Detecção e correção generalizável de erros de impressão 3D via multi

Nature Communications volume 13, número do artigo: 4654 (2022) Citar este artigo

16 mil acessos

11 citações

189 Altmétrico

Detalhes das métricas

A extrusão de materiais é o método de fabricação aditiva mais difundido, mas sua aplicação em produtos finais 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 ​​para diferentes peças, materiais e sistemas de impressão. Treinamos uma rede neural multicabeças usando imagens rotuladas automaticamente por desvio dos parâmetros de impressão ideais. A automação da aquisição de dados e etiquetagem permite a geração de um grande e variado conjunto de dados de impressão 3D de extrusão, contendo 1,2 milhão de imagens de 192 peças diferentes etiquetadas com parâmetros de impressão. A rede neural assim treinada, juntamente com um circuito de controle, permite a detecção em tempo real e a correção rápida de diversos erros, o que é eficaz em muitas geometrias 2D e 3D, materiais, impressoras, percursos de ferramentas e até métodos de extrusão diferentes. Além disso, criamos visualizações das previsões da rede para esclarecer como ela toma decisões.

A extrusão de materiais é o método de fabricação aditiva (AM) mais comum por razões que incluem seu custo relativamente baixo, pouco pós-processamento, compatibilidade com muitos materiais e capacidade multimateriais1. Isso tornou a extrusão AM promissora em diversas áreas2, incluindo saúde3, dispositivos médicos4, aeroespacial5 e robótica6. No entanto, uma das principais razões pelas quais muitas destas aplicações permanecem em fase de investigação é que a AM de extrusão é vulnerável a diversos erros de produção. Estas variam desde imprecisões dimensionais em pequena escala e fraquezas mecânicas até falhas totais de construção1,7,8,9,10. Para neutralizar 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. Caso seja utilizado um novo material ou impressora, esse processo leva mais tempo à medida que o trabalhador ganha experiência com o novo setup11,12. Mesmo assim, os erros podem passar despercebidos, especialmente se o trabalhador não estiver observando continuamente cada processo. Isto pode ser difícil se várias impressoras estiverem em operação simultaneamente ou, conforme destacado pela pandemia da COVID-19, o pessoal estiver limitado devido ao distanciamento social ou doença. Isto não só custa material, energia e tempo, mas também limita a utilização de peças AM em produtos de utilização final, especialmente os de segurança crítica, como dispositivos médicos, e a resiliência das cadeias de abastecimento baseadas em AM. Esses desafios deverão se tornar mais prementes à medida que a AM se expande para materiais vivos e funcionais, estruturas complexas de treliças multimateriais e ambientes desafiadores, como canteiros de obras remotos e externos ou no corpo humano.

Isto motivou diversas e interessantes pesquisas sobre o monitoramento da extrusão AM13. Sensores atuais14,15, inerciais16,17 e acústicos18,19,20,21,22 têm sido frequentemente usados ​​para monitorar AM de extrusão. Embora essas abordagens levem à detecção confiável de certas modalidades de erro, normalmente em grande escala, durante a impressão, muitos erros permanecem indetectáveis. Estas metodologias também ainda não foram utilizadas na maioria das impressoras 3D, uma vez que o custo de sensores e amplificadores para tais abordagens é frequentemente elevado. Além disso, eles não são suficientemente ricos em dados para permitir feedback e correção on-line.

As 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, têm sido usadas para detectar diversos erros de AM de extrusão 23,24,25,26,27,28,29, 30,31,32. Esta abordagem tem as vantagens de ser relativamente barata, mais fácil de configurar e de a câmera poder visualizar grande parte da peça fabricada a qualquer momento. Isto 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 gama de erros e tipos de erros identificados. As abordagens multicâmeras 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, estes sistemas mais sofisticados são muitas vezes caros, sensíveis às condições de iluminação e às propriedades da superfície da peça, mais lentos devido ao tempo de digitalização e à computação, requerem posicionamento e calibração precisos e limitados à detecção de erros grandes o suficiente para ver determinados limites de resolução do scanner.