Mit 3D-Druck lassen sich unter anderem auch Teile für elektromagnetische Geräte kostengünstig herstellen. Jede einzelne Komponente dieser hoch empfindlichen Geräte muss sehr präzise gefertigt werden. Um Druckfehler zu messen, gab es bisher nur die Möglichkeit, ein erstes Gerät herzustellen, Messungen durchzuführen und zu testen. Oder eine Inline-Simulation zu verwenden. Das ist jedoch rechenintensiv und nicht besonders effizient. Forscher der Penn State University haben laut einer Pressemitteilung eine Methode zur Diagnose von Druckfehlern mit maschinellem Lernen in Echtzeit vorgestellt.
Sie veröffentlichten ihre Arbeit in einem Artikel mit dem Titel „Mapping geometric and electromagnetic feature spaces with machine learning for additively manufactured RF devices“ im Fachjournal Additive Manufacturing. Die Finanzierung wurde vom US Air Force Office of Scientific Research und dem Minority Leadership Program des US Air Force Research Laboratory bereitgestellt. Forscher der NTU haben erst vor Kurzem eine schnelle Analysemöglichkeit der Struktur 3D-gedruckter Metallteile vorgestellt.
Details zur Entwicklung
Die Forscher beschreiben ihre Arbeit als einen entscheidenden ersten Schritt in der Korrektur von 3D-Druckfehlern in Echtzeit. Das Drucken empfindlicher Geräte soll weniger Kosten, weniger Rechenbandbreite benötigten und sei sehr effektiv.
Greg Huff, außerordentlicher Professor für Elektrotechnik an der Penn State, sagte:
„Während des additiven Herstellungsprozesses für jede Komponente kann eine Menge schief gehen. Und in der Welt der Elektromagnetik, wo Abmessungen eher auf Wellenlängen als auf regulären Maßeinheiten basieren, kann jeder kleine Defekt wirklich zu großflächigen Systemausfällen oder verschlechterten Betriebsabläufen beitragen. Wenn der 3D-Druck eines Haushaltsgegenstands wie das Stimmen einer Tuba ist – was mit umfangreichen Anpassungen möglich ist –, sind 3D-Druck-Geräte, die im elektromagnetischen Bereich funktionieren, wie das Stimmen einer Geige: Kleine Anpassungen sind wirklich wichtig.“
Für maschinelles Lernen wird der Algorithmus gefüttert
In einem früheren Projekt befestigten die Forscher Kameras an Druckköpfen. Jedes Mal, wenn gedruckt wurde, wurde ein Bild aufgenommen. Diese Bilder nutzten sie für einen Datensatz, den sie mit einem Algorithmus kombinieren konnten, um Druckfehler zu klassifizieren. Erstautorin Deanna Sessions promovierte 2021 an der Penn State in Elektrotechnik und arbeitet jetzt als Auftragnehmerin für UES Inc. für das Forschungslabor der Luftwaffe.
Sie sagte:
„Das Generieren des Datensatzes und das Herausfinden, welche Informationen das neuronale Netzwerk benötigt, stand im Mittelpunkt dieser Forschung. Wir verwenden diese Informationen – aus einfachen optischen Bildern – um die elektromagnetische Leistung vorherzusagen, ohne während des Herstellungsprozesses Simulationen durchführen zu müssen. Wenn wir Bilder haben, können wir sagen, ob ein bestimmtes Element ein Problem darstellen wird. Wir hatten diese Bilder bereits und sagten: „Mal sehen, ob wir ein neuronales Netzwerk trainieren können, um (die Fehler zu identifizieren, die Leistungsprobleme verursachen).“ Und wir haben festgestellt, dass wir das können.“
Wird das Framework auf den Druck angewendet, kann es Fehler beim Drucken identifizieren. Da die Auswirkungen von Fehlern jetzt auf die elektromagnetische Leistung in Echtzeit identifiziert werden kann, steigt die Möglichkeit, Fehler während des Druckvorganges zu korrigieren. Über weitere Entwicklungen in diesem Bereich berichten wir auch zukünftig im 3D-grenzenlos Magazin (Newsletter abonnieren).
