Forscher der Penn State präsentieren ein System zur Diagnose von 3D-Druckfehlern

Mit dem 3D-Druck ist es möglich, angepasste Teile für elektromagnetische Geräte nach Bedarf und zu geringen Kosten herzustellen. Eine Schwachstelle bei diesem Einsatz ist jedoch, dass die Geräte hochempfindlich sind und jedes Bauteil sehr präzise gefertigt werden muss. Um Druckfehler zu erkennen, musste man bisher immer die Teile und Geräte herstellen und erst dann war es erst in den meisten Fällen möglich, die Teile zu testen. Zwar gibt es auch Inline-Simulation für die Diagnose, die sind jedoch oft häufig rechenintensiv und ineffizient.

Ein Forscherteam unter der Leitung der Penn State University hat jetzt eine neuartige Methode zur Diagnose von Druckfehlern durch maschinelles Lernen in Echtzeit entwickelt. Die Forscher beschreiben diesen in der Zeitschrift Additive Manufacturing veröffentlichten Ansatz als einen wichtigen ersten Schritt zur Korrektur von 3D-Druckfehlern in Echtzeit. Den Wissenschaftlern zufolge könnte dies den Druck empfindlicher Geräte in Bezug auf Zeit, Kosten und Rechenkapazität wesentlich effektiver machen.

“Bei der additiven Fertigung von Bauteilen können viele Dinge schiefgehen”, erläutert Greg Huff, außerordentlicher Professor für Elektrotechnik an der Penn State. “Und in der Welt der Elektromagnetik, wo Größen eher auf Wellenlängen als auf regulären Maßeinheiten basieren, kann jeder kleine Fehler wirklich zu groß angelegten Systemausfällen oder Betriebsstörungen beitragen.”

In einem früheren Projekt hatten die Forscher Kameras an den Druckköpfen angebracht, die jedes Mal ein Bild aufnahmen, wenn etwas gedruckt wurde. Dies war zwar nicht der Hauptzweck des Projekts, aber die Forscher erstellten schließlich einen Datensatz, den sie mit einem Algorithmus kombinieren konnten, um die Arten von Druckfehlern zu klassifizieren.

“Die Erstellung des Datensatzes und das Herausfinden, welche Informationen das neuronale Netz benötigt, war das Herzstück dieser Forschung”, so die Erstautorin Deanna Sessions, die 2021 an der Penn State in Elektrotechnik promoviert hat und jetzt für UES Inc. als Auftragnehmerin des Air Force Research Laboratory arbeitet. “Wir nutzen diese Informationen – aus billigen optischen Bildern – um die elektromagnetische Leistung vorherzusagen, ohne dass wir während des Herstellungsprozesses Simulationen durchführen müssen. Wenn wir Bilder haben, können wir sagen, ob ein bestimmtes Element ein Problem darstellen wird. Wir hatten diese Bilder bereits, und wir sagten: ‘Mal sehen, ob wir ein neuronales Netz trainieren können, um (die Fehler zu identifizieren, die zu Leistungsproblemen führen). Und wir fanden heraus, dass wir das können.”

Wenn das System auf den Druck angewendet wird, kann es Fehler während des Drucks erkennen. Jetzt, da die Auswirkungen von Fehlern auf die elektromagnetische Leistung in Echtzeit erkannt werden können, ist die Möglichkeit, die Fehler während des Druckvorgangs zu korrigieren, viel mehr in den Bereich der Möglichkeiten gerückt.

Weitere Details zu der Arbeit findet man in dem Paper mit dem Titel “Mapping geometric and electromagnetic feature spaces with machine learning for additively manufactured RF devices“.