći pri širenju primjene aditivne proizvodnje. Sa statistički provjerenom kontrolom kvalitete, aditivna proizvodnja bi mogla postati izvediva za masovnu proizvodnju proizvoda, kao što su automobilski dijelovi, rekao je Snow.

Moguća je i diverzifikacija vrsta proizvoda, koje je moguće izraditi aditivno. Poznavanje najmanje prepoznatljive veličine greške povećava prilagodljivost projektiranja. To je ključno, jer se industrija usmjerava prema većim količinama izrade i većim brzinama izrade. To znači više lasera, koji međusobno djeluju pri stvaranju većih proizvoda, što može uzrokovati različite vrste grešaka, tvrdi Brian Fisher, viši glavni inženjer za aditivnu proizvodnju u istraživačkom centru RTX Raytheon Technologies Research Center.

»Pri ispisu većih sklopova možete ozbiljno početi sa uštedom na vremenu i novcu te dobivati poslovne prednosti – samo njih je danas i najteže pregledavati,« napomenuo je Fisher. »Vizija je, da s pomoću aditivnim postupcima možemo izraditi velike, vrlo kompleksne proizvode od vrlo gustih materijala, koje bi tradicionalno bilo vrlo teško i skupo temeljito pregledati.«

Kasnije tim ORNL planira algoritam dubokog učenja osposobiti za poboljšanje razlikovanja između vrsta nepravilnosti i kategorizaciju grešaka s više uzroka.

Detalji tog postupka su bili objavljeni u časopisu Additive Manufacturing.