Проект ученых Пермского национального исследовательского политехнического университета (ПНИПУ) подразумевает использование нейросетей и систем машинного зрения для автоматизированного контроля качества при 3D-печати методом наплавления металлической проволоки.
Технология позволяет создавать изделия сложной формы с минимальными потерями материала, что особенно важно при использовании дорогостоящих сплавов, но для контроля наплавления операторам необходимо непрерывно следить за процессом, при этом печать одного изделия может занимать несколько дней. Ученые Пермского политеха разрабатывают интеллектуальную систему контроля проволочного аддитивного производства, с помощью которой можно будет автоматизировать производственные процессы и определение дефектов, сокращать время проверки 3D-печати и достигать более высоких стандартов качества, сообщает пресс-служба ПНИПУ на портале Naked Science.
Аддитивные технологии играют ключевую роль в производстве сложных деталей для авиастроительной отрасли, обеспечивая необходимые механические характеристики, такие как прочность и термостойкость. В нефтегазовой отрасли 3D-печать также находит применение в создании заготовок, впоследствии преобразуемых в готовые детали.
Главные преимущества такой технологии — возможность изготовления различных металлических изделий на одной производственной линии, существенное снижение временных и финансовых затрат. Это играет ключевую роль в наукоемких отраслях, так как сроки изготовления литейных деталей снижаются с шести-девяти месяцев до трех-семи дней, а промежуточных заготовок — с трех-двенадцати месяцев до трех-четырнадцати дней.
Ученые ПНИПУ разрабатывают интеллектуальную систему контроля процессов проволочного аддитивного производства, состоящую из двух частей: в аппаратную входят камера и датчики, а в программную — нейронная сеть. Использование комплекса позволит в автоматическом режиме контролировать наращивание слоев и получаемую геометрию изделий, определять дефекты сварочных швов и информировать операторов.
Система контроля устанавливается на робот-манипулятор рядом со сварочной горелкой. Первоначально робот выполняет наплавление слоя, следуя заданной траектории, затем он смещается так, чтобы снова пройти эту траекторию, но уже датчиками. Если выявляется брак или сбой, процесс останавливается, и оператор получает уведомление. На экране отображается, на каком участке траектории произошла ошибка. Оператор может получить подробную информацию: система покажет фотографии — простые и обработанные нейросетью с цветной маркировкой дефектов. Это позволяет эксплуатировать оборудование без присмотра, так как при возникновении проблем система подаст звуковое уведомление.
«Мы используем новейшие технологии машинного обучения, включая нейросети, которые умеют распознавать изображения. Благодаря этому наша разработка может учиться на огромном количестве данных и очень точно находить ошибки в сварных швах. Ее можно настроить так, чтобы она отвечала специфическим требованиям нашего производства. Например, если нужно работать с новым типом металла, мы можем добавить параметры, которые помогут системе лучше распознавать дефекты именно для этого металла», — рассказал научный сотрудник лаборатории методов создания и проектирования систем «материал-технология-конструкция» ПНИПУ Роман Давлятшин.
Целевая аудитория проекта — производственные предприятия, использующие роботизированные аддитивные комплексы. В лаборатория ПНИПУ, оснащенной специализированным роботом-манипулятором, проводят тестирование системы по наплавлению сложнопрофильных заготовок. Проект имеет не только теоретическую значимость, но и практическую применимость: заказы на изготовление деталей поступают от промышленных предприятий.
В будущем разработка ученых Пермского политеха позволит автоматизировать процесс выращивания металлических заготовок. Результатом станет прототип устройства, умеющий определять дефекты и следить за высотой наплавляемых слоев для контроля геометрию выращиваемых изделий. Такая система контроля сварки сократит количество ошибок и брака, повысит качество работы аддитивных производственных комплексов.