オークリッジ：マルチセンサー融合と機械学習に基づく積層造形部品の非破壊評価

出典: 複合材料力学

1 はじめに
L-PBF（レーザー粉末ベッド融合）積層造形法は、製造業界で広く使用されている金属 3D 印刷技術の 1 つです。製造された部品の工業資格認証は高価な非破壊検査技術に大きく依存しており、製造された部品の工業的応用は大きく制限されています。 in situ プロセスモニタリングはより経済的な品質評価方法ですが、ex situ テストの代わりに使用できます。しかし、既存のセンシング技術やデータ分析技術では、量産された L-PBF プリンターの表面下の欠陥 (気孔や亀裂など) を検出することが困難です。近年、ML（機械学習）は積層造形におけるその場での欠陥検出において大きな進歩を遂げています。しかし、これらの技術の実用性と不確実性を評価した研究はほとんどなく、AMコンポーネントの非破壊評価（NDE）におけるML技術の精度には疑問が残ります。

2023年、積層造形のトップジャーナル「Additive Manufacturing」は、マルチセンサー融合と機械学習に基づく積層造形部品のその場での非破壊評価に関するオークリッジ国立研究所の研究成果を掲載しました。論文のタイトルは「プロセス監視、センサー融合、機械学習を使用した積層造形部品のスケーラブルなその場での非破壊評価」で、筆頭著者は米国オークリッジ国立研究所の准研究員であるザッカリー・スノー氏です。

研究者らは、マルチモーダルセンシングデータから地表下の欠陥を検出できる INDE (In-situ NDE) システムを開発しました。同時に、マルチレベル、マルチモーダル画像と XCT 特性データを手動参加ループ注釈プログラムに入力することで、INDE システムは 200 ～ 1000 μm のサイズの製造欠陥を効果的に検出できます。さらに、現場で検出された表面下の欠陥を XCT データと体系的に比較および分析することにより、INDE システムの不確実性評価指標である検出確率 (POD) 曲線と誤報確率 (PFA) 曲線が確立されました。この評価指標により、積層造形におけるプロセス監視の実用性についてより深い洞察が得られます。

2 はじめに<br /> この研究では、可視光カメラとNIR（統合近赤外線）イメージャーを使用して、マルチモーダルプロセス画像を層ごとに収集しました（図1）。印刷プロセス中、24.4 メガピクセルの可視光カメラがレーザー溶融と粉末拡散後の粉末床の画像を撮影し、NIR イメージャーが印刷層の持続時間にわたってビルドプレートの熱放射マップを収集しました。 NIR イメージャーは、レイヤーごとに 2 つの画像を生成します。レイヤー内のピクセル強度の合計を表す「積分」画像と、レイヤー内のピクセル強度の最大値を表す「最大」画像です。 NIR 画像の明るい点はスパッタによるランダムな融合の欠如と関連していますが、これらの画像は空間解像度が低く、アーティファクトが含まれている可能性があり、解釈が困難です。同時に、前のレイヤーで形成された異常により、誤検知が生成される可能性もあります。さらに興味深いのは、NIR 画像で検出されたすべての明るい点が表面下の欠陥に対応するわけではなく、すべての表面下の欠陥に対応する明るい点があるわけではないことです。

図 1 の XCT 標本に対応するマルチモーダル知覚画像データは、可視光、近赤外線画像、XCT 特性データを組み合わせてラベルカテゴリに登録され、DSCNN (DSCNN、動的セグメンテーション畳み込みニューラルネットワーク) ネットワークをトレーニングするためのデータベースが生成されます (図 2)。プロセス特性に応じて、ラベルは、粉末、印刷、ストライプボーダー、スクレーパーストライプ、部品への飛沫（非欠陥）、粉末への飛沫、XCT欠陥（小）、XCT欠陥（大）の8つのカテゴリに分類されます。 Powder と Print は、溶融していない粉末粒子と正常に溶融した材料という 2 つの標準状態を表します。フリンジ境界は、フリンジ境界インターフェースの熱データ内の明るいピクセルを、部品上のスパッタ (欠陥なし)、XCT 欠陥 (小さい)、または XCT 欠陥 (大きい) に対応する明るいピクセルと区別します。ブレードの縞模様は、ブレードの損傷、またはブレードに沿って破片を引きずることによって、ブレードが粉末床に水平方向の乱れを生成した例を表します。残りの 4 つのカテゴリは、スパッタとそれが引き起こすランダムな融合不足に関連しています。

