Digitalisering av produktionsprocess för additiv tillverkning - bildsegmentering och optimering

Syfte och mål

Additiv tillverkning möjliggör tillverkning av komponenter med unika egenskaper och komplexa geometrier. Processen är beroende av ett flertal parametrar och det krävs oftast en mängd försök för att uppnå önskad mikrostruktur. En flaskhals med metoden är den tidskrävande analysen av de framtagna materialens egenskaper. Däribland ingår mikroskopi och bildanalys. Syftet med detta projekt är att konstruera AI-algoritmer som kan automatisera denna process fullständigt, vilket möjliggör en snabb och effektiv karakterisering av mikrostrukturella egenskaper i AM-material.

Förväntade effekter och resultat

Resultatet av detta projekt förväntas ge nya metoder för att kontrollera kvaliteten på additivt tillverkade material. Detta kommer att möjliggöra en ökning av produktiviteten och minska mängden skrot från produktionsprocessen. En helt automatiserad karakteriseringsmetod kommer att hjälpa experter att spendera färre timmar på analys, vilket påskyndar utvecklingen av additivt tillverkade material på ett hållbart sätt.

Planerat upplägg och genomförande

Maskininlärning och djupinlärningsmetoder kommer att användas för att skapa bibliotek av algoritmer som kan segmentera, klassificera och presentera kvantitativa resultat av metallografiska bilder. Kompletterande karaktäriseringsdata från andra mätmetoder kommer att tas fram för att koppla materialens mikrostrukturella och mekaniska egenskaper. Här kommer maskininlärning att användas för att korrelera resultaten och ge en övergripande bild av processtegen. Detta kan användas för att förutsäga materialets egenskaper och på så vis vägleda valen av processparametrar.