3D打印和增材制造中的狀態(tài)監(jiān)控技術(shù)和算法應用：最新進展綜述

來源：長三角G60激光聯(lián)盟

巴基斯坦拉合爾工程技術(shù)大學（UET）的科研人員綜述報道了3D打印和增材制造中的基于狀態(tài)監(jiān)控技術(shù)與算法最新研究。相關(guān)論文以“Condition-based monitoring techniques and algorithms in 3d printing and additive manufacturing: a state-of-the-art review”為題發(fā)表在《Progress in Additive Manufacturing》上。

增材制造（AM）為航空航天、生物技術(shù)等各個領(lǐng)域的制造工藝帶來了革命性的變化。與減材制造技術(shù)相比，增材制造具有眾多優(yōu)勢，因此目前在大規(guī)模生產(chǎn)零件的行業(yè)中越來越受歡迎。 AM為設(shè)計人員和制造商提供了生產(chǎn)高精度復雜零件的自由。盡管具有諸多優(yōu)勢，但AM生產(chǎn)技術(shù)也存在一些問題，尤其是從原型設(shè)計轉(zhuǎn)向大規(guī)模生產(chǎn)時。要檢測打印部件的故障，打印后分析技術(shù)并不那么有效，在逐層制造部件的過程中，機械性能會發(fā)生變化，因為它們與方向有關(guān)。此外，大多數(shù)零件都有中空部分，不易進行檢測。為了解決這個問題，科研人員開發(fā)了基于狀態(tài)的實時監(jiān)控技術(shù)（CBM），通過監(jiān)控機器參數(shù)來監(jiān)控正在打印的部件狀況。然后將這些參數(shù)輸入機器學習算法，由算法識別問題并進行實時修正，從而生產(chǎn)出無缺陷的部件。

本研究論文綜述了最常用的增材制造技術(shù)以及最適合每種增材制造技術(shù)的基于狀態(tài)的監(jiān)控技術(shù)和算法。通過全面的文獻綜述，詳細討論了各種基于固體、液體和粉末的增材制造技術(shù)。詳細討論了各種實時和打印后CBM技術(shù)，如聲學監(jiān)測、振動監(jiān)測、超聲監(jiān)測等，以及哪種技術(shù)更適合每種增材制造工藝。詳細討論了數(shù)據(jù)采集和數(shù)據(jù)處理方法，然后詳細研究了算法和預測模型，以及哪些適合應用于基于狀態(tài)的實時AM工藝監(jiān)測。本綜述研究意義重大，因為目前很少有數(shù)據(jù)對所有這些AM工藝及其相關(guān)的CBM技術(shù)進行如此詳細的討論，而且也沒有適合每種AM工藝的算法和預測模型類型。這篇綜述論文對于處于原型設(shè)計和批量生產(chǎn)階段的工業(yè)家和設(shè)計師來說也非常有用，希望幫助他們了解哪種CBM技術(shù)可用于實時監(jiān)控AM工藝，哪種數(shù)據(jù)采集和數(shù)據(jù)處理技術(shù)可用于實時監(jiān)控，哪種算法可在工藝的實時監(jiān)控中獲得最佳結(jié)果。

圖1 ISO/ASTM 52900 七種AM工藝類別示意圖。

圖2 AM中從CAD到零件的一般流程。

圖3 不同背景下的AM工藝分類。

圖4 LOM工藝示意圖。

圖5擴展的LOM機器配置。

圖6熔融沉積建模工藝示意圖。

圖7 WAAM工藝示意圖。

圖8與電弧增材制造工藝相關(guān)的性能指標。

圖9 選擇性激光熔化（SLM）工藝中熔池形成和凝固的傳熱路徑。

圖10 SLS和SLM原理圖。

圖11電子束熔化工藝示意圖。

圖12具有實時監(jiān)控功能的激光金屬沉積。

圖13 AM中CBM的缺陷檢測機制流程圖。

圖14深度學習的范圍。

增材制造（AM）改變了各行各業(yè)的生產(chǎn)流程，提供了高度的設(shè)計自由度，并能制造出具有復雜結(jié)構(gòu)和高精度的零件。AM正逐步從原型設(shè)計階段進入大規(guī)模生產(chǎn)階段，而在AM的轉(zhuǎn)型階段，所生產(chǎn)零件的質(zhì)量、穩(wěn)定性和一致性變得極為重要。本綜述全面分析了關(guān)鍵的增材制造技術(shù)、其相關(guān)挑戰(zhàn)，以及最適合應對增材制造技術(shù)所帶來挑戰(zhàn)的基于狀態(tài)的監(jiān)控（CBM）技術(shù)和算法。

綜述研究表明，傳統(tǒng)的印后分析技術(shù)在實時故障檢測和糾正方面存在不足，而基于狀態(tài)的監(jiān)控方法則提供了一種有前景的替代方案。CBM方法可以檢測缺陷、預測問題，并通過持續(xù)監(jiān)控工藝參數(shù)和傳感器數(shù)據(jù)實時優(yōu)化機器參數(shù)，從而提高生產(chǎn)率、減少停機時間并改善最終產(chǎn)品質(zhì)量。粉末床熔融、熔融沉積建模、定向能沉積、粘合劑噴射、材料擠壓和大桶光聚合都是獨特的AM方法，但也存在各自的問題。為了克服AM提出的問題，各種數(shù)據(jù)采集和數(shù)據(jù)處理技術(shù)對于建立有效的CBM系統(tǒng)至關(guān)重要。本綜述強調(diào)，必須使用正確的傳感器和數(shù)據(jù)處理技術(shù)來實現(xiàn)可靠的監(jiān)控和分析。此外，使用機器學習算法可提高實時識別和糾正問題的能力，從而使最終產(chǎn)品無缺陷，并延長設(shè)備的使用壽命。

表1

表2

表3

表1概述了CBM技術(shù)的局限性，重點是在每種AM工藝中無法檢測到的缺陷。表2是本文的總體摘要，詳細介紹了每種AM技術(shù)、與之相關(guān)的常見缺陷以及適合檢測這些缺陷的CBM技術(shù)。表3列出了常見缺陷，并指明了每種缺陷出現(xiàn)頻率最高的AM技術(shù)。

表4

表4列出了在每種AM工藝中檢測缺陷的算法的有效性。這些算法包括神經(jīng)網(wǎng)絡(luò)（ANN、CNN）、熱成像、聲發(fā)射、光學監(jiān)測、X 射線斷層掃描、統(tǒng)計過程控制、決策樹、深度學習（RNN、LSTM）、熱成像分析和強化學習。每種AM技術(shù)的效率評估范圍從0到10，表明哪種算法最適合查找FDM、SLM、WAAM、EBM、LMD、SLA、DLP、SLS 和PolyJet打印流程中的缺陷。值得注意的是，強化學習大有可為，神經(jīng)網(wǎng)絡(luò)和熱成像在大多數(shù)AM工藝中都非常成功。
這項研究通過解決AM中質(zhì)量保證和缺陷檢測方面的挑戰(zhàn)，推進了可持續(xù)和創(chuàng)新的制造實踐。本文的結(jié)論為3D打印和AM的未來研究與開發(fā)奠定了基礎(chǔ)，推動該行業(yè)朝著更高效、更可靠的方向發(fā)展。


論文鏈接：

Siddiqui, M.M.U.Z., Tabassum, A. Condition-based monitoring techniques and algorithms in 3d printing and additive manufacturing: a state-of-the-art review. Prog Addit Manuf (2024). https://doi.org/10.1007/s40964-024-00816-5