新檢驗方法提高鐳射粉牀融合 3D 列印的信心
簡介
美國能源部奧克裏奇國家實驗室（Oak Ridge National Laboratory，ORNL）的研究人員透過改進缺陷檢測技術，提高了利用鐳射粉牀融合進行 3D 列印的金屬零件的信心。這種附加製造技術為能源、航空航天、核能和國防等行業提供了從廣泛材料中製造高度專業化的、形狀複雜的零件的能力。然而由於檢測產品的完整性和準確性是一項具有挑戰性的任務，該技術的應用仍受限於傳統的檢測方法無法發現被深層層積的錯誤。ORNL 研究人員開發了一種結合建造過程中收集的感應器資訊和建造後部件檢驗的方法。該結合資料隨後透過機器學習演算法教導，以識別產品中的缺陷。這種方法使操作者能夠像傳統的評估方法一樣可靠地知道準確缺陷檢測的機率，而這些方法需要更多的時間和勞動力。檢驗方法的開發
鐳射粉牀融合是最常見的金屬 3D 列印過程，它使用高能鐳射選擇性熔化已經在建造板上鋪設的金屬粉末。然後，建造板下降，系統重新鋪設並熔化另一層，逐步構建設計的產品。工程師知道材料中會存在缺陷。“對於常規製造，我們知道這些缺陷是什麼、在哪裡以及如何找到它們，”ORNL 研究人員 Zackary Snow 表示。“（操作者）知道他們能夠檢測到特定大小的缺陷的機率，所以他們知道多久應該檢查一次以獲得代表性的樣本。”但是 3D 列印並沒有受到同樣的信心。“沒有一個數位使得零件的合格和認證變得困難，”Snow 說。“這是 3D 列印中最大的障礙之一。”ORNL 研究人員與合作夥伴 RTX 最近在《增材製造》（Additive Manufacturing）期刊上發表的一篇論文中解釋了他們開發的檢驗方法。RTX 是一家航空航天和國防公司，他們設計了一個類似於已經生產的零件的零件，這為觀察逼真的缺陷提供了機會。然後，RTX 進行了多次 3D 列印，過程中使用了標準紅外攝影機和額外的可見光攝影機進行監測。RTX 和 ORNL 研究人員隨後使用 X 射線計算機斷層掃描（CT 掃描）進行品質檢測。在 RTX 的協助下，ORNL 的增材製造專家將這些資料對齊成為一堆堆疊的影象，從而成為機器學習演算法的教材。在訓練過程中，演算法使用 CT 掃描影象對缺陷進行初步標記。然後，一名人操作員根據建造過程中收集的資料中的視覺線索來標註其餘的缺陷。透過持續的人工反饋，軟體得以訓練，從而每次更加準確地識別缺陷。此前，在這個新方法中使用了 ORNL 在就地監測和深度學習框架方面的先進技術。隨著時間的推移，這將減少檢驗工作中人類的參與。“這樣就能夠實現與 CT 級別相同的檢測信心，並且不用進行 CT 檢測，”Snow 說。意義和應用
對於某些 3D 列印的部件，X 射線計算機斷層掃描是一種常見的檢查方法，但由於需要額外的時間和專門知識，這增加了成本。此外 CT 掃描無法有效地穿透高密度金屬，約束了其應用。當深度學習演算法應用於同一設計的連續製造過程中時，它可以在幾天內學會進行一致的品質分析，Snow 說。同時該軟體還可以整合從不同設計和結構中學到的所有知識，因此最終能夠準確地檢測具有陌生設計的產品。ORNL 開發的檢驗框架有助於擴大增材製造的應用。透過具有統計取證的品質控制，增材製造可以成為像汽車零件這樣的大批次生產產品的可行選擇。此外它還可以使能夠進行 3D 列印的零件型別更加多樣化。對於最小可檢測缺陷尺寸的確保程度可以提供更大的設計自由度。這一點很重要，因為該行業已經朝著更大的列印容積和更快的列印速度發展，這意味著需要更多的鐳射來製造具有不同型別的缺陷的更大的部件，ORNL 附屬公司 RTX 的增材製造高級首席工程師 Brian Fisher 表示“當製造更大的元件時，你真的可以節省時間和金錢，並且能夠提出商業理由——除了這些元件在當今檢測上也是最難的。”“我們的願景是，利用增材製造技術，我們可以在非常密集的材料中製造出大型、高度複雜的零部件，這在傳統上將非常困難和昂貴，特別是在檢測方面。”結論
奧克裏奇國家實驗室的研究人員透過開發一種綜合檢驗方法，提高了利用鐳射粉牀融合進行 3D 列印的金屬零件的信心。該方法透過結合建造後部件檢驗和建造過程中感應器收集的資料，使用機器學習演算法識別產品中的缺陷。此外該方法能夠讓操作者獲得與傳統評估方法相同的準確缺陷檢測機率。這一突破有助於拓展增材製造的應用範圍，使其成為像汽車零件這樣的大批次生產產品的可行選擇。並且，該方法對於檢測具有不同設計和結構的產品也具有準確性，從而提供了更大的設計自由度。這一發現將促使增材製造行業朝著更大的製造容量和更高的製造速度發展，同時也為製造部件的檢測提供理解決方案，從而推動了這一行業的發展。Laser-鐳射粉牀融合 3D 列印,檢驗方法,信心提升
