Rilevamento e correzione degli errori di stampa 3D generalizzabili tramite multi

Nature Communications volume 13, numero articolo: 4654 (2022) Citare questo articolo

Accessi 16k

11 citazioni

189 Altmetrico

Dettagli sulle metriche

L’estrusione dei materiali è il metodo di produzione additiva più diffuso, ma la sua applicazione nei prodotti finali è limitata dalla vulnerabilità agli errori. Gli esseri umani possono rilevare gli errori ma non possono fornire un monitoraggio continuo o una correzione in tempo reale. Gli approcci automatizzati esistenti non sono generalizzabili tra diverse parti, materiali e sistemi di stampa. Addestriamo una rete neurale multi-testa utilizzando immagini etichettate automaticamente in base alla deviazione dai parametri di stampa ottimali. L’automazione dell’acquisizione e dell’etichettatura dei dati consente la generazione di un set di dati di stampa 3D di estrusione ampio e vario, contenente 1,2 milioni di immagini da 192 parti diverse etichettate con parametri di stampa. La rete neurale così addestrata, insieme a un circuito di controllo, consente il rilevamento in tempo reale e la correzione rapida di diversi errori che è efficace su molte geometrie 2D e 3D diverse, materiali, stampanti, percorsi utensile e persino metodi di estrusione. Creiamo inoltre visualizzazioni delle previsioni della rete per far luce su come prende le decisioni.

L’estrusione dei materiali è il metodo di produzione additiva (AM) più comune per ragioni tra cui il costo relativamente basso, la ridotta postelaborazione, la compatibilità con molti materiali e la capacità multi-materiale1. Ciò ha reso l’estrusione AM promettente in numerose aree2 tra cui l’assistenza sanitaria3, i dispositivi medici4, l’aerospaziale5 e la robotica6. Tuttavia, una delle ragioni principali per cui molte di queste applicazioni rimangono in fase di ricerca è che l’estrusione AM è vulnerabile a diversi errori di produzione. Si va da imprecisioni dimensionali su piccola scala e debolezze meccaniche a guasti totali di costruzione1,7,8,9,10. Per contrastare gli errori, un lavoratore specializzato in genere deve osservare il processo AM, riconoscere un errore, interrompere la stampa, rimuovere la parte e quindi regolare adeguatamente i parametri per una nuova parte. Se viene utilizzato un nuovo materiale o una nuova stampante, questo processo richiede più tempo man mano che il lavoratore acquisisce esperienza con la nuova configurazione11,12. Anche in questo caso è possibile che gli errori non vengano rilevati, soprattutto se il lavoratore non osserva continuamente ciascun processo. Ciò può essere difficile se più stampanti sono in funzione contemporaneamente o, come evidenziato dalla pandemia di COVID-19, il personale è limitato a causa del distanziamento sociale o di malattie. Ciò non solo costa materiale, energia e tempo, ma limita anche sia l’uso di parti AM nei prodotti finali, in particolare quelli critici per la sicurezza come i dispositivi medici, sia la resilienza delle catene di approvvigionamento basate sull’AM. Queste sfide sono destinate a diventare più urgenti man mano che l’AM si espande ai materiali viventi e funzionali, alle complesse strutture reticolari multimateriali e agli ambienti difficili come i cantieri remoti all’aperto o sul corpo umano.

Ciò ha motivato ricerche diverse e interessanti sul monitoraggio dell’estrusione AM13. I sensori attuali14,15, inerziali16,17 e acustici18,19,20,21,22 sono stati spesso utilizzati per monitorare l'AM di estrusione. Sebbene questi approcci portino al rilevamento affidabile di alcune modalità di errore, tipicamente su larga scala, durante la stampa, molti errori rimangono non rilevabili. Queste metodologie devono ancora essere utilizzate nella maggior parte delle stampanti 3D, poiché il costo dei sensori e degli amplificatori per tali approcci è spesso elevato. Inoltre, non sono sufficientemente ricchi di dati per consentire feedback e correzioni online.

Gli approcci basati su telecamere sono potenzialmente versatili e ricchi di dati. Sono state utilizzate singole telecamere montate sul telaio della stampante con vista dall'alto verso il basso o laterale, abbinate alle tradizionali tecniche di visione artificiale e di elaborazione delle immagini, per rilevare diversi errori AM di estrusione23,24,25,26,27,28,29, 30,31,32. Questo approccio ha il vantaggio di essere relativamente economico, più facile da configurare e di consentire alla telecamera di osservare gran parte del pezzo prodotto in qualsiasi momento. Ciò consente di rilevare molti errori, come la deformazione del riempimento o la presenza di "blob" di materiale. Tuttavia, l’utilizzo di una singola telecamera può limitare la quantità di informazioni ottenute sul processo di produzione e quindi la gamma di errori e tipi di errore identificati. Gli approcci multi-camera sono più costosi e complessi da implementare ma potenzialmente più efficaci. Viste multiple della parte o l'aggiunta di telecamere a infrarossi possono consentire di evidenziare difetti, come stampe incomplete, che potrebbero non essere evidenti da un unico punto di vista33,34,35. Le ricostruzioni 3D di parti stampate, ad esempio, generate mediante scansione a luce strutturata 3D multi-camera e correlazione di immagini digitali, possono essere confrontate con il modello di parte digitale 3D per rilevare imprecisioni dimensionali35,36,37,38,39,40,41,42 ,43. Tuttavia, questi sistemi più sofisticati sono spesso costosi, sensibili alle condizioni di illuminazione e alle proprietà della superficie delle parti, più lenti a causa del tempo di scansione e dei calcoli, richiedono posizionamento e calibrazione precisi e si limitano a rilevare errori sufficientemente grandi da vedere i limiti di risoluzione dello scanner.