搜索
搜索
img
资讯中心
您所在的当前位置:
首页
>
>
>
剑桥大学工程系《nature communications》:基于多头神经网络的3D打印误差检测与修正

剑桥大学工程系《nature communications》:基于多头神经网络的3D打印误差检测与修正

  • 分类:行业动态
  • 发布时间:2022-12-08 11:43
  • 访问量:

【概要描述】

剑桥大学工程系《nature communications》:基于多头神经网络的3D打印误差检测与修正

【概要描述】

  • 分类:行业动态
  • 发布时间:2022-12-08 11:43
  • 访问量:
详情
2022年8月15日,剑桥大学工程系Douglas A. J. Brion等在《nature communications》发表题为Generalisable 3D printing error detection and correction via multi-head neural networks(基于多头神经网络的3D打印误差检测与修正)的研究论文,报告了一种易于部署的方法,使用廉价的网络摄像头和一个单一的多线程深度卷积神经网络,通过错误检测、校正和新材料的参数发现来增强任何基于挤压的3D打印机。
原文链接:

https://www.nature.com/articles/s41467-022-31985-y

  文章简介  

材料挤压是最广泛的增材制造方法,但其在最终用途产品中的应用因易出错而受到限制。人类可以检测错误,但不能提供持续监控或实时纠正。现有的自动化方法不能适用于不同的零件、材料和打印系统。本研究使用从最佳打印参数偏差自动标记的图像来训练一个多头神经网络。数据采集和标签的自动化帮助生成一个大型和不同的挤压3D打印数据集,包含120万张来自192个不同部位的图片,上面标有打印参数。这样训练出来的神经网络,加上一个控制回路,能够实时检测和快速纠正各种错误,对许多不同的2D和3D几何形状、材料、打印机、刀具路径,甚至挤压方法都有效。研究人员还创建了网络预测的可视化,以阐明它是如何做出决策的。

  研究背景  

材料挤压是最常见的增材制造(AM)方法,原因包括其相对低成本,很少的后处理,与许多材料的兼容性和多材料的能力。这使得挤压增材制造在许多领域都很有前景,包括医疗保健、医疗设备、航空航天和机器人。然而,许多这些应用仍然停留在研究阶段的一个关键原因是挤压增材制造容易受到各种生产误差的影响。这些范围从小尺度的尺寸不准确和机械弱点到整体建造失败7-10。为了抵消错误,一个熟练的工人通常必须观察增材制造过程,识别错误,停止打印,移除零件,然后适当地调整新零件的参数。如果使用了新的材料或打印机,这个过程需要更多的时间。即使这样,错误也可能被遗漏,特别是如果工人没有持续地观察每个过程。如果多台打印机同时运行,或者如COVID-19大流行所突出的那样,由于社交距离或疾病,人员受限,这可能会很困难。这不仅耗费材料、能源和时间,而且还限制了AM部件在最终用途产品(特别是对安全至关重要的产品,如医疗设备)中的使用,以及基于AM的供应链的弹性。随着AM扩展到生活和功能材料,复杂的多材料晶格结构,以及具有挑战性的环境,如偏远的室外建筑工地或人体,这些挑战必将成为现实。

  研究内容解读  

本研究报告了一种易于部署的方法,使用廉价的网络摄像头和一个单一的多线程深度卷积神经网络,通过错误检测、校正和新材料的参数发现来增强任何基于挤压的3D打印机(图1)。这已经通过开发CAXTON实现:协作自主挤压网络,连接和控制学习3D打印机,允许批量数据收集和协作端到端学习。网络中的每台打印机都可以在零件移除系统的辅助下连续打印和收集数据。与现有的深度学习AM监测工作不同,现有的深度学习AM监测工作经常使用人类对错误的标签来训练算法,CAXTON自动根据与最佳打印参数的偏差来标记错误。因此,CAXTON不仅知道如何识别,还知道如何纠正各种错误,因为对于每张图像,它知道打印参数距离其最佳值有多远。这种训练数据的自主生成能够创建更大、更多样化的数据集,从而提高准确性和通用性。最终的系统能够同时实时地检测和修正多个参数。由于单一共享的特征提取主干,多头神经网络可以自学习制造参数之间的相互作用,甚至使系统能够识别多个解决方案来解决相同的错误。作为这项工作的一部分,一个大规模的、光学的、挤压AM的现场过程监测数据集已经策划并将发布。它包含了超过100万张来自打印机喷嘴的材料沉积样本图像,标记着来自192个不同2D和3D几何图形的打印参数。该系统具有高度可扩展性,使用常用的固件,并能够通过远程添加更多打印机来实现更大、更多样化的未来数据集。尽管只在挤压热塑性聚乳酸部件上进行了训练,但这些功能可以推广到以前从未见过的打印机、相机位置、材料和直接墨水写入挤压。本研究还介绍了几项创新,如刀具路径分割和比例参数更新,与目前发布的实时3D打印纠错工作相比,修正速度提高了一个数量级。这可以通过低成本的设备实现,只需要网络连接、标准的消费者网络摄像头和低成本的单板计算机(如树莓派)。最后,在网络中使用注意层使人类操作员能够解释网络关注的特征。然后使用可视化方法来深入了解训练过的神经网络如何做出预测,以帮助基本理解,并帮助建立信任或实现可追溯性。

图1用于自动数据采集的CAXTON系统概述一个从挤压3D打印机收集不同数据集的工作流程,自动标记带有打印参数的图像。

图2 多头剩余注意力网络结构、性能和可视化。


图3 机器视觉控制系统管路及反馈参数。

 

图4 打印机和原料不可知在线参数校正和发现。

 

图5 方法适用于各种设备和挤压工艺。

 

图6对每个参数使用单独显著性图的可视化解释可能有助于验证网络的精度。

——END——

该文章发布的目的在于传递更多信息,如涉及作品内容、版权或其它问题,请于我司联系,我们将在第一时间删除内容!

直写3D打印学术交流群

限时开放,诚邀你的加入!

为方便从事“直写3D打印”相关领域的科研人员进行交流学习,奇遇科技建立了“直写3D打印”研究领域的学术交流群,清华大学博士、挪威科技大学博士后将作为群顾问,欢迎相关领域的研究人员扫描下方二维码添加小编微信,备注:姓名-单位-研究方向,即可加入学术交流群,快速结识众多同研究领域的优秀人才!

关于奇遇科技

深圳奇遇科技有限公司成立于2015年,是一家以陶瓷增材制造技术为核心的高科技公司。

公司拥有以清华大学博士后、挪威科技大学海归博士等为主体的研发团队,致力于为客户提供完整的“陶瓷3D打印设备+陶瓷3D打印材料+陶瓷烧结工艺”整体解决方案!

目前,公司自主研发的一系列精细直写陶瓷3D、4D打印设备,生物直写陶瓷3D打印设备,光固化陶瓷3D打印设备以及相关陶瓷3D打印材料,已服务清华大学、哈尔滨工业大学、北京科技大学、北京理工大学、西北工业大学、四川大学、国防科技大学、深圳大学、中国科学院、燕之屋丝浓食品等全球100+家顶尖科研院所

业务联系

邮箱:min@adt-qy.com

电话:13392770929黄小姐

微信:adventuretechmin

关键词:

扫二维码用手机看

更多资讯

奇遇科技
可进行留言
可进行留言

版权所有 2021 深圳奇遇科技有限公司  粤ICP备16050384号   网站建设:中企动力 深圳