Additive manufacturing biedt een ongekend niveau van ontwerpflexibiliteit en uitgebreide functionaliteit, maar de kwaliteit en het proces kunnen drastisch verschillen tussen productiemachines, volgens een professor in industriële engineering aan Penn State. Met toepassingen in de lucht- en ruimtevaart, de gezondheidszorg en de auto-industrie met potentieel voor massaaanpassing, heeft additieve productie kwaliteitsbeheer nodig.
Een team van onderzoekers stelde het ontwerp, de ontwikkeling en de implementatie voor van een nieuwe datagestuurde methodologie voor kwaliteitscontrole in additive manufacturing.
De mensen die geïsoleerd werken op verschillende gebieden van additive manufacturing en systeemingenieurs kunnen helpen om de punten met elkaar te verbinden om een kader voor kwaliteitsbeheer te bieden. Kwaliteit is onmisbaar, en als ze vanaf het begin een kader voor kwaliteitsbeheer op systeemniveau ontwerpen, zullen ze een hogere kwaliteit en een betere productiviteit hebben tegen lagere kosten. Uiteindelijk wil iedereen high-precision, high-end productie doen, maar als de kwaliteit bij elke stap tijdens de productie eronder lijdt, verliezen ze het concurrentievoordeel dat nodig is voor de wereldmarkt. Door gebruik te maken van gegevens om producten van hoge kwaliteit te controleren en te garanderen, kunnen ze dat voordeel behouden.
Het team werkte samen om verschillende academische papers te analyseren om een six sigma-raamwerk voor kwaliteitscontrole voor additieve productie af te leiden, wat leidde tot hun voorgestelde systeemtechnische benadering.
De methode is gebaseerd op six sigma, een populaire benadering die gebruikmaakt van datagestuurde tactieken om defecten te elimineren, winst te verhogen en de kwaliteit van producten te verbeteren. Door hun gedetailleerde analyse suggereerde het team dat deze benadering in vijf stappen van definiëren, meten, analyseren, verbeteren en controleren het kwaliteitsbeheer kan bevorderen wanneer het wordt toegepast op additieve productie.
Via onderzoek dat we analyseerden, identificeerden we de kritieke uitdagingen van additive manufacturing en waar kwaliteitsnormen ontbreken, moeten ze voor elke stap in het proces de knelpunten identificeren, waar methoden zoals machinaal leren een rol kunnen spelen en helpen om een ingenieur of ontwerper hoe het proces te beheersen om defecten te voorkomen.
Onderzoekers legden uit dat dergelijke defecten enorme verplichtingen kunnen worden wanneer ze worden beschouwd in de context van massaproducten.
Als het doel is om additive manufacturing te gebruiken om onderdelen voor een auto of een vliegtuig te maken, dan kan dat onderdeel maar beter niet mislukken.
De kosten van defecte onderdelen kunnen oplopen - een defecte metalen constructie kan gemakkelijk 10 tot 20 duizend dollar kosten en vereist meerdere iteraties onderweg.
Door te zoeken naar de kwaliteitslacunes in de normen voor in massa geproduceerde onderdelen, is hun voorgestelde methodologie van cruciaal belang om kwaliteitsproductie te garanderen met additieve productie voor zowel grote volumes als aangepaste producten.
Kwaliteitscontroleprocessen en -methoden worden vastgesteld voor massaproductie, waarbij u honderden tot miljoenen dingen maakt. Additive manufacturing maakt maatwerk mogelijk, en de huidige kwaliteitscontrolemethoden en geaccepteerde praktijken zijn niet direct toepasbaar wanneer u slechts één of enkele van een artikel maakt. Ze moeten anders denken om onderdelen van hoge kwaliteit te garanderen.
Onderzoekers merkten op dat hun review de state-of-the-art additive manufacturing vertegenwoordigt technologieën en kan onderzoekers helpen door een uitgebreid begrip van de tools en technieken te bieden.