図 2 XCT 特性データと手動サイクル参加を組み合わせたマルチカテゴリラベル登録テストデータ内の DSCNN モデルのセグメンテーション結果を分析すると、スパッタジェネレータの下流にある 4 つの試験片に最も高い多孔度と最も複雑なプロセス監視信号が含まれていることがわかり、トレーニングされたネットワークのパフォーマンスを評価するのに適した候補となりました。図3に示すように、サンプルのXCT欠陥セグメンテーション結果、溶融後の可視光および近赤外積分画像、テストラベル、DSCNNによる各ピクセルの予測カテゴリ、およびin-situ非破壊検査によって予測されたXCT欠陥（小）およびXCT欠陥（大）ピクセルの位置が表示されます。in-situ非破壊検査の結果は、XCT欠陥検出結果と良好な一貫性を示しています。解析結果（図3）に示すように、DSCNNモデルは、印刷された材料と粉末ベッド内の未溶融粉末を簡単に識別できます。同時に、ストライプの境界と印刷物の間には若干の混乱がありますが、これらのサンプルではストライプの境界に対応するピクセルも検出できます。調査の結果、これらの試験片で検出された欠陥は典型的には等価円直径が約 250 μm 以上であるのに対し、より小さな欠陥 (XCT 欠陥 (小)) は、欠陥を引き起こさない、つまり部品に飛び散った印刷物または飛沫粒子 (非欠陥) として誤分類されることが多かったことがわかりました。センサーの解像度は約 125μm であるため、250μm 未満の欠陥は DSCNN モデルでは簡単に検出できません。

図 3 DSCNN ネットワークのセグメンテーション結果予想どおり、in-situ センサーの解像度が限られているため、小さな欠陥の予測パフォーマンスは低下し、XCT 欠陥 (小さい) のわずか 0.2% が正しく識別されています。 XCT 欠陥 (小) クラスに属する残りのピクセルのうち、91.5% が印刷物として分類されました。混同行列の分析により、INDE システムでは XCT 欠陥のピクセル (大きい) と部品上の飛沫 (欠陥なし) の違いを区別することが困難であることがわかります (図 6)。 XCT 欠陥 (大) としてラベル付けされた実際のデータのうち、正しく予測されたのは 40.4% のみで、残りはスパッタ (17.7%) または印刷物 (39.8%) として分類されました。 XCT 欠陥 (大) ピクセルと部品に飛び散った (非欠陥) ピクセル間の混乱は実際の影響である可能性が高いですが (図 6 を参照)、XCT 欠陥 (大) クラスと印刷クラス間の混乱の一部は、前景ピクセルが小さいことと、XCT 欠陥ピクセルクラスと背景ピクセルクラス間の偏った分割が原因である可能性が高いことに注意してください。実際、テストデータ内のスパッタ粒子のうち、XCT データで見つかった欠陥に関連するものはわずか 18.6% でした。その結果、DSCNN は、すべてのスパッタ粒子が最終的な欠陥につながると推測する場合と比較して、パフォーマンスを 111% 向上させます。さらに、空間的に小さなピクセルクラスの誤分類の多くは、融合が欠落している個々のインスタンスではなく、背景クラスインターフェイス (XCT 欠陥 (大) クラスと印刷クラス間のインターフェイスなど) の誤った定義に関連しているようです。この研究では、INDE システムの現在の目標は欠陥の形態やサイズを正確に評価することではなく、欠陥の単一のインスタンスを検出することであるため、従来の ML パフォーマンスメトリックでは INDE システムの真のパフォーマンスを捉えられないと主張しています。

図 4. ニューラルネットワークの混同行列と欠陥分類の結果。これらの XCT サンプルに対応するセンサーデータは非常に複雑ですが、INDE システムは、表示されているレイヤーとコンポーネントの欠陥をほとんど誤検出なしで検出します (図 5)。この研究では、POD 曲線と PFA 曲線を分析することにより、INDE システムの検出性能を定量的に評価しました (図 5)。 INDE システムの現在の反復では、一部の商用アプリケーションでは、プロセス監視から XCT 欠陥を直接識別するには POD 曲線と PFA 曲線では不十分な場合がありますが、このアプローチは INDE システムのパフォーマンスを比較するためのフレームワークを提供し、設計段階での検出の不確実性を考慮するための定量化をエンジニアに提供します。適切にトレーニングすると、INDE の検査結果は、製造後の後続のプローブプロセスで関心領域に情報を提供したり、測定欠陥クラスターや測定不確実性にアクセスして疲労寿命予測モデルへの入力として使用したりできます。

