A manufatura aditiva, ou impressão 3D, pode criar peças personalizadas para dispositivos eletromagnéticos sob demanda e com baixo custo. Esses dispositivos são altamente sensíveis e cada componente requer fabricação precisa. Até recentemente, porém, a única maneira de diagnosticar erros de impressão era fazer, medir e testar um dispositivo ou usar simulação em linha, ambos computacionalmente caros e ineficientes.
Para remediar isso, uma equipe de pesquisa co-liderada pela Penn State criou uma metodologia inédita para diagnosticar erros de impressão com aprendizado de máquina em tempo real. Os pesquisadores descrevem essa estrutura – publicada em Additive Manufacturing – como um primeiro passo crítico para corrigir erros de impressão 3D em tempo real. Segundo os pesquisadores, isso pode tornar a impressão para dispositivos sensíveis muito mais eficaz em termos de tempo, custo e largura de banda computacional.
“Muitas coisas podem dar errado durante o processo de manufatura aditiva de qualquer componente”, disse Greg Huff, professor associado de engenharia elétrica da Penn State. “E no mundo do eletromagnetismo, onde as dimensões são baseadas em comprimentos de onda em vez de unidades de medida regulares, qualquer pequeno defeito pode realmente contribuir para falhas de sistema em grande escala ou operações degradadas. Se imprimir em 3D um item doméstico é como ajustar uma tuba – o que pode ser feito com amplos ajustes – dispositivos de impressão 3D funcionando no domínio eletromagnético é como afinar um violino: pequenos ajustes realmente importam.”
Em um projeto anterior, os pesquisadores haviam anexado câmeras às cabeças das impressoras, capturando uma imagem toda vez que algo era impresso. Embora não seja o objetivo principal desse projeto, os pesquisadores finalmente selecionaram um conjunto de dados que eles poderiam combinar com um algoritmo para classificar os tipos de erros de impressão.
“Gerar o conjunto de dados e descobrir quais informações a rede neural precisava estava no centro desta pesquisa”, disse a primeira autora Deanna Sessions, que recebeu seu doutorado em engenharia elétrica pela Penn State em 2021 e agora trabalha para a UES Inc. como empreiteira. para o Laboratório de Pesquisa da Força Aérea. “Estamos usando essas informações – de imagens ópticas baratas – para prever o desempenho eletromagnético sem ter que fazer simulações durante o processo de fabricação. Se tivermos imagens, podemos dizer se um determinado elemento será um problema. Já as tínhamos imagens, e dissemos: ‘Vamos ver se podemos treinar uma rede neural para (identificar os erros que criam problemas no desempenho).’ E descobrimos que podíamos.”
Quando a estrutura é aplicada à impressão, ela pode identificar erros à medida que imprime. Agora que o impacto eletromagnético dos erros no desempenho pode ser identificado em tempo real, a possibilidade de corrigir os erros durante o processo de impressão está muito mais próxima de se tornar uma realidade.
“À medida que esse processo é refinado, ele pode começar a criar esse tipo de controle de feedback que diz: ‘O widget está começando a ficar assim, então fiz esse outro ajuste para deixá-lo funcionar’, para que possamos continuar usando-o”. disse Huff.
Os outros autores do artigo foram: Venkatesh Meenakshisundaram da UES Inc. e do Laboratório de Pesquisa da Força Aérea; Andrew Gillman e Philip Buskohl do Laboratório de Pesquisa da Força Aérea; Alexander Cook da NextFlex; e Kazuko Fuchi do Instituto de Pesquisa da Universidade de Dayton e do Laboratório de Pesquisa da Força Aérea.
Publicado em 02/03/2022 10h43
Artigo original:
Estudo original: