LLNL controleert 3D-printlagen met AI tijdens het printen

LLNL koppelt camera’s aan AI om bij direct-ink-writing elke geprinte laag meteen te meten en afwijkingen te signaleren voordat het onderdeel klaar is, meldt het lab.

Voor een Nederlandse fabrikant of toeleverancier die complexe onderdelen maakt, verschuift kwaliteitscontrole zo van een controle achteraf naar een meetpunt in het productieproces. Een afwijking kan eerder worden afgekeurd, voordat tijd en materiaal in een volledig onderdeel zitten of een dure CT-scan nodig is.

De camera komt naast de nozzle

Lawrence Livermore National Laboratory ontwikkelde de demonstrator voor direct ink writing, een vorm van 3D-printen waarbij een printer zachte of pasteuze materialen in dunne banen neerlegt. Camera’s leggen tijdens het printen duizenden beelden vast. Een model voor beeldsegmentatie en een computer vision-algoritme herkennen de nieuw aangebrachte banen en meten onder meer hun diameter.

Het team trainde het model met bijna 15.000 door mensen gelabelde beelden van verschillende roosterstructuren. Bij tests met 55 onderdelen lagen de automatische metingen doorgaans binnen enkele micrometers van menselijke metingen. De onderzoekers rapporteren een gemiddelde fout van 2,6 procent en een wortelgemiddelde kwadratische fout van 3,4 micrometer.

Van eindcontrole naar procescontrole

De winst zit in het moment waarop een fout wordt herkend. De camera ziet onder meer gaten, gebroken banen en veranderingen in de draaddikte terwijl de laag wordt aangebracht. Een handmatige meting van een grote afbeelding kost volgens LLNL ongeveer 20 minuten tot een uur; de geautomatiseerde analyse draait in milliseconden en is gemiddeld ongeveer 100.000 keer sneller.

Bij een demonstratie met een kussen van ongeveer 25 bij 25 centimeter verwerkte het systeem circa 2.500 beelden van één laag tot een ruimtelijke kaart. Die kaart liet zien dat de draaddikte aan één kant geleidelijk veranderde. De oorzaak bleek een lichte kanteling van het printplatform ten opzichte van de nozzle, een afwijking die in een gemiddelde meting over het hele onderdeel verborgen had kunnen blijven.

Voor productiebedrijven maakt dat een nieuwe controlelogica mogelijk: een onderdeel met genoeg afwijkingen kan vroeg worden afgekeurd, terwijl andere uitkomsten bepalen of een duurdere controle, zoals röntgen-CT, nodig is. De inspectie wordt daarmee een poort vóór de eindcontrole, geen rapport achteraf.

Nog geen autonome productielijn

LLNL beschrijft het systeem nadrukkelijk als een eerste controle. De demonstratie draait op één printerplatform en is getest voor direct ink writing. De stap naar een systeem dat zelf een onderdeel goed- of afkeurt, of de printer automatisch bijstuurt, ligt nog voor de onderzoekers. De techniek wordt eerst geëvalueerd op productiegerichte systemen en onderdelen bij het Kansas City National Security Complex.

Dat maakt de ontwikkeling wel relevant voor Nederlandse maakbedrijven. De techniek laat zien welke bouwsteen nodig is voor meer automatisering: betrouwbare meting tijdens het proces, met genoeg gelabelde data om afwijkingen te herkennen. De beweging gaat dus van kwaliteitscontrole achteraf naar procesdata die al tijdens het maken bruikbaar wordt.

LLNL heeft nog geen breed uitgerolde productietechnologie afgeleverd, maar wel een concrete demonstrator die inspectie direct aan de printer koppelt. De volgende stap in autonome productie begint daarmee niet bij een grotere belofte, maar bij een machine die haar eigen meetgegevens op tijd begrijpt.