Datengesteuerte Optimierung der Extrusionskraftregelung für den 3D-Druck

Centrala begrepp

Durch den Einsatz von Bayesscher Optimierung können die Regelparameter für die Extrusionskraftregelung in der Fused-Filament-Fertigung (FFF) automatisch optimiert werden, um eine hohe Druckqualität zu erreichen. Zusätzlich kann durch den Einsatz von Transfer Learning die Konvergenzgeschwindigkeit der Optimierung deutlich beschleunigt werden.

Sammanfattning

Der Artikel beschreibt ein Verfahren zur Optimierung der Extrusionskraftregelung in der Fused-Filament-Fertigung (FFF) mittels Bayesscher Optimierung.

Zunächst wird ein modifizierter PID-Regler zur Regelung der Extrusionskraft implementiert. Dieser Regler hat vier einstellbare Parameter: Proportionalverstärkung, Integralverstärkung, schnelle Ableitung und langsame Ableitung.

Um die optimalen Reglerparameter für eine bestimmte Geometrie, ein bestimmtes Material und bestimmte Druckeinstellungen zu finden, wird ein kontinuierliches Bayessches Optimierungsverfahren eingesetzt. Dabei wird der Drucker während des gesamten Druckvorgangs nicht unterbrochen, sondern es werden in kurzen Intervallen neue Regler getestet und deren Leistung bewertet. So kann die Optimierung in einem einzigen Druckvorgang durchgeführt werden.

Zusätzlich wird der Einsatz von Transfer Learning untersucht, um die Konvergenzgeschwindigkeit der Optimierung zu beschleunigen. Dabei werden Informationen aus vorherigen Optimierungen für andere Referenzkräfte genutzt, um den Optimierungsprozess für eine neue Referenzkraft zu beschleunigen.

Die experimentellen Ergebnisse zeigen, dass die Bayessche Optimierung zu einer deutlichen Verbesserung der Druckqualität führt, indem die Abweichung der Extrusionskraft vom Sollwert signifikant reduziert wird. Der Einsatz von Transfer Learning kann die Konvergenzgeschwindigkeit der Optimierung weiter steigern und in manchen Fällen sogar die Leistung des optimierten Reglers verbessern.

Statistik

Die Abweichung der Extrusionskraft vom Sollwert (RMSE) konnte durch die Bayessche Optimierung um 13,7 % bei einer Referenzkraft von 0,1 N, um 86,9 % bei 0,2 N, um 83,5 % bei 0,3 N und um 94,5 % bei 0,4 N reduziert werden.
Der Einsatz von Transfer Learning führte zu einer zusätzlichen Verbesserung der RMSE um 29,8 % bei einer Referenzkraft von 0,3 N und um 47,4 % bei 0,2 N. Gleichzeitig konnte die Anzahl der benötigten Optimierungsiterationen um bis zu 92,8 % reduziert werden.

Citat

"Durch den Einsatz von Bayesscher Optimierung können die Regelparameter für die Extrusionskraftregelung in der Fused-Filament-Fertigung (FFF) automatisch optimiert werden, um eine hohe Druckqualität zu erreichen."
"Der Einsatz von Transfer Learning kann die Konvergenzgeschwindigkeit der Optimierung weiter steigern und in manchen Fällen sogar die Leistung des optimierten Reglers verbessern."

Viktiga insikter från

Data-Driven Extrusion Force Control Tuning for 3D Printing

by Xavier Guide... på arxiv.org 03-26-2024

https://arxiv.org/pdf/2403.16470.pdf

Djupare frågor

Wie könnte der vorgestellte Ansatz zur Optimierung der Extrusionskraftregelung auf andere additive Fertigungsverfahren wie den Pulverbettauftrag oder den Direkten Energieauftrag übertragen werden

Der vorgestellte Ansatz zur Optimierung der Extrusionskraftregelung könnte auf andere additive Fertigungsverfahren wie den Pulverbettauftrag oder den Direkten Energieauftrag übertragen werden, indem ähnliche Closed-Loop-Regelungsmethoden angewendet werden. Im Pulverbettauftrag könnte beispielsweise die Regelung der Pulverzufuhr oder der Druckluftströme optimiert werden, um die Druckqualität zu verbessern. Beim Direkten Energieauftrag könnte die Regelung der Energiezufuhr oder der Scangeschwindigkeit optimiert werden, um die Schmelzqualität zu steuern. Durch die Anpassung des Regelungskonzepts an die spezifischen Anforderungen dieser Verfahren könnten ähnliche Verbesserungen in der Druckqualität erzielt werden.

Welche zusätzlichen Sensoren oder Messgrößen könnten in Zukunft in das Regelungskonzept integriert werden, um die Druckqualität weiter zu verbessern

Um die Druckqualität weiter zu verbessern, könnten zusätzliche Sensoren oder Messgrößen in das Regelungskonzept integriert werden. Beispielsweise könnten Temperatursensoren entlang des Druckpfads installiert werden, um Temperaturgradienten zu überwachen und die Temperaturregelung entsprechend anzupassen. Durch die Integration von Kameras oder Bildverarbeitungssystemen könnte die Schichtqualität in Echtzeit überwacht werden, um Fehler oder Unregelmäßigkeiten frühzeitig zu erkennen und zu korrigieren. Die Integration von Sensorsystemen zur Messung von Schichtdicke, Materialfluss oder Schmelzqualität könnte ebenfalls dazu beitragen, die Prozessstabilität und -qualität zu verbessern.

Inwiefern lassen sich die Erkenntnisse aus der Optimierung der Extrusionskraftregelung auf andere Aspekte der Prozessführung in der additiven Fertigung, wie z.B. die Bahnplanung oder die Temperaturregelung, übertragen

Die Erkenntnisse aus der Optimierung der Extrusionskraftregelung könnten auf andere Aspekte der Prozessführung in der additiven Fertigung übertragen werden, indem ähnliche datengetriebene Optimierungsmethoden angewendet werden. Zum Beispiel könnten Bayesian Optimization und Transfer Learning auch für die Bahnplanung eingesetzt werden, um optimale Druckpfade zu finden, die die Druckzeit reduzieren oder die Oberflächenqualität verbessern. In Bezug auf die Temperaturregelung könnten ähnliche Optimierungstechniken verwendet werden, um die Drucktemperatur während des gesamten Druckprozesses zu optimieren und so Verzug oder Schmelzfehler zu minimieren. Die Integration von Closed-Loop-Regelungsmethoden und datengetriebener Optimierung könnte somit auf verschiedene Aspekte der additiven Fertigung angewendet werden, um die Gesamtqualität und Effizienz des Prozesses zu steigern.