LLNL使用機器學(xué)習(xí)來實時防止金屬3D打印部件的缺陷

據(jù)南極熊了解,，近日,，加利福尼亞州勞倫斯利弗莫爾國家實驗室(LLNL)的工程師和科學(xué)家開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)(CNN),，這是一種主要用于處理圖像和視頻的流行算法，用于預(yù)測3D打印部件的缺陷,，并在幾毫秒內(nèi)檢測是否有構(gòu)建了令人滿意的質(zhì)量,。

“這是一種革命性的方式通過視頻標(biāo)記數(shù)據(jù),，甚至可以是逐幀標(biāo)記�,！盠LNL首席研究員Brian Giera說,，“這種優(yōu)勢在于，您可以在打印某些內(nèi)容時收集視頻,，并在打印時最終得出結(jié)論,。很多人都可以收集這些數(shù)據(jù)，但他們不知道如何處理它,�,！巴ǔ＃珿iera解釋說,，在構(gòu)建后再進行分析的傳感器是非常昂貴的,，并且部件質(zhì)量只能在很久之后才能確定。對于需要數(shù)天到數(shù)周打印的部件,，CNN可以證明有助于理解打印過程,，更快地了解部件的質(zhì)量，并在必要時實時校正或調(diào)整構(gòu)建,。

LLNL的研究人員使用大約2,000個熔融激光軌道視頻片段在不同的條件下(例如速度或功率)開發(fā)了神經(jīng)網(wǎng)絡(luò),。他們使用生成3D高度圖的工具掃描零件表面，使用該信息訓(xùn)練算法以分析視頻幀的各個部分(每個區(qū)域稱為卷積),。 Giera解釋說,，這個過程對于人類來說是非常困難和耗時的。

加州大學(xué)伯克利分校的學(xué)生和LLNL研究員Bodi Yuan開發(fā)了可以自動標(biāo)記每個構(gòu)建的高度圖的算法,，并使用相同的模型來預(yù)測構(gòu)建軌道的寬度,，軌道是否被破壞以及寬度的標(biāo)準(zhǔn)是否有偏差。使用這些算法,，研究人員能夠拍攝正在進行的構(gòu)建的視頻,，并確定該部件是否表現(xiàn)出可接受的質(zhì)量。結(jié)果,，神經(jīng)網(wǎng)絡(luò)能夠以93%的準(zhǔn)確度檢測零件是否連續(xù),。

“我們成功的關(guān)鍵在于CNN可以在培訓(xùn)過程中學(xué)習(xí)很多有用的視頻功能，我們只需要提供大量數(shù)據(jù)來培訓(xùn)它,，并確保它學(xué)得很好,。”LLNL研究人員花了數(shù)年時間收集激光粉末床融合金屬3D打印過程的各種形式的實時數(shù)據(jù),，包括視頻,，光學(xué)層析成像和聲學(xué)傳感器。Giera說,。 “就像人類大腦使用視覺和其他感官來導(dǎo)航世界一樣,，機器學(xué)習(xí)算法可以使用所有傳感器數(shù)據(jù)來導(dǎo)航3D打印過程,。”

Giera說,，神經(jīng)網(wǎng)絡(luò)理論上可以用于其他3D打印系統(tǒng),。其他研究人員應(yīng)該能夠遵循相同的公式，在不同的條件下創(chuàng)建部件,，收集視頻并使用高度圖掃描它們以生成可以與標(biāo)準(zhǔn)機器學(xué)習(xí)技術(shù)一起使用的標(biāo)記視頻集。現(xiàn)在,，仍然需要做一些工作來檢測零件內(nèi)的空隙,，這些空隙無法通過高度圖掃描進行預(yù)測，但可以使用非原位X射線照相進行測量,。

研究人員還將尋求創(chuàng)建算法,，以結(jié)合除圖像和視頻之外的多種感知模式�,！艾F(xiàn)在,，任何類型的探測都被認(rèn)為是一個巨大的勝利。如果我們能夠即時修復(fù)它,，那就是更大的目標(biāo),，“Giera說。 “鑒于我們正在收集機器學(xué)習(xí)算法旨在處理的大量數(shù)據(jù),，機器學(xué)習(xí)將在第一次正確創(chuàng)建零件時發(fā)揮核心作用,。”

來源：中國3D打印網(wǎng)