3D打印和增材制造中的狀態(tài)監(jiān)控技術和算法應用：最新進展綜述

來源：長三角G60激光聯(lián)盟

巴基斯坦拉合爾工程技術大學（UET）的科研人員綜述報道了3D打印和增材制造中的基于狀態(tài)監(jiān)控技術與算法最新研究。相關論文以“Condition-based monitoring techniques and algorithms in 3d printing and additive manufacturing: a state-of-the-art review”為題發(fā)表在《Progress in Additive Manufacturing》上。

增材制造（AM）為航空航天、生物技術等各個領域的制造工藝帶來了革命性的變化。與減材制造技術相比，增材制造具有眾多優(yōu)勢，因此目前在大規(guī)模生產(chǎn)零件的行業(yè)中越來越受歡迎。 AM為設計人員和制造商提供了生產(chǎn)高精度復雜零件的自由。盡管具有諸多優(yōu)勢，但AM生產(chǎn)技術也存在一些問題，尤其是從原型設計轉向大規(guī)模生產(chǎn)時。要檢測打印部件的故障，打印后分析技術并不那么有效，在逐層制造部件的過程中，機械性能會發(fā)生變化，因為它們與方向有關。此外，大多數(shù)零件都有中空部分，不易進行檢測。為了解決這個問題，科研人員開發(fā)了基于狀態(tài)的實時監(jiān)控技術（CBM），通過監(jiān)控機器參數(shù)來監(jiān)控正在打印的部件狀況。然后將這些參數(shù)輸入機器學習算法，由算法識別問題并進行實時修正，從而生產(chǎn)出無缺陷的部件。

本研究論文綜述了最常用的增材制造技術以及最適合每種增材制造技術的基于狀態(tài)的監(jiān)控技術和算法。通過全面的文獻綜述，詳細討論了各種基于固體、液體和粉末的增材制造技術。詳細討論了各種實時和打印后CBM技術，如聲學監(jiān)測、振動監(jiān)測、超聲監(jiān)測等，以及哪種技術更適合每種增材制造工藝。詳細討論了數(shù)據(jù)采集和數(shù)據(jù)處理方法，然后詳細研究了算法和預測模型，以及哪些適合應用于基于狀態(tài)的實時AM工藝監(jiān)測。本綜述研究意義重大，因為目前很少有數(shù)據(jù)對所有這些AM工藝及其相關的CBM技術進行如此詳細的討論，而且也沒有適合每種AM工藝的算法和預測模型類型。這篇綜述論文對于處于原型設計和批量生產(chǎn)階段的工業(yè)家和設計師來說也非常有用，希望幫助他們了解哪種CBM技術可用于實時監(jiān)控AM工藝，哪種數(shù)據(jù)采集和數(shù)據(jù)處理技術可用于實時監(jiān)控，哪種算法可在工藝的實時監(jiān)控中獲得最佳結果。

圖1 ISO/ASTM 52900 七種AM工藝類別示意圖。

圖2 AM中從CAD到零件的一般流程。

圖3 不同背景下的AM工藝分類。

圖4 LOM工藝示意圖。

圖5擴展的LOM機器配置。

圖6熔融沉積建模工藝示意圖。

圖7 WAAM工藝示意圖。

圖8與電弧增材制造工藝相關的性能指標。

圖9 選擇性激光熔化（SLM）工藝中熔池形成和凝固的傳熱路徑。

圖10 SLS和SLM原理圖。

圖11電子束熔化工藝示意圖。

圖12具有實時監(jiān)控功能的激光金屬沉積。

圖13 AM中CBM的缺陷檢測機制流程圖。

圖14深度學習的范圍。

增材制造（AM）改變了各行各業(yè)的生產(chǎn)流程，提供了高度的設計自由度，并能制造出具有復雜結構和高精度的零件。AM正逐步從原型設計階段進入大規(guī)模生產(chǎn)階段，而在AM的轉型階段，所生產(chǎn)零件的質量、穩(wěn)定性和一致性變得極為重要。本綜述全面分析了關鍵的增材制造技術、其相關挑戰(zhàn)，以及最適合應對增材制造技術所帶來挑戰(zhàn)的基于狀態(tài)的監(jiān)控（CBM）技術和算法。

綜述研究表明，傳統(tǒng)的印后分析技術在實時故障檢測和糾正方面存在不足，而基于狀態(tài)的監(jiān)控方法則提供了一種有前景的替代方案。CBM方法可以檢測缺陷、預測問題，并通過持續(xù)監(jiān)控工藝參數(shù)和傳感器數(shù)據(jù)實時優(yōu)化機器參數(shù)，從而提高生產(chǎn)率、減少停機時間并改善最終產(chǎn)品質量。粉末床熔融、熔融沉積建模、定向能沉積、粘合劑噴射、材料擠壓和大桶光聚合都是獨特的AM方法，但也存在各自的問題。為了克服AM提出的問題，各種數(shù)據(jù)采集和數(shù)據(jù)處理技術對于建立有效的CBM系統(tǒng)至關重要。本綜述強調，必須使用正確的傳感器和數(shù)據(jù)處理技術來實現(xiàn)可靠的監(jiān)控和分析。此外，使用機器學習算法可提高實時識別和糾正問題的能力，從而使最終產(chǎn)品無缺陷，并延長設備的使用壽命。

表1

表2

表3

表1概述了CBM技術的局限性，重點是在每種AM工藝中無法檢測到的缺陷。表2是本文的總體摘要，詳細介紹了每種AM技術、與之相關的常見缺陷以及適合檢測這些缺陷的CBM技術。表3列出了常見缺陷，并指明了每種缺陷出現(xiàn)頻率最高的AM技術。

表4

表4列出了在每種AM工藝中檢測缺陷的算法的有效性。這些算法包括神經(jīng)網(wǎng)絡（ANN、CNN）、熱成像、聲發(fā)射、光學監(jiān)測、X 射線斷層掃描、統(tǒng)計過程控制、決策樹、深度學習（RNN、LSTM）、熱成像分析和強化學習。每種AM技術的效率評估范圍從0到10，表明哪種算法最適合查找FDM、SLM、WAAM、EBM、LMD、SLA、DLP、SLS 和PolyJet打印流程中的缺陷。值得注意的是，強化學習大有可為，神經(jīng)網(wǎng)絡和熱成像在大多數(shù)AM工藝中都非常成功。
這項研究通過解決AM中質量保證和缺陷檢測方面的挑戰(zhàn)，推進了可持續(xù)和創(chuàng)新的制造實踐。本文的結論為3D打印和AM的未來研究與開發(fā)奠定了基礎，推動該行業(yè)朝著更高效、更可靠的方向發(fā)展。


論文鏈接：

Siddiqui, M.M.U.Z., Tabassum, A. Condition-based monitoring techniques and algorithms in 3d printing and additive manufacturing: a state-of-the-art review. Prog Addit Manuf (2024). https://doi.org/10.1007/s40964-024-00816-5