Predicción de la calidad de impresión en base a monitorización in-situ
Fecha:
22/07/2021Palabra clave:
fabricación aditiva; reducción de dimensionalidad; clasificación multiclase; clasificación de series temporales; control de calidad; metal additive manufacturing; dimensionality reduction; multiclass classification; temporal series classification; quality assurance; Máster Universitario en Inteligencia Artificial
Tipo de Ítem:
masterThesis
Resumen:
En este trabajo se ha creado un modelo de clasificación capaz de diferenciar entre los
distintos modos de fusión producidos durante la impresión de piezas metálicas en una
máquina de fabricación aditiva. Como información de entrada del modelo se utilizan los
datos generados por un sistema de monitorización coaxial óptico. Se ha creado un dataset
propio en base a los datos de monitorización capturados durante la impresión de 40 cubos
diseñados para generar los diferentes modos de fusión estudiados. Para el tratamiento de
los datos, se ha desarrollado una metodología de preprocesado en base a comparativas
entre diferentes técnicas. Además, se ha comparado el desempeño de diferentes técnicas
de reducción de dimensionalidad entre las que se encuentran autoencoders, SVD (singular
value decomposition) y extracción manual de características estadísticas. El modelo final
consigue una tasa de acierto superior al 86;1% en todas las clases, demostrando así la
viabilidad del uso de este modelo para detectar la calidad de piezas impresas en SLM.
Descripción:
This work presents a multilabel classification model able to distinguish between differente
fusion modes found during printing of metal additive manufacturing parts. The
input data for the model is captured with a coaxial optical monitoring system. A dataset
has been created based on 40 metal cubes were printed and monitored with different induced
fusion modes. A preprocesing methodology is selected by comparing the results from
different techniques. After which different dimensionality reduction techniques are applied
and compared. This techniques include autoencoders, SVD (singular value decompositon)
and manual extraction of statistical componets. The final model achieves at least 86;1%
accuracy on all classes and shows the feasibility of using this methodology to detect part
quality on an SLM machine.
Ficheros en el ítem
