美国能源部橡树岭国家实验室的研究人员改进了缺陷检测，以提高对使用激光粉末床熔融3D打印的金属部件的信心。
这种类型的增材制造使能源、航空航天、核工业和国防工业能够利用多种材料制造具有复杂形状的高度专业化零件。然而，该技术并没有得到更广泛的应用，因为彻底、准确地检查产品具有挑战性;传统的检查方法可能无法发现打印部件深层中嵌入的缺陷。
橡树岭国家实验室的研究人员开发了一种方法，将打印部件建成后的检查与打印过程中传感器收集的信息结合起来。然后，组合数据会教导机器学习算法来识别产品中的缺陷。更重要的是，该框架使操作员能够像需要更多时间和劳动力的传统评估方法一样可靠地了解准确缺陷检测的概率。
“我们可以在90%的情况下检测到约半毫米的缺陷尺寸(大约是名片的厚度)，”橡树岭国家实验室研究员LukeScime说道。“我们是第一个对现场(过程中)缺陷检测可能的置信水平给出数值的公司。”推而广之，这反映了对产品安全性和可靠性的信心。
激光粉末床熔融是最常见的金属3D打印工艺，它使用高能激光选择性地熔化散布在构建板上的金属粉末。然后，在系统扩散并熔化另一层之前，构建板会降低，慢慢构建设计的产品。
工程师知道材料中会有缺陷。
“对于常规制造，我们知道它们是什么、在哪里以及如何找到它们，”橡树岭国家实验室研究员扎卡里·斯诺说。“(操作员)知道他们能够检测到一定尺寸缺陷的概率，因此他们知道多久检查一次才能获得具有代表性的样本。”
3D打印并没有从同样的信心中受益。
“没有编号就很难对零件进行鉴定和认证，”斯诺说。“这是增材制造的最大障碍之一。”
ORNL研究人员和合作伙伴RTX最近在《增材制造》上发表的一篇论文解释了他们开发的流程，该流程可实现90%的检测率，同时降低误报概率，误报可能导致优质产品报废。
在第一个研究步骤中，航空航天和国防公司RTX设计了一个与其已经生产的零件类似的零件，从而提供了看到真实缺陷的机会。然后，RTX3D打印该部件，并在构建过程中使用标准近红外摄像头和附加的可见光摄像头进行多次监控。RTX和ORNL研究人员随后使用X射线计算机断层扫描(通常称为CT扫描)进行质量检查。
在RTX的咨询下，ORNL增材制造专家将数据排列成分层图像堆栈，这实质上成为机器学习算法的教科书。在训练过程中，该算法首先使用CT扫描图像标记缺陷。然后，操作员根据打印过程中收集的数据中的视觉提示对其余部分进行注释。人类反馈会继续训练软件，因此算法每次都能更准确地识别缺陷。ORNL之前在原位监测和深度学习框架方面的进展被用作这种新颖方法的工具。随着时间的推移，这将减少人工参与制造检查的需要。
斯诺说：“这使得在没有CT的情况下也能获得CT级别的信心。”检查某些3D打印零件的常用方法是CT成像和分析，但由于需要额外的时间和专业知识，因此会增加成本。另外，CT无法有效穿透致密金属，限制了其应用。
Scime表示，当该算法应用于使用相同材料和工艺一致制造的单一设计时，它可以在几天内学会提供一致的质量分析。同时，该软件融合了从不同设计和结构中学到的所有知识，因此最终能够准确检查具有不熟悉设计的产品。
ORNL开发的检查框架有助于扩大增材制造应用。斯诺说，通过统计验证的质量控制，增材制造可以用于大规模生产汽车零部件等产品。
它还可以使可3D打印的零件类型多样化。最小可检测缺陷尺寸的确定性允许更大的设计自由度。RTX雷神技术研究中心增材制造高级首席工程师BrianFisher表示，这一点很重要，因为该行业已经朝着更大的打印量和更快的打印速度迈进，这意味着更多的激光相互作用，可以制造出具有不同类型缺陷的更大零件。
“在打印大型组件时，您确实可以开始节省时间和金钱并制定商业案例，但这些组件也是当今最难检查的，”费舍尔说。“我们的愿景是通过增材制造，我们可以用非常致密的材料制造大型、高度复杂的零件，而传统上，彻底检查这些零件非常困难且昂贵。”
接下来，橡树岭国家实验室团队将训练深度学习算法，以更好地区分违规行为的类型，并对多种原因造成的缺陷进行分类。