LLNL sử dụng máy học để ngăn ngừa khuyết tật trong các bộ phận in 3D kim loại theo thời gian thực

LLNL sử dụng máy học để ngăn ngừa khuyết tật trong các bộ phận in 3D kim loại theo thời gian thực

LLNL sử dụng máy học để ngăn ngừa khuyết tật trong các bộ phận in 3D kim loại theo thời gian thực

Các kỹ sư và nhà khoa học tại Phòng thí nghiệm quốc gia Lawrence Livermore (LLNL), California, đã phát triển một loại thuật toán phổ biến chủ yếu dùng để xử lý hình ảnh và video, để dự đoán sai sót trong các phần in 3D và phát hiện trong vòng mili giây sẽ có chất lượng thỏa đáng.

"Đây là một cách mang tính cách mạng để xem dữ liệu mà bạn có thể gắn nhãn video theo video, hoặc tốt hơn, từng khung hình", nhà nghiên cứu chính và nhà nghiên cứu LLNL Brian Giera cho biết. “Lợi thế là bạn có thể thu thập video trong khi bạn đang in một cái gì đó và cuối cùng đưa ra kết luận khi bạn in nó. Rất nhiều người có thể thu thập dữ liệu này, nhưng họ không biết phải làm gì với nó một cách nhanh chóng, và công việc này là một bước đi theo hướng đó. ”

Thông thường, Giera giải thích, phân tích cảm biến được thực hiện sau xây dựng là tốn kém và chất lượng một phần có thể được xác định chỉ lâu sau đó. Với các bộ phận mất từ ​​vài ngày đến vài tuần để in, CNN có thể chứng minh có giá trị để hiểu quy trình in, học chất lượng của bộ phận sớm hơn và hiệu chỉnh hoặc điều chỉnh bản dựng trong thời gian thực nếu cần.

Các nhà nghiên cứu của LLNL đã phát triển các mạng thần kinh bằng cách sử dụng khoảng 2.000 video clip các bài hát laser tan chảy trong các điều kiện khác nhau, chẳng hạn như tốc độ hoặc sức mạnh. Họ quét phần bề mặt bằng công cụ tạo bản đồ chiều cao 3D, sử dụng thông tin đó để đào tạo các thuật toán phân tích các phần của khung hình video (mỗi khu vực được gọi là chập). Quá trình này sẽ quá khó khăn và tốn thời gian cho một con người để làm thủ công, Giera giải thích.

Sinh viên Đại học California, Berkeley và nhà nghiên cứu LLNL Bodi Yuan đã phát triển các thuật toán có thể tự động gắn nhãn bản đồ độ cao của mỗi bản dựng và sử dụng cùng một mô hình để dự đoán chiều rộng của bản dựng, cho dù bản nhạc đã bị hỏng và độ lệch chuẩn của chiều rộng. Sử dụng các thuật toán, các nhà nghiên cứu đã có thể quay video các bản xây dựng đang diễn ra và xác định xem phần có thể trưng bày chất lượng được chấp nhận hay không. Kết quả là, các mạng thần kinh có thể phát hiện xem một phần có liên tục với độ chính xác đến 93% hay không.

"Chìa khóa thành công của chúng tôi là CNN có thể học được nhiều tính năng hữu ích của video trong suốt quá trình đào tạo", Yuan nói. "Chúng tôi chỉ cần cung cấp một lượng lớn dữ liệu để đào tạo và đảm bảo nó học tốt."

Các nhà nghiên cứu của LLNL đã dành nhiều năm để thu thập các dạng dữ liệu thời gian thực khác nhau trên quy trình in 3D kim loại kết hợp bột laser, bao gồm video, chụp cắt lớp quang học và cảm biến âm thanh.

"Chúng tôi đã thu thập video, vì vậy chúng tôi chỉ kết nối các dấu chấm," Giera nói. "Cũng giống như bộ não con người sử dụng tầm nhìn và các giác quan khác để điều hướng thế giới, thuật toán học máy có thể sử dụng tất cả dữ liệu cảm biến đó để điều hướng quá trình in 3D."

Các mạng thần kinh về mặt lý thuyết có thể được sử dụng trong các hệ thống in 3D khác, Giera nói. Các nhà nghiên cứu khác có thể theo dõi cùng một công thức, tạo ra các bộ phận trong các điều kiện khác nhau, thu thập video và quét chúng với bản đồ chiều cao để tạo ra một bộ video có nhãn có thể được sử dụng với các kỹ thuật học máy tiêu chuẩn.

Giera cho biết công việc vẫn cần phải được thực hiện để phát hiện khoảng trống trong các phần không thể dự đoán được với bản đồ độ cao quét nhưng có thể được đo bằng chụp X-ray ex situ.

Các nhà nghiên cứu cũng sẽ tìm cách tạo ra các thuật toán để kết hợp nhiều phương thức cảm biến bên cạnh hình ảnh và video.

“Ngay bây giờ, bất kỳ loại phát hiện nào được coi là một chiến thắng lớn. Nếu chúng ta có thể sửa chữa nó trên bay, đó là mục tiêu cuối cùng lớn hơn, ”Giera nói. “Với số lượng dữ liệu chúng tôi thu thập được rằng thuật toán học máy được thiết kế để xử lý, việc học máy sẽ đóng vai trò trung tâm trong việc tạo ra các bộ phận ngay lần đầu tiên.”

Dự án được tài trợ bởi chương trình nghiên cứu và phát triển được chỉ định trong phòng thí nghiệm.

Nguồn tin: 3ders.org