図 5 (a) XCT スキャン結果と DSCNN セグメンテーション結果の比較、(b) in-situ 非破壊検査システムの POD 曲線と PFA 曲線。in-situ 欠陥の予測サイズは、欠陥形成の物理的メカニズムに関連する特徴です。したがって、XCT データ内の欠陥サイズは、対応する in-situ 欠陥検出サイズと同じではない可能性があります。その場で検出され、XCT データと照合された欠陥の等価円半径の分析により、等価円半径が 125 μm を超える欠陥の場合、その場での検出と対応する XCT 欠陥の等価円半径の中央値の比率は約 2.49 であることが示されました。ただし、125 μm 未満の XCT 欠陥が正常に検出された場合、中央値は約 5.31 になります。

図6 その場検査とXCTスキャンによる欠陥サイズ分析
3. まとめ<br /> 本研究では、DSCNNディープラーニングモデルに基づいて、積層造形における表面下欠陥のin-situ非破壊検出法を提案し、XCT特性データと手動サイクル参加を組み合わせたデータ登録法を確立し、INDEシステムの検出解像度を向上させました（欠陥サイズは200〜1000μm）。また、POD / PFA曲線がINDEシステムの検出率と誤報率を効果的に評価できることを初めて証明しました。この研究は、L-PBF 積層造形部品のその場での非破壊評価に新たなアイデアを提供し、積層造形分野におけるマルチセンサー監視技術の応用に新たなソリューションを提供します。

元記事:

Snow Z、Scime L、Ziabari A、他「プロセスモニタリング、センサーフュージョン、機械学習を用いた積層造形部品のスケーラブルなその場非破壊評価[J]」Additive Manufacturing、2023、78: 103817。

オリジナルリンク:
https://www.sciencedirect.com/sc ... i/S221486042300430X

オークリッジ：マルチセンサー融合と機械学習に基づく積層造形部品の非破壊評価

Weistan 高速 SLA 3D プリント靴型マシンは靴型の開発を支援し、業界のアップグレードを可能にします

Creality が DIY デザイン愛好家に嬉しい Falcon2 レーザー彫刻機を発売

SLSレーザー焼結3Dプリント技術とファッション、スポーツ用品、教育への応用の詳細な分析

3D Systems が消費者向けオンラインマーケットプレイスを閉鎖したのはなぜですか?

新京河とラジウムレーザーは、付加製造産業発展（広州）フォーラムと2023年付加製造産業年次会議に出席しました。

3Dプリンターで自転車を改造するヤン氏の起業家としての「秘密」

29分で10個の透明矯正器具を印刷し、YounizaoとNBEEが世界トップの矯正歯科AAO年次会議に登場

[議題発表] 2019年中国（西安）国際3Dプリンティング博覧会およびサミットフォーラムの最終議題が発表されました

Fiberpunk、3Dプリンターのリアルタイム監視のための低コストAIウェブカメラソリューションを発表

将来、3D プリンティングはサプライチェーンにどのような予期せぬ変化をもたらすのでしょうか?

推薦する

MITは3Dプリントを使ってマンタにヒントを得た水フィルターを作り、濾過効率を向上

ストラタシス、3Dプリント素材を月へ持ち込み、回収と性能をテストへ

ブロックチェーン技術が分散型3Dプリント製造モデルを推進

FRCトップロボティクスチャレンジ、Vishitechはイベント全体の3Dプリントソリューションを提供

付加製造と減算製造: 補完か競合か?

3Dプリント技術で数々の画期的な成果を達成したファルスーンハイテックは、2024年の「成績表」を発表した。

HPは3Dプリンティング市場ではなく、12兆ドル規模の製造市場をターゲットにしている。

MakerBot Replicator+が「プロダクトデザインのオスカー」と呼ばれるiFプロダクトデザイン賞を受賞

Tailored Fits と Materialise の 3D プリントカスタムスキーブーツが DIA 中国デザインエクセレンス賞を受賞

南京市六河区政治協商会議主席朱卓宇氏が深セン市聚英本部を視察

MiniFactory は、HÄNSSLER が高機械的強度のポリマー 3D プリント部品の応用で優位性を築くのを支援します。

上海珪酸塩研究所：3Dプリント多機能足場材料の研究の進展

有名な3DモデルマーケットであるPinshapeが閉鎖されます！

唐都病院は湖北省で初の3Dプリント胸骨再建手術の完成に貢献した。

業界関係者はこう尋ねます。「なぜ 3D プリンティングは製造業の未来を代表するのでしょうか?」