Ни для кого сейчас уже не секрет, что аддитивные технологии позволяют изготовить не только сувениры, но и функциональные изделия, не уступающие по своим свой­ствам изделиям, выпускаемым серийно с применением традиционных технологий. Наиболее популярным примером машиностроительной детали, изготавливаемой в аддитивном производстве, является шестерня и зубчатое колесо. По публикациям в зарубежных изданиях известны несколько вариантов их изготовления [1‑4]. Выбор материала и, соответственно, аддитивной технологии определяется областью применения: машиностроение, потребительские товары и т. п.

В аддитивном производстве можно выделить несколько популярных полимерных материалов, применяемых для изготовления шестерен и зубчатых колес (рис. 1): нейлон (полиамид), АБС, ПЛА, ПЭТ (ПЭТ-Г) и металлонаполненные полимерные филаменты (например, содержащие медь, нержавеющую сталь и т. п.), а также металлические материалы (нержавеющая сталь разных марок). Каждый из материалов имеет свои преимущества и недостатки; перерабатывается с применением разных аддитивных технологий: FFF/FDM, SLM, SLS, MBJ и др.

Рис. 1. Примеры зубчатых шестерен и колес, изготовленных с применением экструзионной аддитивной технологии [1–4]

В работе [5] выделены четыре потребительские характеристики (таблица 1) и приводится достаточно интересное сравнение между полимерными материалами, применяемыми для изготовления шестерен и зубчатых колес в аддитивном производстве.

Из сравнения полимерных материалов (таблица 1) можно выделить ПЭТ-Г как популярный «средний» материал для изготовления шестерен и зубчатых колес по критерию «прочность — износостойкость — простота настройки 3D-печати — стоимость исходного материала». Неудивительно, что за период 2015–2025 гг. число производителей филамента из ПЭТ-Г увеличилось.

Рассмотрим в данной статье несколько вопросов, связанных с экструзионным процессом (FDM/FFF) аддитивного производства, применяемым для переработки филамента из полимера ПЭТ/ПЭТ-Г: 1) какие виды входного контроля качества исходного материала (филамента) регламентированы стандартами; 2) чем обусловлен выбор производителя филамента; 3) какие задачи входного контроля качества филамента могут быть решены с применением алгоритмов машинного обучения (ML) для его автоматизации и сокращения числа лабораторных испытаний.

Различают несколько видов полиэтилентерефталата (сокр. — ПЭТ, или, что более точно, ПЭТФ, обозначение по ГОСТ 24888, а общие требования по ГОСТ Р 51695), отличающихся друг от друга улучшенными техническими характеристиками: ПЭТ-А, ПЭТ-Г, ПЭТ-ГАГ.

ПЭТ-А (A-PET) при комнатной температуре является аморфным полиэтилентерефталатом; характеризуется повышенной прозрачностью и достаточно хорошей гибкостью. При нагревании свыше 75°C происходит кристаллизация полимера; он становится белым и хрупким.

ПЭТ-Г (PET-G) является разновидностью полиэтилентерефталата, модифицированного гликолем, и характеризуется уникальным комплексом тепловых, механических, оптических, электрических и других эксплуатационных свой­ств [6‑10]. ПЭТ-Г не кристаллизуется и остается прозрачным благодаря тому, что температура его плавления ниже, чем ПЭТ-А.

Столь противоположные свой­ства полимерный материал ПЭТ получает за счет влияния скорости охлаждения полимерной массы на этапе производства. При быстром охлаждении полимер остается аморфным (ПЭТ-Г) и сохраняет прозрачность; при медленном охлаждении — кристаллический (ПЭТ-А), непрозрачный, белого цвета.

Совмещая ПЭТ-А и ПЭТ-Г в одном продукте, получают третью разновидность полиэтилентерефталата — трехслойный полимер ПЭТ-ГАГ. Средний слой — ПЭТ-А; крайние слои — ПЭТ-Г. ПЭТ-ГАГ не применяется в настоящее время в аддитивном производстве для 3D-печати. Известно его применение для изготовления корректирующих капп — элайнеров.

