ИИ делает рентгеновскую компьютерную томографию деталей, напечатанных на 3D-принтере, быстрее и точнее

Прочитано: 279 раз(а)


Новая структура глубокого обучения, разработанная в Окриджской национальной лаборатории Министерства энергетики, ускоряет процесс проверки металлических деталей, изготовленных аддитивным способом, с помощью рентгеновской компьютерной томографии или КТ, повышая при этом точность результатов. Ожидается, что сокращение затрат времени, труда, обслуживания и энергии ускорит распространение аддитивного производства или 3D-печати.

«Скорость сканирования значительно снижает затраты», — сказал ведущий исследователь ORNL Амир Зиабари. «И качество выше, поэтому анализ постобработки становится намного проще».

Этот фреймворк уже внедряется в программное обеспечение, используемое коммерческим партнером ZEISS на его машинах в производственном демонстрационном центре Министерства энергетики в ORNL, где компании оттачивают методы 3D-печати.

Исследователи ORNL ранее разработали технологию, которая может анализировать качество детали во время ее печати. Добавление высокого уровня точности изображения после печати обеспечивает дополнительный уровень доверия к аддитивному производству при потенциальном увеличении производства.

«Благодаря этому мы можем проверять каждую деталь, выходящую из машин для 3D-печати», — сказал Прадип Бхаттад, менеджер по развитию бизнеса ZEISS в области аддитивного производства. «В настоящее время компьютерная томография ограничена созданием прототипов. Но этот единственный инструмент может продвинуть аддитивное производство к индустриализации».

Рентгеновское КТ-сканирование важно для подтверждения надежности детали, напечатанной на 3D-принтере, без ее повреждения. Процесс аналогичен медицинской рентгеновской КТ. В этом случае объект, установленный внутри шкафа, медленно вращается и сканируется под каждым углом мощными рентгеновскими лучами. Компьютерные алгоритмы используют полученный стек двумерных проекций для построения трехмерного изображения, показывающего плотность внутренней структуры объекта. Рентгеновскую компьютерную томографию можно использовать для обнаружения дефектов, анализа отказов или подтверждения того, что продукт соответствует предполагаемому составу и качеству.

Однако рентгеновская компьютерная томография не используется в больших масштабах в аддитивном производстве, потому что современные методы сканирования и анализа требуют много времени и неточны. Металлы могут полностью поглощать низкоэнергетические рентгеновские лучи в рентгеновском луче, создавая неточности изображения, которые могут быть еще больше умножены, если объект имеет сложную форму. Возникающие в результате дефекты изображения могут скрывать трещины или поры, которые должно выявить сканирование. Обученный технический специалист может исправить эти проблемы во время анализа, но этот процесс занимает много времени и сил.

Зиабари и его команда разработали систему глубокого обучения, которая быстро обеспечивает более четкую и точную реконструкцию и автоматический анализ. Он представит процесс, разработанный его командой, на Международной конференции по обработке изображений Института инженеров по электротехнике и электронике в октябре.

Обучение контролируемой сети глубокого обучения для CT обычно требует множества дорогостоящих измерений. Поскольку металлические детали создают дополнительные проблемы, получение соответствующих обучающих данных может быть затруднено. Подход Зиабари обеспечивает прорыв, генерируя реалистичные обучающие данные, не требуя обширных экспериментов для их сбора.

Метод генеративно-состязательной сети, или GAN, используется для синтетического создания реалистичного набора данных для обучения нейронной сети с использованием физического моделирования и автоматизированного проектирования. GAN — это класс машинного обучения, использующий нейронные сети, конкурирующие друг с другом, как в игре. По словам Зиабари, он редко использовался для подобных практических приложений.

По словам Зиабари, поскольку эта система рентгеновской компьютерной томографии требует сканирования с меньшими углами для достижения точности, она сократила время визуализации в шесть раз — с примерно одного часа до 10 минут или меньше. Такая быстрая работа с таким небольшим количеством углов обзора, как правило, добавляет значительный «шум» к 3D-изображению. Но алгоритм ORNL, обученный на обучающих данных, исправляет это, даже улучшая обнаружение мелких дефектов в четыре или более раз.

Структура, разработанная командой Зиабари, позволит производителям быстро настраивать свои сборки, даже меняя дизайн или материалы. По словам Бхаттада, при таком подходе анализ проб можно выполнить за день вместо шести-восьми недель.

«Если я смогу очень быстро и с минимальными затратами осмотреть всю деталь, то у нас будет 100% уверенность», — сказал он. «Мы сотрудничаем с ORNL, чтобы сделать компьютерную томографию доступным и надежным отраслевым инструментом контроля».

Исследователи ORNL оценили эффективность новой структуры на сотнях образцов, напечатанных с различными параметрами сканирования, с использованием сложных и плотных материалов. Эти результаты были хорошими, и продолжающиеся испытания в MDF работают над подтверждением того, что метод одинаково эффективен для любого типа металлического сплава, сказал Бхаттад.

Это важно, потому что подход, разработанный командой Зиабари, может значительно упростить сертификацию деталей, изготовленных из новых металлических сплавов. «Люди не используют новые материалы, потому что не знают лучших параметров печати», — сказал Зиабари. «Теперь, если вы сможете так быстро охарактеризовать эти материалы и оптимизировать параметры, это поможет использовать эти новые материалы в аддитивном производстве».

На самом деле, сказал Зиабари, технология может применяться во многих областях, включая оборону, производство автомобилей, аэрокосмическую и электронную печать, а также неразрушающую оценку аккумуляторов электромобилей.

ИИ делает рентгеновскую компьютерную томографию деталей, напечатанных на 3D-принтере, быстрее и точнее



Новости партнеров