アメリカのローレンスリバモア国立研究所の研究者たちは、レンズに基づく検査システムを開発しました。このシステムは、3Dプリント部品の形成プロセスを層ごとに監視することができます。このシステムは、部品がプリンターを離れる前に欠陥をキャッチするために人工知能を利用し、直接インク書き込み技術に焦点を当てています。これは、ノズルを通じて正確に配置されたフィラメント材料を柔軟またはペースト状の材料として堆積する積層製造技術です。LLNLの研究者によると、この方法は完成した部品の検査に必要な時間と労力を削減し、従来のX線コンピュータ断層撮影では完全にカバーできない大型複雑部品の検査方法を提供します。
LLNLシステムは3Dプリントプロセス中の欠陥をリアルタイムでキャッチ
このシステムは、3Dプリンターに直接取り付けられたレンズと、機械学習に基づく画像分割およびコンピュータビジョンツールを組み合わせています。これらのツールは、プリントプロセス中にキャッチされた数千の画像を詳細な測定結果と堆積材料の空間マップに変換することができます。このプロジェクトの技術責任者であり、LLNLデジタルツインのAI/機械学習エンジニアであるブライアン・ウェストンは、この成果をシンプルに説明しました。このシステムは、プリントプロセス中のすべてを見える目を持つ脳のような機能を持っています。
直接インク書き込み技術は、機械的特性が数分の一ミリメートルの厚さのフィラメント材料に依存する複雑で柔軟なシールを生産できます。小さな隙間や破損したフィラメント材料は、完成した部品の性能に影響を与える可能性があります。従来の検査では、プリントが完了した後に部品を取り出し、オフラインでテストを行う必要があり、通常は製造が完了した後に問題が発見されます。
対照的に、LLNLシステムは各層の堆積時に画像をキャッチします。ソフトウェアは新しくプリントされたフィラメント材料をリアルタイムで識別し、その直径を計算して、エンジニアに高価な下流テストの前に初期検査を提供します。チームは、さまざまな格子幾何形状をカバーする約15,000枚の人工的にラベル付けされた画像を使用して、画像分割モデルをトレーニングしました。コンピュータビジョンアルゴリズムは、その後、モデルの出力を利用してプリントされたフィラメント材料を追跡し、その直径を測定します。55個の部品のテストでは、自動測定の結果は通常、手動測定のデータと数ミクロンの差しかありません。
大型画像の手動測定には20分から1時間かかることがありますが、自動プロセスは同じ分析をミリ秒内に完了し、平均速度は手動測定の約100,000倍です。
この技術は多様な積層製造技術に適応可能
システムのスケールを示すために、研究者たちは約25センチメートル×25センチメートル（9.8インチ×9.8インチ）のシールにこのシステムを適用しました。彼らは単層から約2,500枚の画像を収集し、測定結果をその部品内部の空間マップに統合しました。このマップは、フィラメント材料の直径がプリントの一方の側から他方の側にかけて徐々に変化することを明らかにしました。このパターンは、プリントプラットフォームがノズルに対してわずかに傾いていることに起因します。このハードウェアの問題は、全体の平均測定によって隠される可能性があります。
LLNLのデータサイエンス、AI、製造の副プロジェクトディレクターであるブライアン・ギラは、この技術の重要性は直接インク書き込みに限らないと述べています。その基盤となる技術は、他の積層技術、従来の減材製造、および実験室で使用される他のシステムに適応することを目的としています。ギラは、このような機械内検査は、信頼できる測定と検査なしには自律システムが機能できないため、より高い製造の自律性の基盤能力を表していると述べています。この能力は、カンザスシティ国立安全複合体での生産関連システムの評価に移転されると予想されています。
長期的には、ウェストンは、検査データがデジタルツインをサポートし、部品の測定構造をその予測性能に接続することができると述べています。この接続は最終的に、システムが部品構築プロセス中に自ら受け入れるか拒否する判断を下すことを可能にします。この研究成果は『npj Advanced Manufacturing』ジャーナルに発表されました。