面向熔融沉積成型的3D打印機(jī)故障聲發(fā)射監(jiān)控方法

吳海曦,余忠華,張 浩,楊振生,WANG Yan

(1.浙江大學(xué) 浙江省先進(jìn)制造技術(shù)重點(diǎn)研究實(shí)驗(yàn)室， 浙江 杭州 310027；2.上海海事大學(xué) 物流工程學(xué)院, 上海201306；3.佐治亞理工學(xué)院 機(jī)械工程學(xué)院, 美國 亞特蘭大 30332)

?

面向熔融沉積成型的3D打印機(jī)故障聲發(fā)射監(jiān)控方法

吳海曦1,余忠華1,張 浩1,楊振生2,WANG Yan3

(1.浙江大學(xué) 浙江省先進(jìn)制造技術(shù)重點(diǎn)研究實(shí)驗(yàn)室， 浙江 杭州 310027；2.上海海事大學(xué) 物流工程學(xué)院, 上海201306；3.佐治亞理工學(xué)院 機(jī)械工程學(xué)院, 美國 亞特蘭大 30332)

針對熔融沉積成型(FDM)3D打印機(jī)中打印噴頭容易出現(xiàn)打印材料斷絲或耗盡和噴頭阻塞的故障模式,分別設(shè)計(jì)并開展2組實(shí)驗(yàn),研究基于聲發(fā)射傳感器的故障監(jiān)控方法.為了減小對傳感器信號數(shù)據(jù)進(jìn)行處理和存儲的負(fù)擔(dān),并提升監(jiān)控的實(shí)時(shí)性,使用基于聲發(fā)射波擊(AE hit)的參數(shù)化聲發(fā)射信號處理及特征值提取方法.通過實(shí)驗(yàn)采集到了傳感器數(shù)據(jù)并進(jìn)行信號處理,研究故障模式和特征值之間的聯(lián)系,得到最敏感的AE hit關(guān)鍵特征值.使用K-means聚類算法對兩類故障模式進(jìn)行同時(shí)識別研究.結(jié)果表明,在0.2 s的時(shí)間分辨率下,基于AE hit的絕對能量和擊數(shù)特征值,提出的監(jiān)控方法對典型故障的識別準(zhǔn)確率分別為94.62%和93.80%.

熔融沉積成型(FDM)；3D打印機(jī)；故障監(jiān)控；聲發(fā)射

3D打印技術(shù)又稱為增材制造(additive manufacturing)或快速原型(rapid prototype)技術(shù),與傳統(tǒng)減材制造(subtractive manufacturing)的原理不同,3D打印是基于材料逐層疊加的方式來完成具有復(fù)雜形貌物體的制造過程.近年來,3D打印技術(shù)及其應(yīng)用已成為被社會各界廣泛關(guān)注的話題,也是國內(nèi)外學(xué)術(shù)界研究的一大熱點(diǎn)[1-4].根據(jù)最新3D打印界的年度權(quán)威報(bào)告《Wohlers Report 2015》,在2014年中全球3D打印的產(chǎn)品和服務(wù)市場增長了35.2%,已達(dá)到41億美元[5].

因熔融沉積成型(fused deposition modeling, FDM)技術(shù)具有使用成本較低、打印機(jī)體積小、安裝靈活以及可以適用于多種打印材料等優(yōu)點(diǎn),已成為3D打印中應(yīng)用最廣泛的技術(shù)之一.目前,市面上大多數(shù)FDM打印機(jī)打印出來產(chǎn)品質(zhì)量的一致性和綜合力學(xué)性能較差,導(dǎo)致產(chǎn)品的應(yīng)用主要局限于模型制作或設(shè)計(jì)驗(yàn)證,難以直接應(yīng)用于更加專業(yè)的工程應(yīng)用領(lǐng)域[6].此外,目前的3D打印機(jī)均沒有配備相應(yīng)的傳感器閉環(huán)監(jiān)控系統(tǒng),無法獲知打印過程中可能出現(xiàn)的故障信息并及時(shí)采取相應(yīng)的補(bǔ)救手段.目前,面向FDM的3D打印機(jī)的可靠性和智能化程度較低.

近兩年來,在3D打印過程中實(shí)施基于傳感器的智能化監(jiān)控的必要性已經(jīng)得到國外眾多學(xué)術(shù)及政府機(jī)構(gòu)的重視[3,7].對3D打印進(jìn)行信息與過程的閉環(huán)監(jiān)控,是提高打印過程穩(wěn)定性、產(chǎn)品質(zhì)量一致性和3D打印機(jī)智能化程度不可或缺的組成部分,并有利于進(jìn)一步拓寬3D打印產(chǎn)品的應(yīng)用領(lǐng)域.美國國家標(biāo)準(zhǔn)與技術(shù)研究院(NIST)在2015年的測量技術(shù)藍(lán)皮書中將實(shí)現(xiàn)3D打印的過程監(jiān)控與傳感器信息處理列為具有極高優(yōu)先級的研究方向[8].在國外,許多學(xué)者已經(jīng)利用嵌入式光學(xué)傳感器[9]、高速攝像機(jī)[10]、紅外測溫儀和加速度計(jì)[11]等進(jìn)行基于傳感器的3D打印過程與故障監(jiān)控研究,并取得了一定的研究成果.在國內(nèi),還未見有關(guān)3D打印監(jiān)控的研究報(bào)道.

