利用AI技術(shù)來在線監(jiān)測SLM打印時質(zhì)量的異常

來源：江蘇激光聯(lián)盟


據(jù)悉，來自美國橡樹嶺國家實驗室的研究人員提出了一種利用人工智能軟件來對SLM打印時的質(zhì)量進行在線監(jiān)控，從而實現(xiàn)了對產(chǎn)品質(zhì)量的在線監(jiān)控和質(zhì)量評估，而不需要額外的且昂貴的分析表征設(shè)備來評估產(chǎn)品質(zhì)量。該技術(shù)以發(fā)表在近期發(fā)表的期刊《Additive Manufacturing》上。

為了提高粉末床3D打印技術(shù)在工業(yè)中的認可度和進一步的提高其應(yīng)用范圍，就必須提高在線監(jiān)測探測的能力和提高對異常行為、現(xiàn)象的識別和分類能力。大多數(shù)的打印異常行為，如刮粉時刮刀過程中的碰撞、粉末鋪設(shè)不均勻、飛濺的產(chǎn)生以及氣孔等問題，都是在沉積每一層時就可以觀察發(fā)現(xiàn)的現(xiàn)象。在這里，來自美國橡樹嶺國家實驗室的研究人員采用一種新穎的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) （Convolutional Neural Network architecture）的像素定位（語義分割）技術(shù)來獲得每層堆積時的粉末床的影像數(shù)據(jù)進行3Ｄ打印時的質(zhì)量監(jiān)控手段。這種算法的優(yōu)點就在于影像傳感時自身分辨率返回分割結(jié)果的穩(wěn)定性、不同3D打印機之間已知知識之間的無縫轉(zhuǎn)移（即數(shù)據(jù)可以兼容和共享）并且可以提供實時的性能預(yù)測。該算法的正確性在六種不同的設(shè)備制造商的設(shè)備上（分別是EOS、Conceptlaser、Renishaw、Arcam、 SLM、 Exone）、三種不同打印技術(shù)（SLM、粘合劑噴射和電子束熔化（EBM））上進行了驗證。最后，該算法的性能比早先作者提出的算法要先進，不管是在位置、精度、計算時間還是在通用性上都比以前的算法要好。

研究人員正在使用以AI為基礎(chǔ)的Peregrine軟件進行3D打印時的在線監(jiān)測和數(shù)據(jù)分析

該在線監(jiān)測軟件，取名字為 “Peregrine”，支持了先進制造的數(shù)字生產(chǎn)線，是由美國橡樹嶺國家實驗室的人員開發(fā)出來的，用于收集和分析打印制造全過程中的每一步的數(shù)據(jù)，從而實現(xiàn)從產(chǎn)品設(shè)計、到打印制造到材料表征測試的全過程的分析于表征。

“捕獲生產(chǎn)過程中的每一個信息并轉(zhuǎn)化成數(shù)據(jù)且互相“克隆”，提供從原材料粉末到操作打印成部件過程中的海量數(shù)據(jù)“，橡樹嶺國家實驗室影像、信號和機器學(xué)習(xí)研究小組的先進制造數(shù)據(jù)分析研究課題組的負責(zé)人Vincent Paquit說到：”我們使用該數(shù)據(jù)來評估部件的質(zhì)量，并利用該數(shù)據(jù)作為后續(xù)打印部件的參考和打印多材料時的依據(jù)，從而使得制造進入自動化生產(chǎn)的新層面和確保制造質(zhì)量。

該數(shù)據(jù)線支撐未來工廠在客戶的部件是CAD格式時可以接受，然后通過先進的網(wǎng)絡(luò)通訊實現(xiàn)３D打印機的自修正，從而實現(xiàn)同傳統(tǒng)的打印制造相比，可以花費更少的金錢、時間和材料來實現(xiàn)打印。該控制方法的理念需要一個過程控制來確保打印的部件安裝在諸如汽車、航空和能源等領(lǐng)域的應(yīng)用不會出任何問題。

