.
Pesquisadores do Laboratório Nacional Oak Ridge do Departamento de Energia melhoraram a detecção de falhas para aumentar a confiança em peças metálicas impressas em 3D usando fusão a laser em leito de pó. Este tipo de manufatura aditiva oferece às indústrias de energia, aeroespacial, nuclear e de defesa a capacidade de criar peças altamente especializadas com formatos complexos a partir de uma ampla gama de materiais. No entanto, a tecnologia não é mais amplamente utilizada porque é um desafio verificar o produto de forma completa e precisa; os métodos de inspeção convencionais podem não encontrar falhas profundamente embutidas nas camadas de uma peça impressa.
Os pesquisadores do ORNL desenvolveram um método que combina a inspeção da peça impressa após sua construção com informações coletadas de sensores durante o processo de impressão. Os dados combinados então ensinam um algoritmo de aprendizado de máquina para identificar falhas no produto. Ainda mais significativo, esta estrutura permite que os operadores conheçam a probabilidade de detecção precisa de falhas de forma tão confiável quanto os métodos de avaliação tradicionais que exigem mais tempo e trabalho.
“Podemos detectar falhas de cerca de meio milímetro – aproximadamente a espessura de um cartão de visita – em 90% das vezes”, disse Luke Scime, pesquisador do ORNL. “Somos os primeiros a atribuir um valor numérico ao nível de confiança possível para no local (em processo) detecção de falhas.” Por extensão, isso reflete confiança na segurança e confiabilidade do produto.
A fusão de leito de pó a laser, o processo de impressão 3D de metal mais comum, usa um laser de alta energia para derreter seletivamente o pó metálico que foi espalhado por uma placa de construção. Em seguida, a placa de construção desce antes que o sistema se espalhe e derreta outra camada, construindo lentamente o produto projetado.
Os engenheiros sabem que haverá falhas no material.
“Para a produção regular, sabemos o que são, onde e como encontrá-los”, disse o pesquisador do ORNL, Zackary Snow. “(Os operadores) sabem a probabilidade de detectar falhas de um determinado tamanho, então sabem com que frequência inspecionar para obter uma amostra representativa.”
A impressão 3D não beneficiou da mesma confiança.
“Não ter um número dificulta a qualificação e certificação de peças”, disse Snow. “É um dos maiores obstáculos na fabricação aditiva.”
Um artigo de pesquisadores do ORNL e parceiro RTX, publicado recentemente em Fabricação Aditivaexplica o processo que desenvolveram para chegar a uma taxa de detecção de 90% e, ao mesmo tempo, reduzir a probabilidade de falsos positivos, o que pode levar ao descarte de bons produtos.
Para a primeira etapa da pesquisa, a empresa aeroespacial e de defesa RTX projetou uma peça semelhante a uma que já produz, proporcionando oportunidades para ver falhas de aparência realista. Em seguida, a RTX imprimiu a peça em 3D várias vezes, monitorando durante a construção com uma câmera infravermelha próxima padrão e uma câmera de luz visível adicional. Posteriormente, os pesquisadores da RTX e do ORNL realizaram inspeções de qualidade usando tomografia computadorizada de raios X, comumente chamada de tomografia computadorizada.
Com a consulta da RTX, os especialistas em fabricação aditiva da ORNL alinharam os dados em uma pilha de imagens em camadas, que essencialmente se tornou o livro-texto para o algoritmo de aprendizado de máquina. Durante o treinamento, o algoritmo fez uma primeira tentativa de rotular falhas usando imagens de tomografia computadorizada. Em seguida, um operador humano anotou o restante com base em dicas visuais dos dados coletados durante o processo de impressão. O feedback humano continua a treinar o software, para que o algoritmo reconheça as falhas com mais precisão a cada vez. Os avanços anteriores do ORNL em monitoramento in situ e estruturas de aprendizagem profunda foram usados como ferramentas nesta nova abordagem. Com o tempo, isso reduzirá a necessidade de envolvimento humano na inspeção de fabricação.
“Isso permite confiança no nível de CT sem CT”, disse Snow. Um método comum para verificar algumas peças impressas em 3D, imagens e análises de tomografia computadorizada aumentam os custos porque requerem mais tempo e conhecimento. Além disso, a CT não consegue penetrar eficazmente em metais densos, limitando a sua aplicação.
Quando o algoritmo é aplicado a um único projeto fabricado consistentemente com o mesmo material e processo, ele pode aprender a fornecer análises de qualidade consistentes em poucos dias, disse Scime. Ao mesmo tempo, o software incorpora tudo o que aprende com diferentes projetos e construções, de modo que eventualmente será capaz de verificar com precisão produtos com designs desconhecidos.
A estrutura de inspeção desenvolvida pelo ORNL poderia ajudar na expansão das aplicações de fabricação aditiva. Com o controle de qualidade verificado estatisticamente, a fabricação aditiva poderia se tornar viável para produtos produzidos em massa, como peças de automóveis, disse Snow.
Também poderia diversificar os tipos de peças que podem ser impressas em 3D. A certeza sobre o menor tamanho de falha detectável permite maior liberdade de projeto. Isto é importante porque a indústria já está caminhando para maiores volumes de impressão e taxas de impressão mais rápidas – o que significa mais lasers interagindo para criar peças maiores com diferentes tipos de falhas, disse Brian Fisher, engenheiro principal sênior de manufatura aditiva no Raytheon Technologies Research Center da RTX.
“Você pode realmente começar a economizar tempo e dinheiro e criar um caso de negócios ao imprimir montagens maiores – exceto que essas também são as mais difíceis de inspecionar hoje”, disse Fisher. “A visão é aditiva: podemos fabricar peças grandes e altamente complexas em materiais muito densos, que tradicionalmente seriam muito difíceis e caros de inspecionar minuciosamente.”
Em seguida, a equipe do ORNL treinará o algoritmo de aprendizado profundo para diferenciar melhor os tipos de irregularidades e categorizar falhas que têm múltiplas causas.
.
