研究人員探索機(jī)器學(xué)習(xí) 以實(shí)時(shí)防止金屬3D打印部件的缺陷

多年來，勞倫斯利弗莫爾國(guó)家實(shí)驗(yàn)室的工程師和科學(xué)家們使用一系列傳感器和成像技術(shù)來分析金屬三維打印背后的物理和過程，并不斷努力，每次都是第一次制造更高質(zhì)量的金屬零件。現(xiàn)在，研究人員正在探索機(jī)器學(xué)習(xí)，以實(shí)時(shí)處理在三維構(gòu)建期間獲得的數(shù)據(jù)，在幾毫秒內(nèi)檢測(cè)構(gòu)建是否具有令人滿意的質(zhì)量。

在一篇由Advanced Materials Technologies于 9月5日在線發(fā)表的論文中，一組實(shí)驗(yàn)室研究人員報(bào)告開發(fā)了卷積神經(jīng)網(wǎng)絡(luò)(CNNs)，這是一種主要用于處理圖像和視頻的流行算法，通過觀察來預(yù)測(cè)某個(gè)部分是否合適。只需10毫秒的視頻。

“這是一種革命性的方式來查看可以通過視頻標(biāo)記視頻的數(shù)據(jù)，或者更好地逐幀標(biāo)記數(shù)據(jù)，”首席研究員和LLNL研究員Brian Giera說。“優(yōu)勢(shì)在于，您可以在打印時(shí)收集視頻，并在打印時(shí)最終得出結(jié)論。許多人可以收集這些數(shù)據(jù)，但他們不知道如何處理它，這項(xiàng)工作是朝這個(gè)方向邁出的一步。“

通常，Giera解釋說，在構(gòu)建后完成的傳感器分析是昂貴的，并且部件質(zhì)量只能在很久之后才能確定。對(duì)于需要數(shù)天到數(shù)周打印的部件，CNN可以證明有助于理解打印過程，更快地了解部件的質(zhì)量，并在必要時(shí)實(shí)時(shí)校正或調(diào)整構(gòu)建。

LLNL的研究人員使用大約2,000個(gè)融合激光軌道的視頻剪輯，在速度或功率等不同條件下開發(fā)了神經(jīng)網(wǎng)絡(luò)。他們使用生成三維高度圖的工具掃描零件表面，使用該信息訓(xùn)練算法以分析視頻幀的各個(gè)部分(每個(gè)區(qū)域稱為卷積)。Giera解釋說，這個(gè)過程對(duì)于人類來說是非常困難和耗時(shí)的。

加州大學(xué)伯克利分校的學(xué)生和LLNL研究員Bodi Yuan，該論文的第一作者，開發(fā)了可以自動(dòng)標(biāo)記每個(gè)構(gòu)建的高度圖的算法，并使用相同的模型來預(yù)測(cè)構(gòu)建軌道的寬度，軌道是否被破壞和寬度的標(biāo)準(zhǔn)偏差。使用這些算法，研究人員能夠拍攝正在進(jìn)行的構(gòu)建的視頻，并確定該部件是否表現(xiàn)出可接受的質(zhì)量。研究人員報(bào)告說，神經(jīng)網(wǎng)絡(luò)能夠檢測(cè)到一個(gè)零件是否連續(xù)，準(zhǔn)確度為93%，對(duì)零件寬度做出了其他強(qiáng)有力的預(yù)測(cè)。

“由于卷積神經(jīng)網(wǎng)絡(luò)在圖像和視頻識(shí)別相關(guān)任務(wù)方面表現(xiàn)出色，我們選擇用它們來解決我們的問題，”袁說。“我們成功的關(guān)鍵在于CNN可以在培訓(xùn)過程中學(xué)習(xí)很多有用的視頻功能。我們只需要提供大量數(shù)據(jù)來培訓(xùn)它，并確保它能很好地學(xué)習(xí)。”

Paper的共同作者和LLNL研究員Ibo Matthews領(lǐng)導(dǎo)了一個(gè)團(tuán)隊(duì)，他們花了數(shù)年時(shí)間收集激光粉末床融合金屬3D打印過程的各種形式的實(shí)時(shí)數(shù)據(jù)，包括視頻，光學(xué)層析成像和聲學(xué)傳感器。在與Matthews小組合作分析構(gòu)建軌道時(shí)，Giera得出結(jié)論，不可能手動(dòng)進(jìn)行所有數(shù)據(jù)分析，并希望了解神經(jīng)網(wǎng)絡(luò)是否可以簡(jiǎn)化工作。

“無論如何，我們正在收集視頻，所以我們只是連接點(diǎn)，”Giera說。“就像人類大腦使用視覺和其他感官來導(dǎo)航世界一樣，機(jī)器學(xué)習(xí)算法可以使用所有傳感器數(shù)據(jù)來導(dǎo)航3D打印過程。”

Giera說，論文中描述的神經(jīng)網(wǎng)絡(luò)理論上可以用于其他3D打印系統(tǒng)。其他研究人員應(yīng)該能夠遵循相同的公式，在不同的條件下創(chuàng)建部件，收集視頻并使用高度圖掃描它們以生成可以與標(biāo)準(zhǔn)機(jī)器學(xué)習(xí)技術(shù)一起使用的標(biāo)記視頻集。

Giera說，仍然需要做一些工作來檢測(cè)部件中的空隙，這些部位無法通過高度圖掃描進(jìn)行預(yù)測(cè)，但可以使用非原位X射線照相術(shù)進(jìn)行測(cè)量。

研究人員還將尋求創(chuàng)建算法，以結(jié)合除圖像和視頻之外的多種感知模式。

“現(xiàn)在，任何類型的檢測(cè)都被認(rèn)為是一個(gè)巨大的勝利。如果我們可以動(dòng)態(tài)修復(fù)它，那就是更大的目標(biāo)，”Giera說。“鑒于我們正在收集機(jī)器學(xué)習(xí)算法旨在處理的大量數(shù)據(jù)，機(jī)器學(xué)習(xí)將在第一次正確創(chuàng)建零件時(shí)發(fā)揮核心作用。”