為了設(shè)計一種控制方法來實現(xiàn)表面可見缺陷的在線監(jiān)測并且能夠在不同打印機之間實現(xiàn)兼容，橡樹嶺實驗室的研究人員發(fā)明了一種新穎的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) （Convolutional Neural Network architecture），一種計算機視覺技術(shù)，可以模仿人類的大腦進行快速的分析打印過程中相機捕獲的照片。該軟件使用一種自定義算法來對照片的像素值進行加工，同時考慮分析數(shù)據(jù)組成的邊緣、線、角以及紋路。如果Peregrine軟件探測到可能影響到產(chǎn)品質(zhì)量的異常現(xiàn)象，該軟件就會自動的對設(shè)備操作者進行報警，從而采取必要的措施進行修正。

被DSCNN所消化的 平鋪數(shù)據(jù) 的示意圖

目前該軟件對鋪粉３D打�。⊿LM）的適應(yīng)性非常好。這種類型的打印機在打印的時候每層的粉末分布相對比較均勻且粉末比較精細，材料在激光束或電子束的掃描下熔化粉末材料。而粘合劑噴射打印機則依靠液體粘結(jié)劑而不是粉末材料的熔化來實現(xiàn)連接。這種系統(tǒng)在CAD藍圖的指引下實現(xiàn)層層打印，同時也是金屬打印機中比較流行的設(shè)備。

然而，在打印過程中，諸如粉末分布不均與或者粘結(jié)劑分布不均勻、飛濺、熱能量不足以及氣孔等的存在會導(dǎo)致在每一層都出現(xiàn)缺陷。有的時候以上缺陷會在某一非常短的時間就發(fā)生了，以至于在采用傳統(tǒng)的技術(shù)進行診斷的時候會錯過這一信息。

”對于3D打印來說，其中最大的一個 挑戰(zhàn)就是，當(dāng)你關(guān)注的事情發(fā)生在十分之一毫米尺度的范圍內(nèi)和微秒時間的范圍內(nèi)的時候，或者說你關(guān)心的是需要打印幾天乃至幾個星期的部件的時候“，橡樹嶺實驗的Peregrine項目研究的負責(zé)人說到：”由于缺陷可能發(fā)生在打印的任何一個地方和打印的任何一個時間里，這就為我們理解打印過程和控制打印質(zhì)量帶來巨大的挑戰(zhàn)。

DSCNN結(jié)構(gòu)的示意圖

豐富數(shù)據(jù)支撐3D打印技術(shù)用于制造緊湊型核反應(yīng)堆

Peregrine軟件已經(jīng)安裝在ORNL的多類型打印機上進行測試，打印了部件變壓挑戰(zhàn)反應(yīng)堆 （Transformational Challenge Reactor, or TCR，又叫快速生產(chǎn)原型反應(yīng)堆核心），這是一個展示項目，顯示出追求世界第一個打印出來的核反應(yīng)堆。TCR項目可以展示ORNL實驗室在核科學(xué)與技術(shù)工程、材料科學(xué)和先進制造技術(shù)上的悠久歷史，展示出該實驗室是如何在短時間內(nèi)、采取低成本和利用新材料確保在未來可以制造出無碳的清潔能源出來。
Scime說：”對于TCR，你可以有一個場景，假設(shè)可以調(diào)節(jié)你需要的詳細的數(shù)據(jù)來確定如何制造出一個部件出來，我們可以利用Preregrine軟件來為您提供出樣本數(shù)據(jù)。

ORNL的科學(xué)家花了三個月時間打印的核反應(yīng)堆的原型

”建立起在打印過程中收集到的數(shù)據(jù)信號和在使用過程中的性能之間的聯(lián)系，將會是評估核反應(yīng)堆部件的關(guān)鍵的數(shù)據(jù)和信息“。TCR項目的主任Kurt Terrani說：”事實上，它可以在制造過程中完成以排除時間漫長和成本高昂的質(zhì)量認證過程，這非常明顯，對大家來說是非常有益的。

