Une nouvelle méthode d’inspection augmente la confiance dans l’impression 3D par fusion sur lit de poudre laser

Des chercheurs du laboratoire national d’Oak Ridge du ministère de l’Énergie ont amélioré la détection des défauts afin d’accroître la confiance dans les pièces métalliques imprimées en 3D à l’aide de la fusion laser sur lit de poudre.

Ce type de fabrication additive offre aux industries de l’énergie, de l’aérospatiale, du nucléaire et de la défense la possibilité de créer des pièces hautement spécialisées aux formes complexes à partir d’une large gamme de matériaux. Cependant, cette technologie n’est pas plus largement utilisée car il est difficile de vérifier le produit de manière approfondie et précise ; les méthodes d’inspection conventionnelles peuvent ne pas détecter de défauts profondément ancrés dans les couches d’une pièce imprimée.

Les chercheurs de l’ORNL ont développé une méthode qui combine l’inspection de la pièce imprimée après sa construction avec les informations collectées par les capteurs pendant le processus d’impression. Les données combinées enseignent ensuite à un algorithme d’apprentissage automatique pour identifier les défauts du produit. Plus important encore, ce cadre permet aux opérateurs de connaître la probabilité d’une détection précise des défauts de manière aussi fiable que les méthodes d’évaluation traditionnelles qui nécessitent plus de temps et de travail.

« Nous pouvons détecter des défauts d’environ un demi-millimètre, soit environ l’épaisseur d’une carte de visite, dans 90 % des cas », a déclaré Luke Scime, chercheur à l’ORNL. « Nous sommes les premiers à attribuer une valeur numérique au niveau de confiance possible pour la détection de défauts in situ (en cours de processus). » Par extension, cela reflète la confiance dans la sécurité et la fiabilité du produit.

La fusion laser sur lit de poudre, le processus d’impression 3D métallique le plus courant, utilise un laser à haute énergie pour faire fondre sélectivement la poudre métallique étalée sur une plaque de construction. Ensuite, la plaque de construction s’abaisse avant que le système ne s’étende et ne fasse fondre une autre couche, construisant lentement le produit conçu.

Les ingénieurs savent qu’il y aura des défauts dans le matériau.

« Pour la fabrication régulière, nous savons de quoi il s’agit, où et comment les trouver », a déclaré Zackary Snow, chercheur à l’ORNL. « (Les opérateurs) connaissent la probabilité qu’ils puissent détecter des défauts d’une certaine taille, ils savent donc à quelle fréquence inspecter pour obtenir un échantillon représentatif. »

L’impression 3D n’a pas bénéficié de la même confiance.

« Le fait de ne pas avoir de numéro rend difficile la qualification et la certification des pièces », a déclaré Snow. « C’est l’un des plus grands obstacles à la fabrication additive. »

Un article rédigé par des chercheurs de l’ORNL et son partenaire RTX, récemment publié dans La fabrication additiveexplique le procédé qu’ils ont développé pour arriver à un taux de détection de 90 % tout en réduisant la probabilité de faux positifs, pouvant conduire à la mise au rebut de bons produits.

Pour la première étape de la recherche, la société aérospatiale et de défense RTX a conçu une pièce similaire à celle qu’elle produit déjà, offrant la possibilité de voir des défauts d’apparence réaliste. Ensuite, RTX a imprimé la pièce en 3D plusieurs fois en la surveillant pendant la construction avec une caméra proche infrarouge standard et une caméra à lumière visible supplémentaire. Les chercheurs de RTX et d’ORNL ont ensuite effectué des inspections de qualité à l’aide de tomodensitométrie à rayons X, communément appelées tomodensitométries.

Avec les conseils de RTX, les experts en fabrication additive d’ORNL ont aligné les données dans une pile d’images en couches, qui est essentiellement devenue le manuel de l’algorithme d’apprentissage automatique. Au cours de la formation, l’algorithme a effectué une première tentative d’étiquetage des défauts à l’aide des images tomodensitométriques. Ensuite, un opérateur humain a annoté le reste sur la base d’indices visuels contenus dans les données collectées au cours du processus d’impression. La rétroaction humaine continue d’entraîner le logiciel, de sorte que l’algorithme reconnaît les défauts avec plus de précision à chaque fois. Les avancées antérieures de l’ORNL en matière de surveillance in situ et de cadres d’apprentissage en profondeur ont été utilisées comme outils dans cette nouvelle approche. Au fil du temps, cela réduira le besoin d’intervention humaine dans l’inspection de la fabrication.

« Cela permet une confiance au niveau CT sans CT », a déclaré Snow. L’imagerie et l’analyse CT, méthode courante de vérification de certaines pièces imprimées en 3D, font grimper les coûts car elles nécessitent plus de temps et d’expertise. De plus, le CT ne peut pas pénétrer efficacement les métaux denses, ce qui limite son application.

Lorsque l’algorithme est appliqué à une conception unique fabriquée de manière cohérente avec le même matériau et le même processus, il peut apprendre à fournir une analyse de qualité cohérente en quelques jours, a déclaré Scime. Dans le même temps, le logiciel intègre tout ce qu’il apprend des différentes conceptions et constructions, de sorte qu’il sera éventuellement capable de vérifier avec précision des produits dont la conception est inconnue.

Le cadre d’inspection développé par l’ORNL pourrait contribuer à étendre les applications de fabrication additive. Avec un contrôle qualité statistiquement vérifié, la fabrication additive pourrait devenir viable pour la production de masse de produits comme les pièces automobiles, a déclaré Snow.

Cela pourrait également diversifier les types de pièces pouvant être imprimées en 3D. La certitude quant à la plus petite taille de défaut détectable permet une plus grande liberté de conception. Ceci est important car l’industrie se dirige déjà vers des volumes d’impression plus importants et des cadences d’impression plus rapides, ce qui signifie davantage de lasers interagissant pour créer des pièces plus grandes avec différents types de défauts, a déclaré Brian Fisher, ingénieur principal senior pour la fabrication additive au Raytheon Technologies Research Center de RTX.

« Vous pouvez vraiment commencer à économiser du temps et de l’argent et à faire une analyse de rentabilisation en imprimant des assemblages plus grands, sauf que ceux-ci sont également les plus difficiles à inspecter aujourd’hui », a déclaré Fisher. « La vision est qu’avec l’additif, nous pouvons fabriquer de grandes pièces très complexes dans des matériaux très denses, ce qui serait traditionnellement très difficile et coûteux à inspecter minutieusement. »

Ensuite, l’équipe ORNL entraînera l’algorithme d’apprentissage en profondeur pour mieux différencier les types d’irrégularités et catégoriser les défauts ayant des causes multiples.