HTML

Legyél Te is Szakértő!

Minden hírlevél feliratkozónknak egy 50 oldalas 3D nyomtatás kisokost és 3D Akadémia kedvezményt adunk ajándékba!

 

 

3D TECH WORSKHOPOK

Vegyél részt a 3D Akadémia képzésein és szerezz átfogó tudást a 3D technológiák jelenéről és jövőjéről!

3D nyomtatás, modellezés és szkennelés tanfolyamok a 3D Akadémián.

FRE3DEE a Facebookon

Nyomatok minőségbiztosítása gépi tanulással

ferenck 2022.02.16. 08:00

Ha a nyomtatandó 3D fájlt optimalizáltuk, figyelmünk fókuszpontjába a nyomtatási folyamat, az anyag és a komponensek minősége kerül. Ma már egyre több gyártó integrál kamerákat és más érzékelőket printerrendszereikbe, amelyek aztán annak rendje és módja szerint le is követik a nyomtatási szakaszokat, a nyomatot, és ha szükséges figyelmeztető jelet adnak ki, vagy megállítják az egész folyamatot.

Nagyon fontos, hogy tudjuk: a nyomat minőségét miként definiáljuk, mert máskülönben nem tudjuk meghatározni az elvárt mérési értékeket. Szintén fontos, hogy a gép milyen paraméterek mellett hajtsa végre a különböző lépéseket.

3dnyomtatas_minosegbiztositas.jpg

Manapság egyes algoritmusok már képesek önállóan meghatározni ezeket a paramétereket és így hozzájárulnak a modell tovább-fejlesztéséhez. Mindezt a korábban összegyűjtött adatok alapján teszik.

Az EOS összeállt a svájci NNAISENSE szoftverszolgáltatóval, hogy létrehozzák a DMLS folyamat „digitális ikertestvérét:” Ennél a nyomtatási eljárásnál minden egyes printelt rétegről készül hőtérkép, amelyet összehasonlítanak a mesterséges intelligencia által előrejelzett képpel.

3dnyomtatas_minosegbiztositas0.jpg

Ez teszi lehetővé az anomáliák azonnali észrevételét, és ha kell, a nyomtatás leállítását, amellyel spórolunk az anyagon, valamint csökkentjük a gyártási költségeket.

A NNAISENSE által fejlesztett modell önfelügyelet melletti mélytanulással (deep learning) működik. A Siemens szakértői szerint az additív gyártás során a mesterséges intelligenciával, gépi tanulással kivitelezett minőségbiztosítással jelentősen csökken a prototípus és a végtermék elkészítése közti idő, amellyel hatékonyabbá válik a nagyvolumenű gyártás.

A Siemens nagyra értékeli az EOS által a rendszerbe integrált kamerát, kiválóan monitorozhatók vele a rétegek, és így valósidőben azonosítható, hogy honnan hiányzik valamennyi por, vagy hol van belőle túl sok. A minőséget numerikus értékek formájában rögzítik, majd automatikusan ki is értékelik. Ha a pontszám elér egy bizonyos határértéket, súlyos probléma merülhet fel. Mivel így csak a kritikus rétegeket kell szakértőnek átvizsgálnia, a módszerrel optimalizálják a nyomatok optikai felülvizsgálatát.

Címkék: mesterséges intelligencia ipar minőségbiztosítás EOS Siemens

Szólj hozzá!

A bejegyzés trackback címe:

https://freedee.blog.hu/api/trackback/id/tr6416795608

Kommentek:

A hozzászólások a vonatkozó jogszabályok  értelmében felhasználói tartalomnak minősülnek, értük a szolgáltatás technikai  üzemeltetője semmilyen felelősséget nem vállal, azokat nem ellenőrzi. Kifogás esetén forduljon a blog szerkesztőjéhez. Részletek a  Felhasználási feltételekben és az adatvédelmi tájékoztatóban.

Nincsenek hozzászólások.
süti beállítások módosítása