Метод обратной связи с замкнутым контуром оптимизирует точность 3d печати по технологии FFF

Исследователи предлагают новый метод оптимизации с обратной связью для экструзионной 3D-печати — подход к управлению, который может повысить точность и улучшить повторяемость на системах FFF.

Большинство современных процессов экструзии материалов по-прежнему в значительной степени являются разомкнутыми. Программы для нарезки моделей выводят GCODE из базовой траектории движения инструмента, а принтеры выполняют эти команды, предполагая, что машина, филамент и температурный режим работают идеально. Такие функции, как опережение давления и формирование входного сигнала, помогают, но они по-прежнему представляют собой эвристические алгоритмы с прямой связью, а не обратную связь, адаптирующуюся к измеренной ошибке.

Оптимизация с обратной связью меняет ситуацию, используя данные датчиков для изменения самих команд. Вместо того чтобы просто регулировать коэффициент усиления контроллера, этот метод предварительно искажает траекторию, скорость подачи и экструзию, чтобы компенсировать известные динамические процессы, такие как задержка расплава, повышение давления в сопле и ограничения ускорения ступени. Вы намеренно задаете принтеру немного другое движение, чтобы нанесенный слой оказался там, где вам действительно нужно.

Аналогичные идеи появлялись в системах управления с итеративным обучением и управления на основе прогнозирования модели для аддитивного производства, часто в лабораторных прототипах. Интересно здесь то, что делается акцент на оптимизации эталонной траектории — заданной траектории, которую пытается отслеживать машина, — что при тщательном подходе может хорошо сочетаться с существующими программами нарезки и встроенным программным обеспечением.

Как может работать оптимизация эталонных значений в FFFКак может работать оптимизация эталонных значений в FFF

В общих чертах, этот подход предполагает сочетание датчиков на принтере с моделью процесса экструзии. Это может включать энкодер на приводе нити, акселерометры на печатающей головке, стандартные терморезисторы и, возможно, камеру или лазерную линию для оценки геометрии шва. С помощью этих сигналов программное обеспечение может оценивать ошибки, а затем вычислять отфильтрованную или скорректированную заданную точку для положения и экструзии, которая компенсирует задержку и перерегулирование.

Возможны два подхода. Первый — это онлайн-коррекция, при которой машина корректирует параметры внутри слоя в зависимости от изменений условий. Второй — это послойное обучение, при котором принтер обнаруживает закономерность ошибок, а затем обновляет следующий слой или следующую сборку, используя уточненный эталон. Оба подхода могут уменьшить образование сгустков в углах, улучшить округлость отверстий и стабилизировать тонкие стенки без замедления работы.

В случае реализации, выгода может быть весьма существенной: более высокая точность размеров, более стабильная ширина валика и меньшее количество этапов постобработки. Предприятия могут добиться повышения выхода годной продукции с первого раза и сокращения времени работы оператора, особенно на многокомпонентных лотках, где тепловые переходные процессы и изменчивость нити часто приводят к браку. Поскольку оптимизация эталонных параметров в основном осуществляется программным обеспечением, она может масштабироваться на несколько парков оборудования с небольшими дополнительными аппаратными улучшениями.

Ограничения, неизвестные и интеграция

Как и в большинстве работ по управлению в аддитивном производстве, ключевые детали остаются неясными. Требования к датчикам, вычислительная нагрузка и время обучения не указаны, а прирост производительности в изученном нами источнике не количественно оценен. Если метод требует машинного зрения или специализированных энкодеров, модернизация может стать дорогостоящей; если же он работает со стандартными датчиками, внедрение значительно упрощается.

Интеграция тоже имеет значение. Современное программное обеспечение, такое как Klipper и Marlin, уже реализует опережение давления и формирование входного сигнала; эталонный оптимизатор должен сотрудничать с этими функциями, а не бороться с ними, или заменять их единой моделью. Также возникает вопрос размещения программного обеспечения: запускать ли его внутри принтера, внутри слайсера или в качестве облачного препроцессора. Каждый выбор имеет последствия для задержки, удобства сопровождения и зависимости от поставщика.

Промышленным пользователям потребуются доказательства повторяемости результатов при работе с различными материалами и в разных условиях, а не просто единичная демонстрация на лабораторном стенде. Сервисные центры и производственные линии заботятся о производительности и подтвержденных допусках так же, как и об идеальной точности, поэтому наборы данных, демонстрирующие точность в зависимости от времени, материала и геометрии сборки, будут иметь решающее значение.

Ищите эталонные компоненты, открытый код или наборы данных, а также сравнительные исследования с общепринятыми базовыми показателями, такими как неизмененный G-код, опережение подачи давления и формирование входного сигнала. Если авторы или партнеры публикуют тестовые образцы ISO, таблицы точности и данные о влиянии на время цикла, сообщество сможет оценить, является ли это постепенным улучшением или кардинальным изменением.

Если специалисты по нарезке моделей научатся мыслить как инженеры-программисты, то экструзионная аддитивная технология, наконец, сможет создавать цветные изображения в рамках заданных параметров без использования экзотического оборудования.

Через  ArXiv

также будет интересно https://3dprint.fidller.com/?s=%D0%BC%D0%B5%D1%82%D0%BE%D0%B4

По вопросам 3d печати, 3d сканированию, обучению в Краснодаре писать сюда:

телеграм — https://t.me/fidller

max — https://max.ru/u/f9LHodD0cOIGiBB1zqbYHFbw7XCslKRI5o6aikK4IGNDZtFio4aCgGJ1gUQ

почта — shope@fidller.com

все о кино тут — https://news.fidller.com
наш магазин — https://fidller.com
мы в телеграм — https://t.me/fidller_com
группа 3д печати — https://vk.com/3d_krd_123
https://t.me/pechat3dkrd