30109

تشخيص و اندازه‌گيري تابيدگي در فرايند ساخت افزايشي اف دي ام به كمك هوش مصنوعي و بينايي ماشين

كارشناسي ارشد

مهندسي مكانيك-گرايش ساخت و توليد-مكاترونيك

1400

1402/6/26

دكتر محمد شهبازي - دكتر رامين هاشمي

مهندسي مكانيك

امروزه تكنولوژي ساخت‌ افزايشي از مهم‌ترين روش‌هاي ساخت مي‌باشد كه همه در تلاش اند تا ‌اين تكنولوژي به يك روش ساخت صنعتي تبديل گردد. ‌ در اين پايان نامه آشنايي اوليه‌اي از سيستم كنترل ماشين‌هاي ساخت افزايشي بدست‌ آمده است. با به وجود آمدن آشنايي نسبي از نحوه‌ي كار و كنترل ماشين‌هاي ساخت افزايشي، روش‌هاي پايش فرآيند توليد آن‌ها مورد بررسي قرار گرفته است. روش‌هاي مبتني بر سنسور‌ها و روش‌هاي جديد مانند بينايي ماشين و به خصوص يادگيري ماشين در ‌اين عرصه به چشم مي‌خورد و متناسب با آن‌ها روشي براي تشخيص عيب تابيدگي به وسيله بينايي ‌ماشين و يادگيري ‌عميق ارائه شده است. ابتدا به بررسي روش‌هاي سنتي و يادگيري‌ عميق جهت تشخيص عيب تابيدگي پرداخته شده است و در نهايت بهترين نتيجه با استفاده از الگوريتم يولو نسخه 8 و كتابخانه اپن‌سي‌وي بدست آمد. اين پروژه داراي دو بخش تشخيص عيب تابيدگي به وسيله يادگيري عميق و اندازه گيري توسط روش‌هاي سنتي مي‌باشد. عيب تابيدگي از عيب‌هاي مرسوم در ماشين‌هاي ساخت افزايشي اف‌دي‌ام مي‌باشد كه در اثر سرد شدن سطح ميز و مواد پرينت شده به وجود مي‌آيد. براي انجام اين پروژه ابتدا جهت تشخيص عيب از شبكه‌هاي دسته‌بندي يادگيري عميق استفاده گرديد و در ساير مراحل، از روش‌هاي سنتي بهره گرفته شد؛ لذا با توجه به نتايج بدست آمده، روند اجراي فرآيند تشخيص و اندازه گيري تغيير كرده و به سوي استفاده هرچه بيش‌تر از روش‌هاي هوشمند متمايل گرديد. براي بخش اندازه‌گيري از كتاب‌خانه اپن‌سي‌وي استفاده شده و در قسمت يادگيري عميق از كتابخانه‌هايي چون كراس و يولو استفاده گشت. تكيه اصلي اين پژوهش بر پايه بهره برداري از تصاوير طبيعي است نه استفاده از تصاوير مهندسي شده، در واقع كاربردي بودن پژوهش حاضر مبتني بر امكان تشخيص عارضه تابيدگي در شرايط طبيعي و غير مهندسي مي‌باشد تا فرصت مناسبي جهت تشخيص و رفع ايراد در اختيار پژوهشگران قرار دهد.

1402/08/30

Detection and measurement of warping in FDM additive manufacturing process using artificial intelligence and machine vision

9/16/2024 12:00:00 AM

The FDM additive manufacturing (Fused Deposition Modeling) faces challenges that pose difficulties in critical applications. Warping is one of the common and significant defects introduced in parts produced by the FDM method. Consequently, the creation of a monitoring system for detecting such defects and flaws is necessary. This research presents a machine vision-based system that detects warping and reports its magnitude. Initially, a design experiment was set up to produce parts at three different levels. Films of the part production stages were prepared, and they were categorized into three groups: warping, minimal warping, and no warping. Then, using deep learning classification networks and HSV color space, the parts were detected and measured. In the advanced stage, the process was also performed with YOLO versions 3 and 8 algorithms, yielding the best results. Finally, a web application was developed using the Streamlit library. The main emphasis of this research is on utilizing natural images, not engineered images. In essence, the practicality of this research is based on the ability to detect warping anomalies under natural and non-engineered conditions using the simplest equipment, providing a suitable opportunity for researchers to detect and address defects.

ساخت افزايشي , بينايي ماشين , پايش فرآيند , تابيدگي

additive manufacturing , machine vision , process monitoring , warping

ali maghamfar

Dr. Mohammad Shahbazi - Dr. Ramin Hashemi