Филамент для FFF/FDM-технологии 3D-печати представляет собой композицию на основе ПЭТ и имеет свой­ства, определяемые видом полимера-­основы, что не всегда указывается производителем. На упаковке производитель указывает обозначение пластика по ГОСТ 33366.1. Хотя из вышеприведенного описания видов ПЭТ следует, что комплекс свой­ств филамента зависит от вида ПЭТ и является критичным для производства конкретной продукции, например, шестерен и зубчатых колес. В этом случае важную роль на производстве играет входной контроль закупаемого филамента. Основная цель этой процедуры — исключить попадание на производство некачественного филамента либо филамента со свой­ствами, не соответствующими регламентам и стандартам, принятым на предприятии. В связи с этим является актуальной методика входного контроля филамента, в контексте данной статьи —  ПЭТ-пластика. Далее покажем, к чему может быть сведена задача входного контроля в случае применения алгоритмов машинного обучения.

ГОСТ Р 57587 регламентирует требования к контролю качества исходных материалов для аддитивного производства, выделяя входной и операционный контроль, а также контроль качества изделия, изготовленного из исходного материала. Входной контроль производится в соответствии с ГОСТ Р 57556, со стандартами либо техническими условиями на поставку филамента. В случае наличия дополнительных требований в чертежах на изделие из филамента определенной марки — в соответствии с этими требованиями.

В соответствии с ГОСТ Р 59100 документ о качестве филамента должен содержать данные о показателе текучести расплава материала, его температурных характеристиках и физико-­механических свой­ствах, массовой доле влаги и других характеристиках в соответствии с рекомендациями изготовителя материала, а также рекомендации по переработке.

С другой стороны, любая композиция пластика ПЭТ может быть охарактеризована двумя физическими параметрами — молекулярная масса (Мп) и температура стеклования (Тg) [11]. Увеличение молекулярной массы композиции приводит к повышению ее температуры стеклования; начиная с некоторого значения Мп (около 20 тыс. ед) практически перестает зависеть от ее значения и остается постоянной. При производстве филамента в его состав вводятся пластификаторы, которые придают определенные требуемые свой­ства полимеру и в то же время приводят к понижению его температуры стеклования и облегчают его переработку.

Температура стеклования может быть определена по результатам ДСК-анализа и для пластика ПЭТ, учитывая разные его виды, варьируется от 65 до 85°С [12]. В зависимости от температуры стеклования может меняться и минимальная температура нагрева сопла для 3D-печати, т. е. режим переработки филамента с применением 3D-принтера. Предел повышения температуры сопла определяется началом деградации полимерного материала [7, 13], а также техническими характеристиками 3D-печатающей головки. Перечисленные особенности как минимальный набор факторов приводят к тому, что филамент ПЭТ различных производителей по-разному перерабатывается на одном и том же 3D-принтере.

Анализ рынка производителей филамента пластика ПЭТ показывает, что только в нашей стране компаний-­производителей насчитывается более двадцати [14]; за рубежом (Европа, Азия, Америка) — компаний-производителей более тридцати. За редким исключением температура стеклования не указывается в спецификации на филамент. Например, компании PrintProduct, PolyMaker, Sharebot, Taulman и др. приводят значения Тg. Распространенным показателем, который приводится практически всеми из известных производителей ПЭТ-филамента, является температура размягчения (Тр). С точки зрения изменения физического состояния при изменении температуры показатели Тр и Тg имеют различный смысл, рассмотренный в ГОСТ 15088 и ГОСТ Р 56753 соответственно.

Машинное обучение находит все большее применение при решении исследовательских, конструкторских, технологических задач в аддитивном производстве. Оценка качества исходного сырья рассматривается как этап производства, на котором алгоритмы машинного обучения могут быть внедрены для решения как минимум двух задач [15]: задача № 1 — классификация исходного сырья, учитывая вышеописанные особенности полимерного материала ПЭТ; задача № 2 — прогнозирование (в частном случае рекомендация) режима 3D-печати пластика ПЭТ на FFF/FDM-3D-принтере, имеющемся на производстве.

Первая задача основана на сборе статистики как для поставляемого на производство филамента ПЭТ, так и филамента ПЭТ, который не поставляется на производство, но имеется возможность получения пробных образцов, достаточных для лабораторного определения параметров, необходимых для входного контроля.

В качестве собираемых параметров в датасет включаются следующие признаки: производитель филамента, рекомендуемые производителем диапазон температуры (минимальная Тмин и максимальная Тмакс) нагрева сопла печатающей головки 3D-принтера, диапазон температуры нагрева рабочей платформы, скорость 3D-печати, скорость охлаждения, а также температура стеклования (Тg), температура плавления (Тпл). Датасет представляет собой структурированный набор данных, которые служат основой для обучения, тестирования и оценки моделей машинного обучения, позволяющих выполнить их классификацию или расчет текущего/будущего значения при различном сочетании параметров модели.

