Detecção e correção generalizável de erros de impressão 3D via multi
Nature Communications volume 13, Número do artigo: 4654 (2022) Citar este artigo
11k Acessos
3 Citações
188 Altmétrico
Detalhes das métricas
A extrusão de material é o método de manufatura aditiva mais difundido, mas sua aplicação em produtos de uso final é limitada pela vulnerabilidade a erros. Os humanos podem detectar erros, mas não podem fornecer monitoramento contínuo ou correção em tempo real. As abordagens automatizadas existentes não são generalizáveis em diferentes peças, materiais e sistemas de impressão. Treinamos uma rede neural de várias cabeças usando imagens rotuladas automaticamente pelo desvio dos parâmetros de impressão ideais. A automação da aquisição de dados e rotulagem permite a geração de um grande e variado conjunto de dados de impressão 3D por extrusão, contendo 1,2 milhão de imagens de 192 peças diferentes rotuladas com parâmetros de impressão. A rede neural assim treinada, juntamente com um loop de controle, permite a detecção em tempo real e a correção rápida de diversos erros que são eficazes em muitas geometrias 2D e 3D, materiais, impressoras, percursos de ferramentas e até mesmo métodos de extrusão. Além disso, criamos visualizações das previsões da rede para esclarecer como ela toma decisões.
A extrusão de material é o método de manufatura aditiva (AM) mais comum por razões que incluem seu custo relativamente baixo, pouco pós-processamento, compatibilidade com muitos materiais e capacidade multimaterial1. Isso tornou a AM de extrusão promissora em várias áreas2, incluindo saúde3, dispositivos médicos4, aeroespacial5 e robótica6. No entanto, uma das principais razões pelas quais muitas dessas aplicações permanecem no estágio de pesquisa é que a extrusão AM é vulnerável a diversos erros de produção. Eles variam de imprecisões dimensionais de pequena escala e fraquezas mecânicas a falhas totais de construção1,7,8,9,10. Para neutralizar os erros, um trabalhador qualificado normalmente deve observar o processo AM, reconhecer um erro, interromper a impressão, remover a peça e, em seguida, ajustar adequadamente os parâmetros para uma nova peça. Se for utilizado um novo material ou impressora, esse processo leva mais tempo à medida que o trabalhador ganha experiência com a nova configuração11,12. Mesmo assim, erros podem passar despercebidos, especialmente se o trabalhador não observar continuamente cada processo. Isso pode ser difícil se várias impressoras estiverem em operação simultaneamente ou, conforme destacado pela pandemia de COVID-19, o pessoal for limitado devido ao distanciamento social ou doença. Isso não apenas custa material, energia e tempo, mas também limita o uso de peças AM em produtos de uso final, particularmente os críticos para a segurança, como dispositivos médicos, e a resiliência das cadeias de suprimentos baseadas em AM. Esses desafios devem se tornar mais prementes à medida que a MA se expande para materiais vivos e funcionais, estruturas de treliça multimateriais complexas e ambientes desafiadores, como canteiros de obras remotos e externos ou no corpo humano.
Isso motivou diversas e interessantes pesquisas sobre o monitoramento da extrusão AM13. Os sensores de corrente14,15, inercial16,17 e acústico18,19,20,21,22 têm sido frequentemente usados para monitorar AM de extrusão. Embora essas abordagens levem à detecção confiável de certas modalidades de erro, tipicamente em grande escala, durante a impressão, muitos erros permanecem indetectáveis. Essas metodologias também ainda não foram usadas na maioria das impressoras 3D, pois o custo de sensores e amplificadores para essas abordagens costuma ser alto. Além disso, eles não são suficientemente ricos em dados para permitir feedback e correção online.
Abordagens baseadas em câmeras são potencialmente versáteis e ricas em dados. Câmeras únicas montadas na estrutura da impressora com visão de cima para baixo ou lateral, juntamente com técnicas tradicionais de visão computacional e processamento de imagem, foram usadas para detectar diversos erros AM de extrusão23,24,25,26,27,28,29, 30,31,32. Essa abordagem tem as vantagens de ser relativamente barata, mais fácil de configurar e de permitir que a câmera visualize grande parte da peça fabricada a qualquer momento. Isso permite que muitos erros, como a deformação do preenchimento ou a presença de 'bolhas' de material, sejam detectados. No entanto, o uso de uma única câmera pode limitar a quantidade de informações obtidas sobre o processo de fabricação e, portanto, a variedade de erros e os tipos de erros identificados. Abordagens multicâmera são mais caras e complexas de implementar, mas potencialmente mais capazes. Múltiplas visualizações da peça ou a adição de câmeras infravermelhas podem permitir a visualização de defeitos, como impressões incompletas, que podem não ser aparentes de um único ponto de vista33,34,35. Reconstruções 3D de peças impressas, por exemplo, geradas por digitalização de luz estruturada 3D multicâmera e correlação de imagem digital, podem ser comparadas ao modelo de peça digital 3D para detectar imprecisões dimensionais35,36,37,38,39,40,41,42 ,43. No entanto, esses sistemas mais sofisticados costumam ser caros, sensíveis às condições de iluminação e às propriedades da superfície da peça, mais lentos devido ao tempo de varredura e computação, requerem posicionamento e calibração precisos e limitados à detecção de erros grandes o suficiente para ver os limites de resolução do scanner.