研究人員探索機器學習 以實時防止金屬3D打印部件的缺陷

多年來，勞倫斯利弗莫爾國家實驗室的工程師和科學家們使用一系列傳感器和成像技術來分析金屬三維打印背后的物理和過程，并不斷努力，每次都是第一次制造更高質量的金屬零件?，F在，研究人員正在探索機器學習，以實時處理在三維構建期間獲得的數據，在幾毫秒內檢測構建是否具有令人滿意的質量。

在一篇由Advanced Materials Technologies于 9月5日在線發(fā)表的論文中，一組實驗室研究人員報告開發(fā)了卷積神經網絡(CNNs)，這是一種主要用于處理圖像和視頻的流行算法，通過觀察來預測某個部分是否合適。只需10毫秒的視頻。

“這是一種革命性的方式來查看可以通過視頻標記視頻的數據，或者更好地逐幀標記數據，”首席研究員和LLNL研究員Brian Giera說。“優(yōu)勢在于，您可以在打印時收集視頻，并在打印時最終得出結論。許多人可以收集這些數據，但他們不知道如何處理它，這項工作是朝這個方向邁出的一步。“

通常，Giera解釋說，在構建后完成的傳感器分析是昂貴的，并且部件質量只能在很久之后才能確定。對于需要數天到數周打印的部件，CNN可以證明有助于理解打印過程，更快地了解部件的質量，并在必要時實時校正或調整構建。

LLNL的研究人員使用大約2,000個融合激光軌道的視頻剪輯，在速度或功率等不同條件下開發(fā)了神經網絡。他們使用生成三維高度圖的工具掃描零件表面，使用該信息訓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。

加州大學伯克利分校的學生和LLNL研究員Bodi Yuan，該論文的第一作者，開發(fā)了可以自動標記每個構建的高度圖的算法，并使用相同的模型來預測構建軌道的寬度，軌道是否被破壞和寬度的標準偏差。使用這些算法，研究人員能夠拍攝正在進行的構建的視頻，并確定該部件是否表現出可接受的質量。研究人員報告說，神經網絡能夠檢測到一個零件是否連續(xù)，準確度為93%，對零件寬度做出了其他強有力的預測。

“由于卷積神經網絡在圖像和視頻識別相關任務方面表現出色，我們選擇用它們來解決我們的問題，”袁說。“我們成功的關鍵在于CNN可以在培訓過程中學習很多有用的視頻功能。我們只需要提供大量數據來培訓它，并確保它能很好地學習。”

Paper的共同作者和LLNL研究員Ibo Matthews領導了一個團隊，他們花了數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據，包括視頻，光學層析成像和聲學傳感器。在與Matthews小組合作分析構建軌道時，Giera得出結論，不可能手動進行所有數據分析，并希望了解神經網絡是否可以簡化工作。

“無論如何，我們正在收集視頻，所以我們只是連接點，”Giera說。“就像人類大腦使用視覺和其他感官來導航世界一樣，機器學習算法可以使用所有傳感器數據來導航3D打印過程。”

Giera說，論文中描述的神經網絡理論上可以用于其他3D打印系統(tǒng)。其他研究人員應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準機器學習技術一起使用的標記視頻集。

Giera說，仍然需要做一些工作來檢測部件中的空隙，這些部位無法通過高度圖掃描進行預測，但可以使用非原位X射線照相術進行測量。

研究人員還將尋求創(chuàng)建算法，以結合除圖像和視頻之外的多種感知模式。

“現在，任何類型的檢測都被認為是一個巨大的勝利。如果我們可以動態(tài)修復它，那就是更大的目標，”Giera說。“鑒于我們正在收集機器學習算法旨在處理的大量數據，機器學習將在第一次正確創(chuàng)建零件時發(fā)揮核心作用。”