Последние два параметра Тg и Тпл, как правило, производитель филамента не указывает ни на упаковке, ни в спецификации на пластик. По ГОСТ Р 59100 это и не требуется. Тем не менее эти два параметра являются ключевыми для классификации филамента по типовым группам, формируемым на основе диапазона температур нагрева сопла, а также для выбора режима 3D-печати, который зависит от значения Тпл. В свою очередь, значение Тпл зависит от температуры стеклования; значение Тg — от технологии производства производителя. Определение значений (Тg) и (Тпл) для филамента ПЭТ основывается на проведении лабораторного испытания методом динамического механического анализа (ДМА; ГОСТ Р 56753) или методом дифференциальной сканирующей калориметрии (ДСК, ГОСТ Р 55134, ГОСТ Р 56754). Зная значение Тg, имея достаточно многочисленный датасет, оказывается возможным разработать модель для классификации филамента ПЭТ, поступающего на производство. В качестве целевой переменной будет выступать диапазон температур нагрева сопла. Например, филамент ПЭТ компании AzureFilm (Словения) имеет температуру Тg около 76,95°С, Тпл около 217,74°С, а заявляемый диапазон рекомендованных температур нагрева сопла 180–250°С. На основе этих и подобных целевых данных составляется выше-описанный датасет; часть его используется в качестве обучающего датасета, а часть — датасета для тестирования. Количество выделяемых классов определяется по числу характерных диапазонов температуры нагрева сопла. Допустим, производитель № 1 ПЭТ-филамента заявил диапазон температур 230–260°С; производитель № 2 — 180–250°С; производитель № 3  — 205–235°С; производитель № 4  — 215–235°С и т. д. В этом случае выделить один класс не имеет смысла по причине достаточно большого разброса между минимальной и максимальной температурой нагрева, что приведет к упрощению модели классификации — каждый раз модель будет предсказывать класс со стопроцентной точностью. Тогда из анализа характерных значений в диапазоне температуры, рекомендованном производителями, выбираются такие, которые обеспечивают их перекрытие по принципу дополнения. Исходя из вышеприведенного примера количество классов может быть назначено равным трем. Дальнейшие действия по разработке, обучению и тестированию модели классификации основываются на применении алгоритмов машинного обучения, например, дерево решений (Decision Tree), случайный лес (Random Forest) или k-ближайших соседей (K-Nearest Neighbors, KNN) [15].

Вторая задача, решаемая на этапе входного контроля, является более объемной, и предполагается решение задачи регрессии в контексте предсказания значения температуры 3D-печати либо набора значений, определяющих рекомендуемый режим 3D-печати. В этом случае разрабатывается модель машинного обучения с применением алгоритмов: линейной регрессии дерева решений (Decision Tree), регрессии лассо (LASSO, Least Absolute Shrinkage and Selection Operator) или гребневой регрессии (ридж-регрессии) [15]. На детализации вышеперечисленных алгоритмов в данной статье не предполагается останавливаться.

Однако укажем область применения каждого из вышеперечисленных алгоритмов и некоторые важные достоинства [15–18].

Алгоритм Decision Tree может быть применен как для решения задачи классификации (задача № 1), так и для решения задачи регрессии (задача № 2). Алгоритм сводится к построению модели, внешний вид которой представляет иерархическую структуру (дерево), имеющей уровни, на каждом уровне есть узлы, из узлов выходят ребра (ветви), которые могут заканчиваться значением (листом). В листе фиксируется некоторое значение, сопоставляемое с целевой переменной. Задача классификации характеризуется тем, что в листе фиксируется постоянное целое значение, являющееся классом целевой переменной (например, класс 1 — к нему относятся все производители пластика, для которых температура стеклования меньше 230°С). Задача регрессии, наоборот, характеризуется тем, что в листе определяется численное значение. Это значение сопоставляется также с целевой переменной (например, температура плавления пластика).

Алгоритм Random Forest является более универсальным алгоритмом, который позволяет повысить точность решения за счет того, что включает несколько моделей типа дерева решений (ансамбль из деревьев решений), и на основе случайного выбора варианта решения определяется наиболее часто встречающийся, т. е. «победитель». Главное преимущество алгоритма «Случайный лес» — возможность повысить точность решения: предсказание класса либо расчет значения целевой переменной.

Алгоритм K-Nearest Neighbors применяют только при решении задачи классификации. Он позволяет получить более точное решение, чем алгоритмы, описанные выше. Суть алгоритма сводится к следующему. Выполняется поиск кратчайшей дистанции между тестируемым объектом и ближайшими к нему классифицированным объектами из обучающего датасета. Классифицируемый объект будет относиться к тому классу, к которому принадлежит ближайший объект датасета [18].

