AI förbättrar kvalitén på additivt tillverkade komponenter

En definition av Additive Manufacturing (AM) är "en process för att sammanföra material för att göra objekt från 3D-modelldata, vanligtvis lager på lager, i motsats till subtraktiva tillverkningsmetoder".

En av AM-processerna är direkt energideposition (DED). I DED byggs en del genom att smälta en yta med en laserstråle och samtidigt applicera metalltråd eller pulver. Svetsprocessen övervakas genom att justera robotstyrparametrar, till exempel munstycksavståndet i förhållande till underlaget, trådmatningshastigheten eller laserkraften.

Genom att övervaka smältpunkten med en kamera, kommer bilderna senare att användas för att analysera avvikelserna i svetsprocessen (bra respektive dåliga svetsbilder, se nedanstående figur).

Detta är ett mycket tidskrävande verifieringsförfarande om det görs manuellt eftersom det finns ett stort antal bilder som genereras från varje inbyggd komponent. Det är även risk för fel där den mänskliga faktorn spelar in på grund av den tidskrävande och tråkiga uppgiften.

Ett annat problem är att material och tid slösas bort eftersom felanalysen görs efter att komponenten har tillverkats. Om till exempel större fel upptäcks i den tillverkade komponenten kan produkten kasseras. Här kommer Artificiell Intelligent (AI) och prediktionsmodellering att spela en roll för att automatisera den manuella analysen med hjälp av processdata. Detta hjälper till att göra både föranalys och efteranalys av övervakningen för att påskynda kriterierna för defektanalysen.

GKN Aerospace har börjat utforska olika AI-metoder för att förutsäga defekter med bilddata från DED-processerna. En av de utmaningar som vi hittills mött är att vi behöver mer märkningsdata för att få mer exakta modeller och att en annan AI-metod för kluster kan hjälpa till i denna process. Från första undersökningar ser vi en stor potential att använda AI för både onlineövervakning av processen och som en metod för att minska kostnaderna för att följa icke-destruktiva testmetoder.