算法學習糾正不同零件材料和系統的3D打印錯誤

工程師們通過學習其他機器的經驗，創建了可以快速檢測和糾正錯誤的智能3D打印機，即使在以前看不見的設計或不熟悉的材料(如番茄醬和蛋黃醬)中也是如此。

來自劍橋大學的工程師開發了一種機器學習算法，可以實時檢測和糾正各種不同的錯誤，并且可以很容易地添加到新機器或現有機器中以增強它們的能力。使用該算法的3D打印機還可以學習如何自己打印新材料。他們的低成本方法的詳細信息發表在NatureCommunications雜志上。

3D打印有可能徹底改變復雜和定制零件的生產，例如飛機部件、個性化醫療植入物，甚至是復雜的糖果，還可以改變制造供應鏈。然而，它也容易受到生產錯誤的影響，從小規模的不準確和機械缺陷到整體構建失敗。

目前，防止或糾正這些錯誤的方法是由熟練的工人觀察過程。工人必須識別錯誤(即使對于受過訓練的眼睛也是一個挑戰)，停止打印，移除部件，并調整新部件的設置。如果使用新材料或打印機，則隨著工人學習新設置，該過程需要更多時間。即使這樣，也可能會遺漏錯誤，因為工作人員無法同時連續觀察多臺打印機，尤其是長打印件。

“3D打印具有挑戰性，因為有很多地方可能會出錯，因此3D打印經常會失敗，”該論文的資深作者、劍橋工程系的SebastianPattinson博士說。“當這種情況發生時，你使用的所有材料、時間和精力都將丟失。”

工程師一直在開發自動化3D打印監控，但現有系統只能檢測到一個零件、一種材料和一個打印系統中的有限范圍的錯誤。

“真正需要的是用于3D打印的‘無人駕駛汽車’系統，”同樣來自工程系的第一作者DouglasBrion說。“如果無人駕駛汽車只在一條道路或一個城鎮上工作，它就毫無用處——它需要學會在不同的環境、城市甚至國家之間進行概括。同樣，‘無人駕駛’打印機必須適用于多種部件、材料和打印條件。”

Brion和Pattinson表示，他們開發的算法可能是工程師一直在尋找的“無人駕駛汽車”。

“這意味著您可以擁有一種算法，該算法可以查看您正在操作的所有不同打印機，不斷監控并根據需要進行更改——基本上可以完成人類無法做到的事情，”Pattinson說。

研究人員通過展示在192個打印對象的生產過程中自動捕獲的大約950,000張圖像來訓練深度學習計算機視覺模型。每個圖像都標有打印機的設置，例如打印噴嘴的速度和溫度以及打印材料的流速。該模型還收到了有關這些設置與良好值的差距的信息，從而使算法能夠了解錯誤是如何產生的。

“一旦經過訓練，算法就可以通過查看圖像來判斷哪個設置是正確的，哪個是錯誤的——例如，一個特定的設置太高或太低，然后應用適當的校正，”帕丁森說。“很酷的是，使用這種方法的打印機可以不斷收集數據，因此算法也可以不斷改進。”

使用這種方法，Brion和Pattinson能夠制作出一種通用的算法——換句話說，它可以用于識別和糾正不熟悉的物體或材料中的錯誤，甚至是新的打印系統中的錯誤。

“當您使用噴嘴打印時，無論您使用何種材料——聚合物、混凝土、番茄醬或其他任何材料——都會出現類似的錯誤，”Brion說。“例如，如果噴嘴移動得太快，您通常會出現材料團塊，或者如果您推出的材料過多，那么打印線將重疊形成折痕。

“無論打印什么部件或使用什么材料，類??似設置產生的錯誤都會具有類似的特征。因為我們的算法學習了不同材料共享的一般特征，它可能會說‘哦，印刷線正在形成折痕，因此我們可能推出了太多材料’。”

結果，僅使用一種材料和打印系統訓練的算法能夠在不同類型的打印系統上檢測和糾正不同材料中的錯誤，從工程聚合物到番茄醬和蛋黃醬。

將來，經過訓練的算法在發現錯誤方面可能比人類操作員更有效和更可靠。這對于組件故障可能產生嚴重后果的應用中的質量控制可能很重要。

在大學商業化部門CambridgeEnterprise的支持下，Brion成立了Matta，這是一家將開發商業應用技術的衍生公司。

“我們正在將注意力轉向航空航天、能源和汽車行業等高價值行業，這些行業使用3D打印技術制造高性能和昂貴的零件，”Brion說。“完成一個組件可能需要數天或數周的時間，成本高達數千英鎊。在零件完成和檢查之前，可能無法檢測到開始時發生的錯誤。我們的方法將實時發現錯誤，顯著提高制造效率。”