在《华尔街日报》最近发表的一篇文章加法制造,研究人员讨论了计算机视觉和深度学习现场优化热固性复合添加剂生产(AM)。
研究:现场优化热固性复合添加剂生产通过深度学习和计算机视觉。图片来源:Alex_Traksel / Shutterstock.com
背景
新挤压是过程称为直接墨水写(DIW)提供了无与伦比的设计的灵活性和广泛的原料材料。欧洲杯足球竞彩虽然复合DIW方面取得了巨大的进展,这一技术仍有很长的路要走,才能被认为是现代复合材料制造的基石。持续生产高质量的打印,有必要理解DIW之间的复杂的相互作用过程中,打印质量和材料性能。机器学习(ML)方法可以用来模拟工艺参数的影响,自动优化来解决这一问题。
叠层制造之前,可以选择的最佳参数提取这些相关性使用机器学习(ML)。尽管取得的巨大进展数据驱动的研究,还需要研究的一个领域是现场工艺参数优化。
使用毫升优化分析参数需要一个大型数据库和环境随时间变化的特性,这将使非常耗时的任务。卷积神经网络(cnn)的分层体系结构,它的灵感来自于大脑,使他们能够准确地预测未来事件,从原始像素数据中提取高度复杂的模式。这些研究集中于使用cnn监控流程;然而,他们不考虑现场参数调优。
关于这项研究
在这项研究中,作者提出了一种新颖的优化热固性复合框架是校准和印刷,利用计算机视觉和深度学习(DL)。建议框架动态和自动调整印刷参数在挤压过程中,与标准DL模型在印刷前参数决定。确定理想的印刷参数,如道路宽度、打印速度,和特定复合油墨层的高度,一个革命性的DL挤压是创建系统集成。
沟通的团队使用一台电脑一个挤压系统、原位成像的照相机,和许多高精度卷积神经网络(cnn)使用的最佳工艺参数组合是由闭环系统。为了自动优化道路宽度、打印速度,和热固性层高度原位碳纤维复合材料,本研究创建了一个独特的DL-DIW框架,结合计算机视觉和DL DIW系统模型。
研究人员包括DL算法DIW系统,创建了一个创新的现场参数优化框架DIW印刷短碳纤维复合材料,可以帮助用户节省时间和精力。本研究开发了多个高精度cnn建立道路宽度、理想的打印速度和层高度,以实现这些目标。
单路和分层样本的计算机视觉分析取得了理想的参数,和CNN模型将现场之后更新适当的参数。的口径复合部件使用所选的参数作为衡量决策模型的有效性和精度。工程师可以校准DIW系统没有用户的参与,这有效地演示了如何DL可以对复合DIW产生重大影响。
观察
根据结果,碳复合材料墨水的参数可以由自己提出流程优化框架。结果,复杂的几何图形可能被制作成标本没有可见的缺陷,优化纤维排列,提高试样的力学性能的复合材料。此外,通过优化挤压过程无需用户输入,拟议的框架减少必要的劳动密集型的过程来分析构建热固性复合材料。
印刷参数在热固性复合DIW直接影响打印质量和材料性能。因此,它是至关重要的优化每个打印会话之前这些设置。传统方法优化复合DIW的打印设置包括时间和resource-wasting,费力的试错法试验,这阻碍了这种革命性技术的广泛采用。
DL-DIW框架可以分析的有缺陷和质量的图像分层和路复合油墨样本和预测的理想印刷参数的最大纤维排列和最少的可见缺陷。这个3 d印刷过程是完全自治,其印刷参数修改后的原位。创建几个cnn与高精度检测错误。CNN创建打印速度优化平均95.5%,识别精度的那条路问题。
两个二进制分类cnn DL-DIW架构至少达到85%的精度和准确性在类的图像通过扩大和重组原始图像集合。建议DL-DIW框架确定理想的道路宽度、打印速度、高度和层的配筋墨水有12%碳纤维的体积是0.4毫米,26.67毫米/秒,0.58毫米,分别。这证实了发达cnn的功效。
结论
总之,本研究阐明的意义提出DL-DIW系统现场打印参数优化。这个框架可以使用所有DIW-based系统持续创建复杂的,高质量的几何图形利用任何复合油墨,允许工程师校准自己独立。
作者表示,拟议中的DL-DIW框架在未来应进一步优化。他们建议,即使建议的框架是成功的在确定理想的印刷参数,可能会做更多的工作来提高CNN的性能和开关串联二进制分类CNN系统一个DL模型。
他们还认为,这些新发展将加强的基础作用DL综合DIW系统在当代复合制造。
从AZoM:构建持久的和可持续的未来(电子邮件保护)
源
赖特,w·J。Darville, J。侯赛因·N。,等。现场优化热固性复合添加剂生产通过深度学习和计算机视觉。加法制造102985 (2022)。https://www.欧洲杯线上买球sciencedirect.com/science/article/abs/pii/S2214860422003785
免责声明:这里的观点是作者表达他们的私人能力,不一定代表AZoM.com T /有限的观点AZoNetwork这个网站的所有者和经营者。这个声明的一部分条款和条件本网站的使用。