Wetenschap
Onderzoekers van het Lawrence Livermore National Laboratory hebben machine learning-algoritmen ontwikkeld die in staat zijn om de gegevens die zijn verkregen tijdens het 3D-printen van metaal in realtime te verwerken en binnen milliseconden te detecteren of een 3D-onderdeel van bevredigende kwaliteit is. Krediet:Jeannette Yusko en Ryan Chen/LLNL
Voor jaren, Ingenieurs en wetenschappers van het Lawrence Livermore National Laboratory hebben een reeks sensoren en beeldvormingstechnieken gebruikt om de fysica en processen achter 3D-metaalprinten te analyseren in een voortdurende poging om metalen onderdelen van hogere kwaliteit te bouwen. elke keer. Nutsvoorzieningen, onderzoekers onderzoeken machine learning om de gegevens die zijn verkregen tijdens 3D-builds in realtime te verwerken, binnen milliseconden detecteren of een build van bevredigende kwaliteit is.
In een artikel dat op 5 september online is gepubliceerd door Geavanceerde materiaaltechnologieën , een team van Lab-onderzoekers rapporteert de ontwikkeling van convolutionele neurale netwerken (CNN's), een populair type algoritme dat voornamelijk wordt gebruikt om afbeeldingen en video's te verwerken, om te voorspellen of een onderdeel goed zal zijn door naar slechts 10 milliseconden video te kijken.
"Dit is een revolutionaire manier om naar de gegevens te kijken die je video voor video kunt labelen, of nog beter, frame voor frame, "Zei hoofdonderzoeker en LLNL-onderzoeker Brian Giera. "Het voordeel is dat je video kunt verzamelen terwijl je iets afdrukt en uiteindelijk conclusies trekt terwijl je het afdrukt. Veel mensen kunnen deze gegevens verzamelen, maar ze weten niet wat ze er meteen mee moeten doen, en dit werk is een stap in die richting."
Vaak, Giera legde uit, sensoranalyse die na de bouw wordt uitgevoerd, is duur en de kwaliteit van onderdelen kan pas lang daarna worden bepaald. Met onderdelen die dagen tot weken nodig hebben om af te drukken, CNN's kunnen waardevol zijn voor het begrijpen van het printproces, de kwaliteit van het onderdeel eerder leren kennen en indien nodig de build realtime corrigeren of aanpassen.
LLNL-onderzoekers ontwikkelden de neurale netwerken met behulp van ongeveer 2, 000 videoclips van gesmolten lasersporen onder wisselende omstandigheden, zoals snelheid of kracht. Ze scanden de onderdeeloppervlakken met een tool die 3D-hoogtekaarten genereerde, die informatie gebruiken om de algoritmen te trainen om delen van videoframes te analyseren (elk gebied wordt een convolutie genoemd). Het proces zou te moeilijk en tijdrovend zijn voor een mens om handmatig te doen, legde Giera uit.
Universiteit van Californië, Berkeley-student en LLNL-onderzoeker Bodi Yuan, hoofdauteur van de krant, de algoritmen ontwikkeld die automatisch de hoogtekaarten van elke build konden labelen en hetzelfde model gebruikt om de breedte van de buildtrack te voorspellen, of het spoor gebroken was en de standaarddeviatie van de breedte. Met behulp van de algoritmen, onderzoekers konden video maken van lopende builds en bepalen of het onderdeel een acceptabele kwaliteit vertoonde. Onderzoekers meldden dat de neurale netwerken in staat waren om te detecteren of een onderdeel continu zou zijn met een nauwkeurigheid van 93 procent, het maken van andere sterke voorspellingen op deelbreedte.
"Omdat convolutionele neurale netwerken geweldige prestaties leveren bij taken met betrekking tot beeld- en videoherkenning, we kozen ervoor om ze te gebruiken om ons probleem aan te pakken, " zei Yuan. "De sleutel tot ons succes is dat CNN's tijdens de training zelf veel handige functies van video's kunnen leren. We hoeven alleen maar een enorme hoeveelheid gegevens in te voeren om hem te trainen en ervoor te zorgen dat hij goed leert."
Paper co-auteur en LLNL-onderzoeker Ibo Matthews leidt een groep die jarenlang verschillende vormen van realtime gegevens heeft verzameld over het laserpoederbedfusiemetaal 3D-printproces, inclusief filmpje, optische tomografie en akoestische sensoren. Tijdens het werken met Matthews' groep om buildtracks te analyseren, Giera concludeerde dat het niet mogelijk zou zijn om alle data-analyse handmatig uit te voeren en wilde zien of neurale netwerken het werk zouden kunnen vereenvoudigen.
"We waren sowieso video aan het verzamelen, dus we hebben de punten met elkaar verbonden, Giera zei. "Net zoals het menselijk brein visie en andere zintuigen gebruikt om door de wereld te navigeren, machine learning-algoritmen kunnen al die sensorgegevens gebruiken om door het 3D-printproces te navigeren."
De neurale netwerken die in het artikel worden beschreven, zouden theoretisch kunnen worden gebruikt in andere 3D-printsystemen, zei Giera. Andere onderzoekers zouden dezelfde formule moeten kunnen volgen, onderdelen maken onder verschillende omstandigheden, het verzamelen van video en het scannen ervan met een hoogtekaart om een gelabelde videoset te genereren die kan worden gebruikt met standaard machine learning-technieken.
Giera zei dat er nog werk moet worden verzet om holtes te detecteren in delen die niet kunnen worden voorspeld met hoogtekaartscans, maar die kunnen worden gemeten met behulp van ex-situ röntgenradiografie.
Onderzoekers zullen ook proberen algoritmen te maken om naast beeld en video meerdere detectiemodaliteiten op te nemen.
"Direct, elk type detectie wordt als een enorme overwinning beschouwd. Als we het meteen kunnen repareren, dat is het grotere einddoel, "Zei Giera. "Gezien de hoeveelheden gegevens die we verzamelen en waarvoor machine learning-algoritmen zijn ontworpen, machine learning gaat een centrale rol spelen bij het maken van onderdelen die de eerste keer goed zijn."
Wetenschap © https://nl.scienceaq.com