Інтеграція камери в систему FDM-друку для покращення якості друку

DOI: 10.31673/2412-4338.2024.049908

Анотація

Ця стаття присвячена дослідженню можливостей покращення якості FDM-друку (Fused Deposition Modeling) за допомогою інтеграції камери у систему контролю процесу друку. У сучасних технологіях адитивного виробництва FDM-друк є одним з найпоширеніших методів виготовлення 3D-об'єктів завдяки його доступності та широкому спектру використання. Однак, процес часто супроводжується різними дефектами, такими як зміщення шарів, недостатня екструзія, перегрів або недостатнє нагрівання матеріалу, проблеми з адгезією до платформи. Ці недоліки не тільки погіршують якість кінцевого виробу, але й призводять до додаткових витрат часу та матеріалів. Інтеграція камери в систему FDM-друку пропонує рішення для раннього виявлення дефектів у процесі друку, що дозволяє проводити автоматизоване коригування параметрів друку в режимі реального часу. Камери дозволяють проводити моніторинг процесу на кожному етапі друку, аналізуючи шари матеріалу, їх розміщення та якість поверхні. Алгоритми обробки зображень і машинного навчання дають можливість швидко і точно виявляти дефекти, прогнозувати можливі відхилення від норми та автоматично змінювати параметри друку, щоб уникнути погіршення якості виробу. Окрім автоматичного виправлення параметрів друку, система може пропонувати користувачу конкретні рекомендації щодо покращення налаштувань обладнання в разі виявлення проблем, які неможливо виправити в автоматичному режимі. Такий підхід значно підвищує точність і надійність процесу друку, зменшуючи кількість бракованих виробів і покращуючи продуктивність виробництва. У статті також розглянуто перспективи подальшого розвитку цієї технології, зокрема використання більш потужних алгоритмів машинного навчання для підвищення точності аналізу та прогнозування дефектів, інтеграцію хмарних технологій для віддаленого моніторингу процесів друку, а також використання нових типів камер (наприклад, інфрачервоних або 3D-камер) для ще точнішого контролю якості. Таким чином, інтеграція камери в систему FDM-друку є важливим етапом у розвитку адитивних технологій, що дозволяє значно підвищити якість друкованих виробів і оптимізувати процес виробництва.

Ключові слова: FDM-друк, адитивні технології, інтеграція камери, обробка зображень, машинне навчання, контроль якості, автоматизація, дефекти друку, 3D-друк, корекція параметрів друку.

Список лiтератури

1. Boschetto, A., Bottini, L., & Veniali, F. (2013). Surface roughness prediction in fused deposition modeling by neural networks. The International Journal of Advanced Manufacturing Technology, 67(9), 2727-2742.
2. Valino, A. D., et al. (2019). Fused Deposition Modeling 3D printing: Effect of printing parameters on mechanical properties of wood PLA. Polymers, 11(4), 755.
3. Górski, F., et al. (2021). Application of artificial intelligence algorithms for quality control in 3D printing. Procedia CIRP, 104, 1695-1700.
4. Wang, T., et al. (2022). Computer vision-based defect detection for FDM 3D printing using convolutional neural networks. Journal of Manufacturing Systems, 63, 11-21.
5. Ahn, S., et al. (2002). Anisotropic material properties of fused deposition modeling ABS. Rapid Prototyping Journal, 8(4), 248-257.
6. Coogan, T., & Kazmer, D. (2017). In-line rheological monitoring of fused deposition modeling. Journal of Rheology, 61(1), 141-152.
7. Rahman, A. U., et al. (2021). Recent trends in 3D printing: A review on its applications and research. Materials Today: Proceedings, 47(9), 152-162. doi:10.1016/j.matpr.2021.09.172
8. Paul, J., et al. (2020). Fused deposition modeling-based additive manufacturing: Influence of printing parameters. 3D Printing and Additive Manufacturing, 7(2), 63-78.
9. Tian, X., et al. (2021). Overview of recent advances in fused filament fabrication 3D printing technology. Polymer Reviews, 61(4), 679-746.
10. Yang, J., et al. (2023). AI-driven defect detection and correction in additive manufacturing. International Journal of Mechanical Sciences, 241, 107926.