Machine vision systeem helpt kwaliteit van 3D-printpoeder te controleren

Machine vision (foto door: FreeImages.com/Mauro Alejandro Strione)

Bij additieve productie van metalen onderdelen wordt gebruikt gemaakt van een poeder, dat met behulp van een laser wordt uitgehard om een uiteindelijk product te vormen. Verschillende eigenschappen van dit poeder, zoals de afmetingen van deeltjes in het poeder, de wijze waarop deeltjes gegroepeerd zijn en de vorm van deeltjes, bepalen hoe goed dit poeder verspreid en welke kwaliteit het uiteindelijke product heeft. Met behulp van een nieuwe machine vision systeem van de Carnegie Mellon University is het mogelijk de kwaliteit van dit poeder te controleren.

Voor fabrikanten is het van groot belang dat producten die zij produceren voldoen aan de gestelde eisen. In de praktijk betekent dit dat fabrikanten van metalen onderdelen en producten deze in de praktijk testen door hier destructieve testen op los te laten. Dit proces neemt relatief veel tijd in beslag. Bedrijven die zich richten op additieve productie proberen producten doorgaans echter zo snel mogelijk bij de klant te krijgen, aangezien deze vorm van productie het bijvoorbeeld mogelijk maakt kleine batches veel sneller te produceren. Dit is moeilijk te combineren met tijdrovende testen.

Kwaliteit van poeder vaststellen

Met hun nieuwe systeem willen de onderzoekers uitkomst bieden. Door vooraf het ruwe materiaal waaruit een product wordt geproduceerd nauwkeurig te inspecteren is het bijvoorbeeld mogelijk afwijkingen in het materiaal te detecteren en poeder van slechte kwaliteit af te keuren. Hierdoor stellen bedrijven zeker dat hun producten altijd uit goede kwaliteit poeder worden geproduceerd, wat de kwaliteit van het uiteindelijke product ten goede komt. Deze extra zekerheid moet de hoeveelheid testen die producten na productie moeten doorlopen terugdringen, zodat dit proces sneller kan worden afgerond.

De onderzoekers geven aan dat hun systeem met poeders voor het 3D-printen van metalen objecten met een nauwkeurigheid van 95% kan onderscheiden. Dit is veel nauwkeuriger dan huidige handmatige methoden die hiervoor worden gebruikt. Daarnaast opereert het systeem volledig autonoom.

Meer informatie is beschikbaar in de onderzoekspaper die de Carnegie Mellon University heeft gepubliceerd.

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Verplichte velden zijn gemarkeerd met *