Images longitudinales (en haut) et axiales (au milieu) de données de tomodensitométrie à rayons X de pièces présentant 6 défauts internes : un bouchon sphérique, un bouchon en forme d’étoile, un vide en forme de cône, un vide en forme de goutte, une déformation elliptique du canal interne, et une buse centrale non concentrique. Crédit : Le Grainger College of Engineering de l’Université de l’Illinois à Urbana-Champaign
Des chercheurs de l’Université de l’Illinois à Urbana-Champaign ont développé une nouvelle méthode pour détecter les défauts des composants fabriqués de manière additive.
L’une des tâches les plus importantes dans toute usine consiste à déterminer si un composant fabriqué est exempt de défauts. Dans la fabrication additive (impression 3D), il peut être particulièrement difficile de détecter des défauts, car la fabrication additive peut créer des composants présentant des formes tridimensionnelles complexes et des caractéristiques internes importantes qui ne sont pas faciles à observer.
La nouvelle technologie utilise l’apprentissage automatique approfondi pour faciliter l’identification des défauts dans les composants fabriqués de manière additive. Pour construire leur modèle, les chercheurs ont utilisé des simulations informatiques pour générer des dizaines de milliers de défauts synthétiques, qui n’existent que dans l’ordinateur.
Chaque défaut généré par ordinateur avait une taille, une forme et un emplacement différents, permettant au modèle d’apprentissage profond de s’entraîner sur une grande variété de défauts possibles et de reconnaître la différence entre les composants défectueux et ceux qui ne l’étaient pas.
L’algorithme a ensuite été testé sur des pièces physiques, dont certaines étaient défectueuses et d’autres sans défaut. L’algorithme a pu identifier correctement des centaines de défauts dans des pièces physiques réelles qui n’avaient jamais été détectés par le modèle d’apprentissage profond.
“Cette technologie relève l’un des défis les plus difficiles en matière de fabrication additive”, a déclaré William King, professeur de sciences et d’ingénierie mécaniques à l’Illinois et chef du projet. “Grâce aux simulations informatiques, nous pouvons très rapidement créer un modèle d’apprentissage automatique qui identifie les défauts avec une grande précision. L’apprentissage profond nous permet de détecter avec précision des défauts qui n’avaient jamais été détectés par l’ordinateur auparavant.”
La recherche, publié dans le Journal of Intelligent Manufacturing dans un article intitulé « Détection et classification des défauts cachés dans les pièces fabriquées de manière additive à l’aide de l’apprentissage profond et de la tomodensitométrie à rayons X », a utilisé la tomodensitométrie à rayons X pour inspecter l’intérieur de composants 3D présentant des caractéristiques et des défauts internes qui sont cachés à la vue. Les composants tridimensionnels peuvent être faciles à fabriquer grâce à la fabrication additive, mais difficiles à inspecter lorsque des caractéristiques importantes sont cachées.
Les auteurs sont Miles Bimrose, Sameh Tawfick et William King de l’Université de l’Illinois Urbana-Champaign ; Davis McGregor de l’Université du Maryland ; Chenhui Shao de l’Université du Michigan ; et Tianxiang Hu, Jiongxin Wang et Zuozhu Liu de l’Université du Zhejiang.
Plus d’information:
Miles V. Bimrose et al, Détection et classification des défauts cachés dans les pièces fabriquées de manière additive à l’aide de l’apprentissage profond et de la tomodensitométrie à rayons X, Journal of Intelligent Manufacturing (2024). DOI : 10.1007/s10845-024-02416-0
Fourni par le Grainger College of Engineering de l’Université de l’Illinois
Citation: Des chercheurs utilisent l’apprentissage automatique pour détecter les défauts dans la fabrication additive (4 juin 2024) récupéré le 4 juin 2024 sur
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.
2024-06-04 19:20:23
1717519343
#Des #chercheurs #utilisent #lapprentissage #automatique #pour #détecter #les #défauts #fabrication #additive