Алгоритм-регрессию LASSO либо регрессия «Ридж» применяют только при решении задачи регресии (прогнозирования) [16]. Lasso и «Ридж» — разновидности линейной регрессии, разработанные для данных, имеющих сильную взаимосвязь друг с другом. Отсутствие независимости признаков друг от друга не является положительным фактором для разрабатываемой модели; снижает ее точность. Lasso и «Ридж» по-разному решают данный вопрос и в целом позволяют повысить точность модели.

Таким образом, на этапе входного контроля применение алгоритмов машинного обучения может обеспечить:

• разработку модели классификации исходного филамента ПЭТ, поставляемого на производство, и в перспективе, по мере накопления данных в датасете, сокращение числа лабораторных исследований;
• разработку модели предсказания режима 3D-печати по технологии FFF/FDM;
• разработку рекомендательной системы внутри производства, построенную по принципу «свой­ство исходного филамента — режим 3D-печати»;
• автоматизацию при проверке качества исходного филамента ПЭТ-пластика.

Литература

1. A Practical Guide to FDM 3D Printing Gears [электронное издание] URL: https://www.instructables.com/A-Practical-­Guide-to-­FDM‑3D-Printing-­Gears
2. Best 3D printing Material/filament for Gears! [электронное издание] URL: https://3dsolved.com/best‑3d-printing-­filament-for-gears/
3. SLM 3D Printed SS316L Gear Prototypes [электронное издание] URL: https://facfox.com/case/mechanics-case/slm‑3d-printed-ss316l-gear-prototypes/
4. Design for Additive Manufacturing (DfAM): Binder Jetting Technology demystified [электронное издание] URL: https://www.metal-am.com/articles/design-for-additive-­manufacturing‑3d-printing-dfam-binder-­jetting-technology-­demystified/
5. 3D Printed Gears: A Complete Guide [электронное издание] URL: https://www.unionfab.com/blog/2024/12/3d-printed-­gears
6. ПЭТ [электронное издание] URL: https://uventaplastiktara.ru/articles/pet
7. All You Need to Know About PETG for 3D printing [электронное издание] URL: https://www.3dnatives.com/en/petg‑3d-printing-­guide‑181220194/
8. Серова В.Н. Полимерные оптические материалы.  СПб.: Научные основы и технологии, 2011. С. 384.
9. Шевлик Н.В., Строгонова С.С., Тычинская Л.Ю., Коваль В.Н., Щербина Л.А. Синтез и свой­ства аморфного светопрозрачного С-ПЭТ // Полимерные материалы и технологии.  2016. № 3. Т. 2. С. 35–46.
10. Обидин И.М., Котомин С. В. Разработка и свой­ства алюмонаполненного полиэтилентерефталат­гликоля // Пластические массы.  2021.  № 3–4. С. 42–45.
11. Температура стеклования полимеров: подробное руководство [электронное издание] URL: https://proleantech.com/ru/glass-­transition-temperature-of-polymers/
12. Петров П.А., Шмакова Н.С., Чмутин И.А., Сапрыкин Б.Ю. Электрические свой­ства ПЭТГ-пластика после 3D-печати по экструзионной технологии // Аддитивные технологии.  2023.  № 4. С. 31–33.
13. L.G. Blok, M. L. Longana, H. Yu, B.K.S. Woods, An investigation into 3D printing of fibre reinforced thermoplastic composites, Additive Manufacturing, Volume 22, 2018, Pages 176–186.
14. Российский рынок материалов для аддитивных технологий. // Аддитивные технологии.  2023.  № 1.  С. 22–25.
15. Учебник по машинному обучению [электронное издание] URL: https://education.yandex.ru/handbook/ml
16. 5 алгоритмов регрессии в машинном обучении, о которых вам следует знать [электронное издание] URL:  https://habr.com/ru/companies/vk/articles/513842/
17. 10 самых популярных алгоритмов машинного обучения [электронное издание] URL: https://cloud.vk.com/blog/samye-populyarnye-algoritmy-mashinnogo-obucheniya/
18. Обзор методов классификации в машинном обучении с помощью Scikit-Learn [электронное издание] URL: https://tproger.ru/translations/scikit-learn-in-python 

Авторы: П.А. Петров*, Г.Р. Аглетдинова

Московский политехнический университет, г. Москва, Россия

e-mail:* petrov_p@mail.ru

Источник журнал "Аддитивные технологии" № 3-2025