Détection et correction des erreurs d'impression 3D généralisables via multi

Nature Communications volume 13, Numéro d'article : 4654 (2022) Citer cet article

16 000 accès

11 citations

189 Altmétrique

Détails des métriques

L'extrusion de matériaux est la méthode de fabrication additive la plus répandue, mais son application dans les produits finaux est limitée par la vulnérabilité aux erreurs. Les humains peuvent détecter les erreurs mais ne peuvent pas assurer une surveillance continue ou une correction en temps réel. Les approches automatisées existantes ne sont pas généralisables à différentes pièces, matériaux et systèmes d'impression. Nous formons un réseau neuronal multi-têtes en utilisant des images automatiquement étiquetées en fonction des paramètres d'impression optimaux. L'automatisation de l'acquisition de données et de l'étiquetage permet de générer un ensemble de données d'impression 3D par extrusion vaste et varié, contenant 1,2 million d'images provenant de 192 pièces différentes étiquetées avec des paramètres d'impression. Le réseau neuronal ainsi formé, associé à une boucle de contrôle, permet une détection en temps réel et une correction rapide de diverses erreurs, efficace sur de nombreuses géométries 2D et 3D, matériaux, imprimantes, parcours d'outils et même méthodes d'extrusion. Nous créons également des visualisations des prédictions du réseau pour éclairer la façon dont il prend des décisions.

L'extrusion de matériaux est la méthode de fabrication additive (FA) la plus courante pour des raisons telles que son coût relativement faible, son faible post-traitement, sa compatibilité avec de nombreux matériaux et sa capacité multi-matériaux1. Ces éléments ont rendu la fabrication additive par extrusion prometteuse dans de nombreux domaines2, notamment les soins de santé3, les dispositifs médicaux4, l’aérospatiale5 et la robotique6. Cependant, l’une des principales raisons pour lesquelles bon nombre de ces applications restent au stade de la recherche est que la fabrication additive par extrusion est vulnérable à diverses erreurs de production. Celles-ci vont des inexactitudes dimensionnelles à petite échelle et des faiblesses mécaniques aux échecs totaux de construction1,7,8,9,10. Pour contrer les erreurs, un travailleur qualifié doit généralement observer le processus de fabrication additive, reconnaître une erreur, arrêter l'impression, retirer la pièce, puis ajuster de manière appropriée les paramètres d'une nouvelle pièce. Si un nouveau matériau ou une nouvelle imprimante est utilisé, ce processus prend plus de temps à mesure que le travailleur acquiert de l'expérience avec la nouvelle configuration11,12. Même dans ce cas, des erreurs peuvent passer inaperçues, surtout si le travailleur n'observe pas continuellement chaque processus. Cela peut s’avérer difficile si plusieurs imprimantes fonctionnent simultanément ou, comme l’a souligné la pandémie de COVID-19, si le personnel est limité en raison de la distanciation sociale ou d’une maladie. Non seulement cela coûte du matériel, de l'énergie et du temps, mais cela limite également à la fois l'utilisation de pièces de fabrication additive dans les produits finaux, en particulier ceux critiques en matière de sécurité tels que les dispositifs médicaux, et la résilience des chaînes d'approvisionnement basées sur la fabrication additive. Ces défis vont devenir plus pressants à mesure que la fabrication additive s’étend aux matériaux vivants et fonctionnels, aux structures complexes en treillis multi-matériaux et aux environnements difficiles tels que les chantiers de construction extérieurs éloignés ou sur le corps humain.

Cela a motivé des recherches diverses et intéressantes sur la surveillance de l’extrusion AM13. Des capteurs de courant14,15, inertiels16,17 et acoustiques18,19,20,21,22 ont souvent été utilisés pour surveiller l'extrusion AM. Bien que ces approches conduisent à la détection fiable de certaines modalités d’erreur, généralement à grande échelle, lors de l’impression, de nombreuses erreurs restent indétectables. Ces méthodologies ne sont pas encore utilisées dans la plupart des imprimantes 3D, car le coût des capteurs et des amplificateurs pour de telles approches est souvent élevé. De plus, ils ne sont pas suffisamment riches en données pour permettre un feedback et une correction en ligne.

Les approches basées sur des caméras sont potentiellement polyvalentes et riches en données. Des caméras uniques montées sur le châssis de l'imprimante avec une vue descendante ou latérale, associées à des techniques traditionnelles de vision par ordinateur et de traitement d'image, ont été utilisées pour détecter diverses erreurs de fabrication additive par extrusion23,24,25,26,27,28,29, 30,31,32. Cette approche présente les avantages d'être relativement peu coûteuse, plus facile à mettre en place et de permettre à la caméra de visualiser souvent une grande partie de la pièce fabriquée à tout moment. Cela permet de détecter de nombreuses erreurs, telles que la déformation du remplissage ou la présence de « blobs » de matériau. Cependant, l’utilisation d’une seule caméra peut limiter la quantité d’informations obtenues sur le processus de fabrication et donc la gamme d’erreurs et de types d’erreurs identifiées. Les approches multi-caméras sont plus coûteuses et plus complexes à mettre en œuvre, mais potentiellement plus performantes. Plusieurs vues de la pièce, ou l'ajout de caméras infrarouges, peuvent permettre de voir des défauts, tels que des impressions incomplètes, qui peuvent ne pas être apparents d'un seul point de vue33,34,35. Les reconstructions 3D de pièces imprimées, par exemple, générées par balayage de lumière structurée 3D multi-caméras et corrélation d'images numériques, peuvent être comparées au modèle de pièce numérique 3D pour détecter les inexactitudes dimensionnelles35,36,37,38,39,40,41,42. ,43. Cependant, ces systèmes plus sophistiqués sont souvent coûteux, sensibles aux conditions d'éclairage et aux propriétés de la surface des pièces, plus lents en raison du temps de numérisation et du calcul, nécessitent un positionnement et un étalonnage précis et se limitent à détecter des erreurs suffisamment importantes pour voir les limites de résolution données du scanner.