為了填補(bǔ)國內(nèi)在這方面研究的空白,針對目前面向FDM的3D打印機(jī)中打印噴頭容易出現(xiàn)打印材料斷絲或耗盡和噴頭阻塞等故障的問題[11-12],本文研究基于聲發(fā)射傳感器的3D打印機(jī)故障監(jiān)控方法,以實(shí)現(xiàn)對3D打印機(jī)典型故障的實(shí)時(shí)監(jiān)控與模式識別.為了達(dá)到該目的,本文利用聲發(fā)射傳感器及相應(yīng)信號采集與處理設(shè)備,在面向FDM的3D打印機(jī)上設(shè)計(jì)并開展實(shí)驗(yàn)研究.根據(jù)實(shí)驗(yàn)結(jié)果,結(jié)合基于聲發(fā)射波擊(AE hit)的參數(shù)化聲發(fā)射信號特征提取技術(shù)和K-means聚類算法,研究3D打印機(jī)故障的實(shí)時(shí)檢測與識別方法.

1 信號處理及特征值分類識別

1.1 聲發(fā)射信號處理方法

聲發(fā)射傳感器可以檢測到材料中由聲發(fā)射源所激發(fā)的應(yīng)力波.聲發(fā)射信號具有高頻特性,且通常聲發(fā)射傳感器具有較寬的響應(yīng)頻率范圍.聲發(fā)射傳感器在具有一定抗干擾能力的同時(shí),可以敏感地采集到包含豐富過程信息的聲發(fā)射信號[13].聲發(fā)射技術(shù)作為一種無損檢測技術(shù),已經(jīng)在許多領(lǐng)域中有了成功的應(yīng)用,包括材料損傷的探測與識別、建筑結(jié)構(gòu)的健康度監(jiān)控和工業(yè)制藥中的化學(xué)結(jié)晶過程監(jiān)控等.在傳統(tǒng)的機(jī)械制造領(lǐng)域中,聲發(fā)射在諸如刀具磨損程度監(jiān)測、滾動體故障識別和加工過程失效監(jiān)控等方面有了許多成功的應(yīng)用.

聲發(fā)射信號具有高頻特性,根據(jù)奈奎斯特采樣定理可知,聲發(fā)射傳感器相比加速度計(jì)傳感器需要配備使用具有更高采樣頻率的信號采集設(shè)備進(jìn)行采樣.這在增加了聲發(fā)射信號信息豐富程度的同時(shí),也增加了所采集聲發(fā)射信號的數(shù)據(jù)量,增大了后期的信號處理與存儲負(fù)擔(dān).

目前,對聲發(fā)射信號的處理與特征提取方法主要有2種.1)對所采集得到的聲發(fā)射原始波形信號數(shù)據(jù)直接采用諸如小波分析和經(jīng)驗(yàn)?zāi)B(tài)分解等信號處理方法進(jìn)行相關(guān)特征值的提取,根據(jù)所提取的特征值對過程狀態(tài)進(jìn)行識別[14].這種信號處理方法雖然能夠較好地利用聲發(fā)射信號中豐富的時(shí)域和頻域信息,但由于需要處理的數(shù)據(jù)量和算法的計(jì)算量較大,難以應(yīng)用于實(shí)時(shí)監(jiān)控中.2)基于聲發(fā)射波擊(AE hit)的參數(shù)化聲發(fā)射信號特征提取方法.該方法僅需檢測由特定事件所激發(fā)的一系列離散AE hits并計(jì)算和存儲對應(yīng)的時(shí)域和頻域特征值,具有一定的自適應(yīng)性,同時(shí)大大降低了對監(jiān)控系統(tǒng)存儲空間的占用,提升了實(shí)時(shí)性能力[15].本文將采樣基于AE hit的聲發(fā)射信號處理與特征值提取方法,具體的方法如下所述.

圖1 聲發(fā)射波擊的檢測及相關(guān)特征值Fig.1 Measurement of AE hit and related features

一個(gè)典型AE hit的檢測與特征提取過程如圖1所示.每當(dāng)連續(xù)采集到的聲發(fā)射原始波形信號在一短時(shí)間內(nèi)超過預(yù)設(shè)的閾值時(shí),則被判定為一個(gè)AE hit；通過對原始波形信號的連續(xù)且實(shí)時(shí)地測量,將聲發(fā)射原始波形信號檢測為一系列離散的AE hit特征點(diǎn).通過數(shù)字信號處理模塊對每個(gè)離散的AE hit進(jìn)行快速特征值提取,可以得到對應(yīng)的時(shí)域和頻域特征值,實(shí)現(xiàn)對原始波形信號的參數(shù)化表示.AE hit的特征值主要包括幅值(amplitude)、擊數(shù)(counts)、絕對能量(absolute energy, ABS-Energy)、均方根(RMS)、頻率矩心(frequency centroid)和幅值頻率(peak frequency),其中典型特征值的意義和計(jì)算方式如下所述.

