Assurance qualité améliorée via la surveillance in situ de la fusion sélective par laser

L'assurance qualité et la fiabilité des processus restent un énorme défi pour les machines à SLM. Dans une étude réalisée par Sirris l’algorithme d’apprentissage automatique a été utilisé pour traiter les signatures du bain de fusion et les données des systèmes de contrôle des couches afin d'améliorer ces deux aspects au moyen de la surveillance du bain de fusion et du système de contrôle des couches.

Malgré de nombreuses avancées technologiques industrielles dans les machines à fusion sélective par laser (Selective Laser Melting ou SLM), l'assurance qualité et la fiabilité du processus restent un défi majeur. Pour relever ce défi, les systèmes à SLM du commerce sont équipés de modules de détection in situ qui surveillent efficacement le processus à différents niveaux tels que l'étalement du lit de poudre, la surveillance du bain de fusion et le suivi de la puissance du laser. Mais le manque de traitement des données et l'absence de lien entre les signatures de processus contrôlées entravent l'exploitation de toutes les capacités de ces systèmes. Étant donné que l'origine du défaut dans la pièce finale fabriquée n'est pas liée à la signature de processus indépendante mais plutôt dépendante d'autres signatures de processus également.

Pour illustrer cela, supposons qu'il y a un mauvais étalement de la poudre dans une couche spécifique en raison du sautillement de la pièce. Ce phénomène influencera également fortement la signature du bain de fusion. Par conséquent, le suivi de la signature de processus indépendante ne permettra pas de prédire la qualité finale de la pièce imprimée. C’est pourquoi la liaison entre les signatures de processus est un besoin impératif. Dans notre étude, nous utilisons l'algorithme d'apprentissage automatique pour traiter les signatures du bain de fusion et les données des systèmes de contrôle des couches afin d'améliorer la fiabilité du processus et l'assurance qualité.

Surveillance du bain de fusion

La suite Melt Pool Monitoring (MPM / Surveillance du bain de fusion) installée sur l’imprimante SLM 280HL disponible en interne a été utilisée pour capturer les signatures MPM, et une analyse de sensibilité du système équipé a été effectuée. La quantité énorme de données collectées au cours du processus constitue un défi majeur.  Pour relever ce défi, nous avons appliqué l'algorithme Support Vector Machine (SVM) aux entités extraites de l'ensemble de données MPM. L’algorithme SVM a été formé sur l'ensemble de données équilibré, et testé pour les défauts artificiellement simulés. Par exemple, la figure ci-dessous montre l'emplacement du défaut d'absence de fusion dans la pièce.


(a) Couches prévues pour le défaut d'absence de fusion, (b) Micrographie optique du défaut

Système de contrôle des couches

De même, nous avons utilisé le système de contrôle des couches installé sur la SLM 280HL pour surveiller l'étalement du lit de poudre. Les images capturées après chaque étalement de poudre ont été traitées à l'aide du réseau de neurones convolutif (Convolutional Neural Network ou CNN) pour détecter les divers défauts d'étalement de poudre tels que le sautillement de pièce, les dommages au système de recouvrement, l'étalement non uniforme, etc. À l'aide de l'algorithme CNN, nous avons réussi à démontrer la défaillance de la partie en surplomb comme indiqué dans la figure a suivante (défaillance de la partie après la couche numéro 300). Dans la figure ci-dessous, nous démontrons également le lien entre l'étalement du lit de poudre et la signature du processus MPM pour prédire la défaillance de la partie en surplomb..


(a) Défaut d'étalement du lit de poudre prévu par CNN, (b) Défaut du bain de fusion prévu par SVM