Los científicos establecen el primer marco de su tipo para diagnosticar errores de impresión 3D
La fabricación aditiva, o impresión 3D, puede crear piezas personalizadas para dispositivos electromagnéticos bajo demanda y a bajo costo. Estos dispositivos son muy sensibles y cada componente requiere una fabricación precisa. Sin embargo, hasta hace poco tiempo, la única forma de diagnosticar errores de impresión era fabricar, medir y probar un dispositivo o usar simulación en línea, los cuales son computacionalmente costosos e ineficientes.
Para remediar esto, un equipo de investigación codirigido por Penn State creó una metodología única en su tipo para diagnosticar errores de impresión con aprendizaje automático en tiempo real. Los investigadores describen este marco, publicado en Additive Manufacturing, como un primer paso esencial para corregir errores de impresión 3D en tiempo real. Según los investigadores, esto podría hacer que la impresión para dispositivos sensibles sea mucho más eficiente en términos de tiempo, costo y ancho de banda informático.
“Muchas cosas pueden salir mal durante el proceso de fabricación aditiva para cualquier componente”, dijo Greg Huff, profesor asociado de ingeniería eléctrica en Penn State. «Y en el mundo del electromagnetismo, donde las dimensiones se basan en longitudes de onda en lugar de unidades de medida regulares, cualquier pequeño defecto puede contribuir realmente a fallas del sistema a gran escala o a operaciones degradadas. Si la impresión 3D de un artículo doméstico es como afinar una tuba, que se puede hacer con amplios ajustes: los dispositivos de impresión 3D que funcionan en el dominio electromagnético son como afinar un violín: los pequeños ajustes realmente importan.
En un proyecto anterior, los investigadores conectaron cámaras a los cabezales de impresión, capturando una imagen cada vez que se imprimía algo. Aunque no es el objetivo principal de este proyecto, los investigadores seleccionaron finalmente un conjunto de datos que podían combinar con un algoritmo para clasificar los tipos de errores de impresión.
«Generar el conjunto de datos y determinar qué información necesitaba la red neuronal fue fundamental para esta investigación», dijo la primera autora Deanna Sessions, quien recibió su doctorado en ingeniería eléctrica de Penn State en 2021 y ahora trabaja para UES Inc. como contratista. para el Laboratorio de Investigación de la Fuerza Aérea. “Usamos esta información, de imágenes ópticas baratas, para predecir el rendimiento electromagnético sin tener que hacer simulaciones durante el proceso de fabricación. Si tenemos imágenes, podemos decir si un determinado artículo va a ser un problema. Ya teníamos estas imágenes y dijimos: «Veamos si podemos entrenar una red neuronal para (identificar errores que están creando problemas de rendimiento)». Y descubrimos que podíamos.
Cuando el marco se aplica a la impresión, puede identificar errores durante la impresión. Ahora que el impacto de los errores en el rendimiento electromagnético se puede identificar en tiempo real, la capacidad de corregir errores durante el proceso de impresión está mucho más cerca de convertirse en realidad.
«A medida que se refina este proceso, puede comenzar a crear este tipo de control de retroalimentación que dice: ‘El widget está comenzando a verse así, así que hice este otro ajuste para que funcione’, para que podamos seguir usándolo «, dice Huff.
Los otros autores del artículo fueron: Venkatesh Meenakshisundaram de UES Inc. y el Laboratorio de Investigación de la Fuerza Aérea; Andrew Gillman y Philip Buskohl del Laboratorio de Investigación de la Fuerza Aérea; Alexandre Cook de NextFlex; y Kazuko Fuchi del Instituto de Investigación de la Universidad de Dayton y del Laboratorio de Investigación de la Fuerza Aérea.
La financiación fue proporcionada por la Oficina de Investigación Científica de la Fuerza Aérea de EE. UU. y el Programa de Liderazgo de Minorías del Laboratorio de Investigación de la Fuerza Aérea de EE. UU.
Referencia:
- Deanna Sessions, Venkatesh Meenakshisundaram, Andrew Gillman, Alexander Cook, Kazuko Fuchi, Philip R. Buskohl, Gregory H. Huff. Mapee espacios de características geométricas y electromagnéticas con aprendizaje automático para dispositivos de RF fabricados de forma aditiva. Fabricación aditiva, 2022; 50: 102549 DOI: 10.1016/j.addma.2021.102549
