Beeldverwerking via AI aan hoge snelheid voor 3D printen van metaal

Het 3D printen van objecten laat toe complexe designs op een computer te ontwikkelen en daarna te produceren zonder veel rekening te moeten houden met de beperkingen van traditionele productiemethodes. Ook stelt het ons in staat snel prototypes te produceren, objecten te printen waarvan er maar één stuk nodig is (bijvoorbeeld op maat gemaakte medische implantaten), of complexe structuren te produceren die via conventionele productiemethodes onmogelijk zijn. Denk hierbij aan massieve structuren met complexe interne kanalen (bv. motorblok of elementen met ingebouwde koeling of ventilatie), geoptimaliseerde onderdelen (bv. lichte maar sterke ruimtevaart-onderdelen met complexe vorm), of complexe 3D vormen die moeilijk te produceren zijn (bv. turbinebladen, impellers van pompen, gaas-vormige structuren, …).

3D printen van metalen voorwerpen is mogelijk via verschillende technieken. Een populaire methode is poederbed-fusie via selectief smelten met een laser waarbij een object laagje per laagje wordt opgebouwd:

Een dun laagje metaalpoeder wordt op het bouwplatform of het object in aanbouw gedeponeerd
Het relevante laagje wordt gesmolten via een laser, en het object verhoogt met 1 laag
Het bouwplatform daalt 1 laag, nieuw poeder wordt gedeponeerd en het proces herhaalt zich

Dit type van metaal-3D printen kan gebeuren in verschillende legeringen (roestvrij staal, titanium, Kobalt-Chroom legeringen, …), met uiteenlopende toepassingen in luchtvaart, machineproductie, of de medische industrie. Door de hoge kwaliteitseisen is echter een grondige kwaliteitscontrole van de geproduceerde objecten noodzakelijk. Een alternatief is tijdens de productie zelf het smeltproces te monitoren en zo eventuele fouten of problemen reeds bij productie te onderscheppen en eventueel corrigeren of bijsturen.

Controlesysteem ontwikkeld bij Flanders Make

Een mogelijk controlesysteem dat ontwikkeld is bij Flanders Make is gebaseerd op het monitoren van het smeltproces met een hoge-snelheidscamera, welke aan 20 000 frames per seconde beelden verzameld. Deze beelden worden vervolgens via deep learning verwerkt om tot een voorspelling van kwaliteitsparameters te komen.

De video hierlangs demonstreert deze procedure voor het voorspellen van systeemparameters aan de hand van on-axis videobeelden.