根据瑞士洛桑联邦理工学院 (EPFL) 工程学院机械冶金实验室 (LMTM) 的研究人员报告,他们发现可以根据增材制造机器在构建制造过程中的声音差异来实时检测缺陷。
L-PBF选区激光熔融3D打印和 L-DED激光定向能量沉积3D打印过程中激光和原材料之间潜在的热相互作用比较相似,因为它们都依赖激光为粉末提供热量,通常将其完全熔化以形成熔池。 然后熔池在先前的层或基底之上凝固以形成所需的形状。 显然,这些过程的加工参数设置存在显着差异,因此需要采用不同的监测方法。
-《增材制造的过程监测 l 基于激光的金属增材制造过程监控和机器学习》
用于在 L-PBF增材制造过程中监听构建缺陷的实验设置
© 瑞士洛桑联邦理工学院
据称,当前的热成像和机器学习算法等传统监测方法存在很大局限性,经常忽视或误解缺陷。据说这使得增材制造用于精密制造变得难以捉摸,并可能限制其在航空和汽车制造等重要行业的使用。
根据瑞士洛桑联邦理工学院 (EPFL) 工程学院机械冶金实验室 (LMTM) 负责人Roland Logé教授,关于激光增材制造声学监测的可行性和有效性,一直存在争论。洛桑联邦理工学院的研究不仅证实了声学监测的相关性,而且还强调了声学监测相对于传统方法的优势。
这项研究对于工业部门非常重要,声学监测或将成为一种经济高效的解决方案来监控和提高通过激光束粉末床熔融 (PBF-LB) 制造的产品的质量。
根据3D科学谷《增材制造的过程监测 l 基于激光的金属增材制造过程监控和机器学习》一文,声学监测是依靠声波的传播来提供有关构建质量的信息。声发射的记录和分析是传统工业中用于检测裂纹、腐蚀开始和状态验证的成熟监测技术。声学监测系统可以是被动的,仅检测制造过程本身产生的声波,也可以是主动的,产生声波穿过目标并返回接收器。零件内的孔隙、裂纹或未熔化的粉末等缺陷会改变这些波的传输,从而导致可以在记录的信号中检测到的变化。
超声波传感器是有源传感器的一个例子,多年来一直广泛用于故障分析、疲劳监测和传统制造领域。通过读取表面上产生的声波并检测可能发生的变化来预测缺陷的存在。通过基于 CNN 的算法的输入,鉴定L-PBF选区激光熔融金属3D打印过程中的孔隙率。
然而,这种类型的传感器无法在生产过程中调查构建的熔池区域。此外,大多数L-PB构建室几乎没有可用空间来在构建室内集成这类设备。为了克服这个限制,此前,科研人员建议可以将该传感器集成到现有的L-PB构建室机器光学系统中,这意味着可以使用现有的激光制导设备在层之间进行测量。
瑞士洛桑联邦理工学院的研究团队制定的一项实验设计是将操作 X 射线成像实验与声学测量相结合。使用位于构建室内的超灵敏麦克风,精确定位了状态转变期间声学信号的明显变化,从而直接识别制造过程中的缺陷。
信号处理专家Giulio Masinelli引入了自适应滤波技术,这种过滤方法使瑞士洛桑联邦理工学院的研究团队能够以无与伦比的清晰度辨别缺陷与伴随的声学特征之间的关系。
典型的机器学习算法擅长从统计数据中提取模式,但通常针对特定场景进行定制,与此不同的是,瑞士洛桑联邦理工学院的方法提供了对熔化状态物理的更广泛的见解,同时提供了卓越的在时间和空间维度上的精度。
洛桑联邦理工学院的这些发现预计将对潜在的工业应用产生重大影响,特别是在航空航天和精密工程领域。据说该研究强调了一致的制造技术的必要性,并提出了早期发现和纠正缺陷的途径,从而提高产品质量。这项研究为更好地理解和完善制造工艺铺平了道路,并最终将带来更高的产品长期可靠性。
l 谷专栏 l
欢迎高校及科研机构、企业科学家加入谷专栏,与业界分享对推动增材制造发展起关键作用的共性基础科研与应用成果,欢迎扫描下方图片二维码提交您的信息。
白皮书下载 l 加入3D科学谷QQ群:106477771
网站投稿 l 发送至2509957133@qq.com
欢迎转载 l 转载请注明来源3D科学谷