以AI為基礎(chǔ)的 Peregrine 軟件探測到3D打印過程中存在的缺陷

ORNL的研究人員特別強調(diào)指出，這次他們開發(fā)出來以人工智能為基礎(chǔ)的在線監(jiān)測軟件Peregrine ，可以安裝在任何一種粉末床為基礎(chǔ)的打印設(shè)備上，這對打印產(chǎn)品的提供商來說可以減少打印產(chǎn)品進行論證的時間，從而使得推向市場的時間縮短。Peregrine軟件中產(chǎn)生的照片是通常的照片數(shù)據(jù)，可以在每一種機器上進行轉(zhuǎn)換和傳輸，從而讓每一個新機器可以通過神經(jīng)網(wǎng)絡(luò)快速的學(xué)習(xí)。而且該軟件只需要一個普通的筆記本電腦或者臺式機就可以進行運行。拍攝照片所用的相機也是常用的標(biāo)準(zhǔn)相機，每張照片的容量大小為4到20M（兆），對每一打印層進行拍照。該軟件在上述提到的7種打印機上均進行了測試，包括電子束粉末熔化、激光束粉末熔化和粘合劑噴射，詳細的介紹請讀者查閱原文。

快速生產(chǎn)原型反應(yīng)堆核心展示項目使用熱圖像來動態(tài)的監(jiān)控采用不銹鋼直接沉積打印的部件

圖解：該六邊形結(jié)構(gòu)的打印花費了40小時，熔池附近的溫度超過1400攝氏度，注意：本文的主要內(nèi)容討論的是SLM，該圖系LDM。

“ 我們所做的就是幫助操作者和設(shè)計者知道那些會起到作用，那些并不會幫助打印的部件進行應(yīng)用”， Scime說到，當(dāng)你有了3D圖像的每一個像素點的時候，網(wǎng)絡(luò)就會告訴你那個地方存在異常，并且還會思考可能是存在什么問題，該技術(shù)為我們理解打印工藝打開一個大門，讓我們看到了整個世界�！�

隨著監(jiān)控系統(tǒng)的不斷演化，Scime認為研究者有能力將其他打印機中的數(shù)據(jù)文件，如打印的日志、激光系統(tǒng)和操作者的腳本整合在一起，允許每一部件都可以擁有獨一無二的識別身份和對每個部件實現(xiàn)統(tǒng)計和 評估。

三種不同監(jiān)測方式的結(jié)果比較

圖解：（a）檢驗真實性；（b）采用 ConceptLaser 3D打印機打印時且采用DSCNN技術(shù)，沒有進行轉(zhuǎn)移學(xué)習(xí)時的分割；（c）采用 ConceptLaser 3D打印機打印時且采用DSCNN技術(shù)，進行了轉(zhuǎn)移學(xué)習(xí)時的分割

加速先進制造技術(shù)的發(fā)展
ORNL國家實驗發(fā)展的AI軟件，是致力于同工業(yè)一起，發(fā)展、測試和精細化新型的現(xiàn)代化的先進制造技術(shù)的機構(gòu)。基于此AI為基礎(chǔ)的在線監(jiān)測技術(shù)，以時間為鑰匙，我們可以很容易的放置探測器，技術(shù)人員則可以確保每件事都在按照計劃進行工作，并且獲得我們所需要的全部數(shù)據(jù)。在加上有經(jīng)驗的專業(yè)人士的后臺支持，就非常容易獲得專業(yè)人士的支持來確定到底哪里會出問題和出了什么問題。

采用DSCNN預(yù)測采用 ConceptLaser M2打印時的過度鋪粉的結(jié)果

在另外的工藝控制工作中，研究人員可以發(fā)展監(jiān)控的辦法來監(jiān)控在制造過程中亞表面的缺陷并探測可能在更深層面的氣孔，包括使用高速相機和光電計。

