一种智能,数据驱动的方法,以额外制造的钢样品为基于打印参数的不完美合格

科学领域:

• 材料科学与工程 材料科学与工程
• 制造业 制造技术 制造技术
• 非破坏性测试 不破坏性测试

背景情况:

• 增材制造 (AM),特别是电弧增材制造 (WAAM),在节约资源和复杂组件生产方面具有优势.
• 在WAAM中确保元件质量是具有挑战性的,因为固有的工艺变化和无法持续生产无缺陷的零件.
• 目前的质量评估方法往往是复杂的,昂贵的和低效的,阻碍了广泛的工业采用.

研究的目的:

• 开发一种具有成本效益和高效的方法,通过声音排放分析来评估AM元件的质量.
• 创建基于机器学习的方法来根据共振频率测试来分类组件质量.
• 将这种质量评估技术整合到工业应用的内部监控系统中.

主要方法:

• 通过WAAM生成的样本经过了共振频率测试 (RFM) 来捕获声学特征.
• 通过使用有限元法 (FEM) 模拟,通过删除不需要的模式来完善实验频率数据.
• 创建了一个与缺陷度相关的频率数据库 (根据ISO 5817引入),并增加了模拟数据.
• 在这个数据库上训练了一种基于回归的机器学习算法,以预测缺陷水平.

主要成果:

• 经过训练的机器学习算法证明了基于缺陷程度的组件质量的有效分类.
• 开发的方法提供了一种可靠的质量评估方法,独立于组件几何.
• 该系统显示,与传统的声学测试设备相比,该系统具有大幅降低成本的潜力.

结论:

• 声音排放分析与机器学习相结合,为WAAM组件质量控制提供了一个有希望的,具有成本效益的解决方案.
• 开发的算法和集成设备可以为制造商建立内部质量评估程序.
• 这种方法提高了效率,并降低了验证增材制造部件质量的成本.