< Terug naar vorige pagina

Project

Sensorfusie en adaptief leren voor optimalisatie en controle van Wire-Arc Additive Manufacturing - met toepassingen op functioneel gesorteerde materialmen

Een niche-onderzoekstrend in geavanceerde materialen is de creatie van materialen die niet-isotroop zijn of worden gesorteerd in enkele of meerdere richtingen van een component, waarnaar wordt verwezen als functioneel gesorteerde materialen (FGM). Directionele materiaaleigenschappen komen in de natuur in verschillende vormen voor en dit kan worden gebruikt in technische toepassingen waar een gradatie in thermische, mechanische of tribologische eigenschappen vereist is. FGM's kunnen worden gemaakt met Wire-Arc Additive Manufacturing (WAAM). WAAM is een additieve fabricagemethode (AM) waarbij de warmte die door een boog wordt gecreëerd, wordt gebruikt om materiaal (meestal van metaal) af te zetten en op te bouwen. Twin-WAAM (TWAM) verbetert het oorspronkelijke WAAM-proces door twee draadaanvoerunits te gebruiken. Door de voedingssnelheden van deze draden onafhankelijk te variëren, kunnen we FGM's strategisch in een of meer richtingen produceren. De productie van FGM's met behulp van TWAM is nieuw, maar toch een complexe uitdaging. Het proces moet worden geoptimaliseerd en vereist dus een robuust monitoringsysteem. WAAM heeft een schaarse literatuur over monitoring, maar monitoringstrategieën voor andere vergelijkbare processen, zoals Direct Energy Deposition (DED) en Arc Welding, kunnen worden geraadpleegd vanwege hun gelijkenis met WAAM [1]. De typische sensoren die in de literatuur worden gebruikt, zijn vision, akoestische, spectrale en thermische detectie. Visuele en spectrale sensoren en op video gebaseerde thermische sensoren genereren videofeeds, terwijl akoestische sensorsignalen hoge bemonsteringsfrequenties vereisen om frequenties in het MHz-bereik te detecteren. De verscheidenheid, snelheid en het volume van deze sensorsignalen zullen kostbaar zijn wanneer ze worden geïmplementeerd in een online in-situ controlesysteem en moeten worden beheerd. Een mogelijke benadering is door een weergave op laag niveau van de procestoestand te gebruiken die wordt bereikt door gebruik te maken van Deep Convolutional Neural Networks (DCNN) [2]. Met een correct ontwerp en correcte implementatie kunnen goed opgeleide DCNN's de low-level proceskenmerken detecteren, defecten voorspellen en de proceskwaliteit bewaken. De natuurlijke voortzetting is dan om deze bewaakte signalen te gebruiken om het proces te beheersen, door corrigerende maatregelen te creëren die de defecten kunnen verminderen of elimineren. Er bestaan klassieke besturingsalgoritmen zoals PID- of fuzzy-controllers, maar machine learning - versterkend leren, kan mogelijk de huidige besturingssystemen verbeteren. Het WAAM-proces is zo dynamisch dat de opbouwlaag de signalen aanzienlijk kan beïnvloeden. Complexe onderdelen maken het proces ook moeilijk te voorspellen. Een typische controller kan mogelijk geometrie en microstructuurdetails behouden die worden gegeven wanneer ze zijn ontworpen voor eenvoudige componenten, hoewel deze controllerontwerpen zich mogelijk niet kunnen aanpassen aan complexere geometrieën. Reinforcement learning kan worden gebruikt om zich aan te passen aan onverwachte veranderingen door te leren van ervaring en de prestaties van de controller te verbeteren door middel van actieve observatie en interactie met het proces [3]. Dit doctoraatsproject beoogt het volgende: 1. Bekijk de bestaande detectiemethoden voor WAAM of vergelijkbare processen, bijv. Direct Energy Deposition (DED), Fused deposition method (FDM), booglassen, enz. in de context van FGM's 2. Een onderzoek naar de mogelijke kenmerken die tijdens het WAAM-proces worden gegenereerd; selecteer de sensoren die deze functies kunnen meten naar beneden; ontwerp en implementatie van een monitoringstrategie 3. Gegevensverzameling, analyse en interpretatie; ML-modellen ontwikkelen om defecten en de uiteindelijke materiaalsamenstelling van het WAAM-proces te voorspellen 4. Demonstratie van in-situ monitoring met behulp van de ontwikkelde modellen en validatie van deze modellen met actuele componenten 5. Ontwikkeling van een controlesysteem (gebruikmakend van ML / RL-methoden) en vergelijking met benchmarkcontrolemethoden [1] C. Xia et al., “A review on wire arc additive manufacturing: Monitoring, control and a framework of automated system,” Journal of Manufacturing Systems, vol. 57. Elsevier B.V., pp. 31–45, Oct. 01, 2020, doi: 10.1016/j.jmsy.2020.08.008. [2] J. Günther, P. M. Pilarski, G. Helfrich, H. Shen, and K. Diepold, “Intelligent laser welding through representation, prediction, and control learning: An architecture with deep neural networks and reinforcement learning,” Mechatronics, vol. 34, pp. 1–11, Mar. 2016, doi: 10.1016/j.mechatronics.2015.09.004. [3] R. S. Sutton and A. G. Barto, Reinforcement learning: An introduction. 2018.

Datum:25 jan 2021 →  Heden
Trefwoorden:Additive Manufacturing, Sensor Fusion, Machine Learning
Disciplines:Computergeïntegreerde productie, Productieprocessen, -methoden en -technologieën, Sensoren, estimatoren en actuatoren
Project type:PhD project