我們研究焊接工作已經(jīng)有好幾百了，但對于增材制造來說，才不過幾十年的時間，并且我們還不知道在其他情況下會發(fā)生什么。Scime認為，機器學(xué)習(xí)技術(shù)可以允許我們快速的收集和分析大量的數(shù)據(jù)。同時可以快速的識別出問題，并獲得更好的理解和預(yù)防異常的知識。

兩種不同監(jiān)測方法得到的打印異常的監(jiān)測結(jié)果

圖解：（a）采用離線觀察得到的打印異常的結(jié)果；（b）采用本文報道的以AI技術(shù)為基礎(chǔ)的DSCNN在線監(jiān)測技術(shù)得到的異常結(jié)果

橡樹嶺國家實驗室（Oak Ridge National Laboratory，簡稱ORNL）是美國能源部所屬最大的科學(xué)和能源研究實驗室。作為美國曼哈頓秘密計劃的一部分，從事核武器研發(fā)，首先開發(fā)出生產(chǎn)和分離钚。橡樹嶺國家實驗室于1943 年成立，原稱克林頓實驗室， 2000 年 4 月以后由田納西大學(xué)和 Battelle 紀(jì)念研究所合伙管理。20世紀(jì)50、60年代，ORNL主要從事核能、物理及生命科學(xué)的相關(guān)研究；70年代成立能源部后，研究計劃擴展至能源的產(chǎn)生、傳輸和保存領(lǐng)域；目前的定位是通過開展基礎(chǔ)和應(yīng)用項目研發(fā)，提供知識和技術(shù)上的創(chuàng)新方法，以增強美國在主要科學(xué)領(lǐng)域里的領(lǐng)先地位、提高潔凈能源的利用率、恢復(fù)和保護環(huán)境，以及為國家安全作貢獻。ORNL在許多科學(xué)領(lǐng)域都處于國際領(lǐng)先地位，主要研究領(lǐng)域包括：中子科學(xué)、能源、高性能計算、復(fù)雜生物系統(tǒng)、先進材料和國家安全。

橡樹嶺國家實驗室鳥瞰

橡樹嶺國家實驗室擁有的大科學(xué)裝置主要包括：等時性回旋加速器、直線加速器脈沖中子源、散裂中子源，高通量同位素反應(yīng)堆、放射性離子束裝置、大尺度氣候模擬器和“頂點”超級計算機等。其中最為知名的當(dāng)屬散裂中子源 (Spallation Neutron Source，SNS)（見下圖）。SNS是以加速器為基礎(chǔ)的中子源，占地30英畝，耗資14.117億美元，歷經(jīng)10 年于2006年6月竣工。由能源部6個國家實驗室共同建造，包括：阿貢國家實驗室、勞倫斯伯克利國家實驗室、布魯克海文國家實驗室、托馬斯杰斐遜國家加速器設(shè)施、洛斯阿拉莫斯國家實驗室和ORNL。它能提供世界上最強的脈沖中子束流，用于科學(xué)研究和工業(yè)發(fā)展。2018年6月8日，ORNL宣稱由其研發(fā)、IBM公司負責(zé)制造的超級計算機“頂點”(Summit)，浮點運算速度峰值可達20億億次/秒，接近“神威·太湖之光”超級計算機的兩倍，能為人工智能和科學(xué)發(fā)現(xiàn)的整合提供前所未有的機會。

散裂中子源分工示意圖

2017年，ORNL擁有雇員4628人，其中直接參與研究的科學(xué)家和工程師達3000人。此外，還接待了3000名客座（為期2周或更長時間）研究人員參與實驗室工作，其中約25%來自工業(yè)部門。

文獻來源：Luke Scime et al, Layer-wise anomaly detection and classification for powder bed additive manufacturing processes: A machine-agnostic algorithm for real-time pixel-wise semantic segmentation, Additive Manufacturing (2020). DOI: 10.1016/j.addma.2020.101453

參考資料：微言創(chuàng)新、Luke Scime/ORNL, U.S. Dept. of Energy