doi: 10.17586/2226-1494-2022-22-5-929-940


УДК 67.05

Контроль динамики экструзии при трехмерной печати изделий

Зименко К.В., Афанасьев М.Я., Колесников М.В.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Зименко К.В., Афанасьев М.Я., Колесников М.В. Контроль динамики экструзии при трехмерной печати изделий // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22, № 5. С. 929–940. doi: 10.17586/2226-1494-2022-22-5-929-940


Аннотация
Предмет исследования. Рассмотрен один из эффектов, возникающих при печати по технологии экструзии материала или послойного наплавления, который называется нежелательной динамикой экструзии. Этот эффект проявляется при больших ускорениях печатающей головки и приводит к наплавлению в углах деталей и неровностям печатного слоя. Чтобы минимизировать этот эффект, в современных системах управления применяются алгоритмы контроля динамики Advance. Однако такие недостатки как инертность, необходимость экспериментального определения степени компенсации, а также неопределенность влияния материала, геометрии сопла и параметров процесса печати на работу алгоритма не позволяют использовать данную группу решений в промышленных масштабах. Методы. Представлено исследование влияния следующих характеристик печати: типов материала и экструдера; температуры материала; геометрии слоя и сопла на проявление динамики экструзии путем проведения серии экспериментов. Тесты выполнены на трехмерном принтере Creality Ender 3. Полученные экспериментальные данные позволят расширить понимание влияния динамики экструзии при FDM-печати, а также найдут применение для модификации существующих алгоритмов управления динамикой. Представлена модификация алгоритма Advance на основе машинного обучения. Предложено внедрить алгоритм, содержащий две обученные модели нейронной сети. Одна модель предсказывает изменения направления движения печатающей головки для минимизации остаточных дефектов и повышения средней скорости печати. Вторая модель прогнозирует параметр компенсации для конкретных условий печати без необходимости ручной калибровки. Основные результаты. Предложена нейронная сеть, позволяющая определять параметр компенсации в зависимости от типа материала, толщины слоя, геометрии сопла и температуры печати. Обучение нейронной сети выполнено на основе экспериментальных данных. Разработанный алгоритм внедрен в алгоритм Linear Advance системы управления Marlin и протестирован на установке Creality Ender 3. Эксперименты показали, что разработанная модель способна успешно прогнозировать требуемую величину компенсации и может быть применена во время процесса печати. Практическая значимостьПредложенная модификация алгоритма Advance поможет облегчить и автоматизировать процесс компенсации динамики экструзии, что расширит возможности применения трехмерных принтеров в промышленных условиях. Полученный алгоритм может повысить точность и скорость печати, что впоследствии повысит экономическую независимость и конкурентоспособность малых проектных организаций и предприятий России, применяющих трехмерные принтеры. Полученные результаты работы расширят возможности быстрого прототипирования и обеспечат ускорение создания опытных партий.

Ключевые слова: динамика экструзии, трехмерная печать, аддитивное производство, advance, экструдер, Linear advance, Marlin, fused deposition modelling, fused filament fabrication

Благодарности. Работа выполнена в рамках НИР № 620164 «Методы искусственного интеллекта для киберфизических систем».

Список литературы
  1. Tronvoll S., Popp S., Elverum C., Welo T. Investigating pressure advance algorithms for filament-based melt extrusion additive manufacturing: theory, practice and simulations // Rapid Prototyping Journal. 2019. V. 25. N 5. P. 830–839. https://doi.org/10.1108/RPJ-10-2018-0275
  2. Bellini A., Güçeri S., Bertoldi M. Liquefier dynamics in fused deposition // Journal of Manufacturing Science and Engineering. 2004. V. 126. N 2. P. 237–246. https://doi.org/10.1115/1.1688377
  3. Осколков А.А., Матвеев Е.В., Безукладников И.И., Трушников Д.Н., Кротова Е.Л. Передовые технологии аддитивного производства металлических изделий // Вестник Пермского национального исследовательского политехнического университета. Машиностроение, материаловедение. 2018. Т. 20. № 3. С. 90–104. https://doi.org/10.15593/2224-9877/2018.3.11
  4. Ahn D., Kweon J.-H., Kwon S., Song J., Lee S. Representation of surface roughness in fused deposition modeling // Journal of Materials Processing Technology. 2009. V. 209. N 15-16. P. 5593–5600. https://doi.org/10.1016/j.jmatprotec.2009.05.016
  5. Pandey P.M., Reddy V.N., Dhande S.G. Improvement of surface finish by staircase machining in fused deposition modeling // Journal of Materials Processing Technology. 2003. V. 132. N 1-3. P. 323–331. https://doi.org/10.1016/S0924-0136(02)00953-6
  6. Aourik O., Othmani M., Saadouki B., Abouzaid Kh., Chouaf A. Fracture toughness of ABS additively manufactured by FDM process // Journal of Achievements in Materials and Manufacturing Engineering. 2021. V. 109. N 2. P. 49–58. https://doi.org/10.5604/01.3001.0015.6258
  7. Beniak J., Šooš L., Križan P., Matúš M., Ruprich V. Resistance and strength of conductive PLA processed by FDM additive manufacturing // Polymers. 2022. V. 14. N 4. P. 678. https://doi.org/10.3390/polym14040678
  8. Srinivasan R., Prathap P., Raj A., Kannan A.S., Deepak V.Influence of fused deposition modeling process parameters on the mechanical properties of PETG parts // Materials Today: Proceedings. 2020. V. 27. N 2. P. 1877–1883. https://doi.org/10.1016/j.matpr.2020.03.809
  9. Meng L., McWilliams B., Jarosinski W., Park H.-Y., Jung Y.-G., Lee J., Zhang J. Machine learning in additive manufacturing: A review // JOM: The journal of the Minerals, Metals & Materials Society. 2019. V. 72. N 6. P. 2363–2377. https://doi.org/10.1007/s11837-020-04155-y
  10. Pérez M., Carou D., Rubio E.M., Teti R. Current advances in additive manufacturing // Procedia CIRP. 2020. V. 88. P. 439–444. https://doi.org/10.1016/j.procir.2020.05.076
  11. Razvi S.S., Feng S., Narayanan A., Lee Y.-T., Witherell P. A review of machine learning applications in additive manufacturing // Proc. of the ASME International Design Engineering Technical Conferences and Computers and Information in Engineering Conference, (IDETC-CIE). 2019. P. 1–10. https://doi.org/10.1115/DETC2019-98415
  12. Suh S.-H., Kang S.-K., Chung D.-H., Stroud I. Theory and Design of CNC Systems. Springer London, 2008. 455 p. (Springer Series in Advanced Manufacturing). https://doi.org/10.1007/978-1-84800-336-1
  13. Smid P. CNC Programming Handbook: A Comprehensive Guide to Practical CNC Programming. NY: Industrial Press Inc., 2003. 508 p.


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2022 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика