IMPRESIÓN 3D METAL 33 - La herramienta es un haz láser movida por espejos a muy alta velocidad: monitorización coaxial del a zona fundida. Para monitorizar la zona fundida con precisión el sensor se debe de mover con el haz láser y deben de ser los mismos espejos que mueven el láser los que muevan las distintas señales de los sensores (hasta 7 m/s). Esta monitorización es de fotodiodos a distintas longitudes de onda coaxiales con el láser y se introduce directamente por los fabricantes de las máquinas. Es la única opción para monitorizar in-process el baño fundido y los defectos locales. - Baja resolución en la monitorización no coaxial. La monitorización con cámaras termográficas/ópticas no coaxiales con el haz láser es para defectos macro, para una monitorización global de toda la capa. Hay que tener en cuenta que un dato común en este proceso es tener un baño fundido de entre 150 y 300 µm, y las dimensiones de trabajo por láser son de entre 400 y 900 mm2, lo que haría una resolución necesaria de la cámara de 2.000 x 2.000 píxeles para tener un único pixel en el baño fundido y, por otro lado, deberían de ser de alta frecuencia de adquisición de imágenes. - La pieza se va creando durante la fabricación. Sensores sin contacto con la pieza. Es un proceso en el que la pieza se crea desde cero sobre una base metálica por lo que no se puede poner un sensor en contacto con la pieza ya que se va creando durante la fabricación. Si se quiere monitorizar con un sensor por contacto, cómo pueden ser las galgas extensiométricas o acelerómetros, se deben de colocar en la placa base o en otras zonas de la máquina, pero no en la pieza. - Son fabricaciones largas y con un láser moviéndose a gran velocidad. Debe de tenerse en cuenta la gran cantidad de datos que se pueden generar en una fabricación para la monitorización offline y coaxial del proceso (hasta 500 GB por fabricación en archivos de texto). Como se ha comentado, la monitorización puede realizarse de una forma global, en todo el lecho de polvo, para un defecto de pieza, un defecto macro, o de una forma local para defectos más localizados y de menores dimensiones, defectos micro. Entre las posibles opciones en dispositivos y sensores para la monitorización se encuentran las cámaras de alta velocidad, las cámaras termográficas, los fotodiodos, los acelerómetros, los sensores acústicos, etc. TÉCNICAS DE MACHINE LEARNING El objetivo de todos los dispositivos de monitorización es poder llegar a detectar errores en la pieza sin necesidad de llevar a cabo procesos destructivos o costosos. Pero estos procesos de monitorización generan gran cantidad de datos y, por ello, es crucial tener algoritmos inteligentes capaces de analizar todos los datos obtenidos para poder obtener información útil, comprensible por el usuario, y poder actuar en consecuencia. Las técnicas deMachine Learning abren un nuevo campo puesto que dichos algoritmos facilitan el procesamiento de gran cantidad de datos. Se trata de una rama que se encuentra dentro de la Inteligencia Artificial (IA), y que se basa en el aprendizaje automático por medio de un algoritmo. Es decir, inicialmente se desarrolla unmodelo con la capacidad de resolver un problema concreto, estemodelo se va entrenando empleando gran cantidad de datos, así el modelo va aprendiendo de estos datos hasta que el modelo llega a ser capaz de hacer predicciones basadas en los datos. Con estas predicciones el sistema es capaz de actuar para corregir o, por otro lado, actuar cómo inspector in-process de la pieza y que entre dentro de la calidad requerida. En la tecnología de L-PBF, se debe comentar que actualmente la mayoría de marcas comerciales integran monitorización coaxial y externa en la máquina, pero se está trabajando en dotar de inteligencia a esos datos monitorizados para poder relacionarlos con defectos no deseados y, todavía más a futuro, poder actuar sobre parámetros y conseguir eliminar los defectos durante la fabricación. Los tipos de implementación de Machine Learning pueden clasificarse en distintas categorías tal y como se muestra en la figura 5. Figura 5. Clasificación de las distintas categorías de Machine Learning.
RkJQdWJsaXNoZXIy Njg1MjYx