擊數(shù)代表在所檢測的一個(gè)AE hit中,聲發(fā)射波形信號穿越閾值的次數(shù).幅值是AE hit中的一個(gè)重要特征值,可以反映對應(yīng)AE hit的信號強(qiáng)度.幅值為

(1)

式中：Umax為幅值電壓,Uref為參考電壓.RMS與該AE hit的信號強(qiáng)度相關(guān),

(2)

式中：u(t)為聲發(fā)射傳感器的輸出電壓.AE hit的絕對能量可以由下式求得：

(3)

式中：α為聲發(fā)射傳感器電阻值的倒數(shù).

1.2 特征值的分類識別方法

經(jīng)上述的信號處理后,聲發(fā)射信號從原始的連續(xù)波形信號變?yōu)橐幌盗须x散分布的AE hit特征點(diǎn)及相應(yīng)的時(shí)域和頻域特征值.對于這些特征值的處理,K-means聚類算法[16]是一種常用的快速聚類與識別方法.K-means聚類算法的基本原理是通過迭代運(yùn)算,分配每個(gè)數(shù)據(jù)點(diǎn)到一個(gè)現(xiàn)有聚類中,使得對于整個(gè)數(shù)據(jù)集合而言,每個(gè)聚類中所有數(shù)據(jù)點(diǎn)到對應(yīng)聚類中心點(diǎn)的歐式幾何距離最小.K-means聚類算法主要包括以下4個(gè)步驟.

1)給定某個(gè)數(shù)據(jù)集合,X={x1,x2,…,xn},xn∈Rd,對各個(gè)聚類Ck的中心{m1,m2,…，mk}進(jìn)行初始化估計(jì).

2)分配數(shù)據(jù)點(diǎn)xi(i≤n)到某個(gè)聚類Cj(j≤k)中,通過求下式的最小值：

(4)

使得各個(gè)數(shù)據(jù)點(diǎn)xi(i≤n)到它們對應(yīng)聚類中心的歐式幾何距離最小.

3)計(jì)算每次加入數(shù)據(jù)點(diǎn)后各個(gè)聚類Ck的新中心{m1,m2,…，mk}的值.

4)如果{m1,m2,…，mk}沒有變化,則說明算法已經(jīng)收斂,迭代過程中止；否則返回到步驟2).

2 實(shí)驗(yàn)平臺與設(shè)計(jì)

2.1 聲發(fā)射采集系統(tǒng)及實(shí)驗(yàn)平臺搭建

使用的聲發(fā)射采集系統(tǒng)包括聲發(fā)射傳感器、前置放大器和信號采集與處理模塊(DAQ).聲發(fā)射傳感器選用型號為WD的寬頻帶型差分輸入傳感器,相比單輸入型傳感器具有更好的抗背景干擾的能力.該型號聲發(fā)射傳感器在的頻率范圍內(nèi)具有較好的響應(yīng)；前置放大器選用 PAC 2/4/6型,帶有差分信號輸入端口,與聲發(fā)射傳感器相連；信號采集與處理模塊選用PAC PCI-2型高速DAQ系統(tǒng),最高采樣頻率為40 MHz,具有18位模/數(shù)轉(zhuǎn)換精度,并帶有板載集成的數(shù)字信號處理(DSP)模塊,可以實(shí)現(xiàn)對AE hit的快速檢測與實(shí)時(shí)特征值提??；以上聲發(fā)射采集系統(tǒng)的制造商均為美國Mistragroup(美國物理聲學(xué)PAC)公司.

使用的3D打印機(jī)為美國HYREL3D公司生產(chǎn)的E5 Engine型FDM打印機(jī),使用的打印噴頭為MK-1 hot-heat型熱熔絲打印噴頭,使用的打印材料為ABS工程塑料.聲發(fā)射傳感器在3D打印機(jī)中打印噴頭上的安裝方式如圖2所示.在聲發(fā)射傳感器信號采集面與打印噴頭的接觸面間涂有真空脂,以保證接觸的緊密性和聲發(fā)射信號傳輸?shù)耐暾?在該實(shí)驗(yàn)中,信號采集與處理模塊的采樣頻率設(shè)為5 MHz,以在保證信息完整性的同時(shí),進(jìn)一步降低計(jì)算負(fù)擔(dān)并提升實(shí)時(shí)性.

圖2 聲發(fā)射傳感器安裝圖Fig.2 Image of AE sensor installation

圖3 兩類故障模式示意圖Fig.3 Schematically drawing of two failure modes

2.2 實(shí)驗(yàn)設(shè)計(jì)

本文主要針對面向FDM的3D打印機(jī)上打印噴頭兩類典型故障的聲發(fā)射監(jiān)控方法展開實(shí)驗(yàn)研究,在圖3的示意圖中展示了兩類故障的產(chǎn)生原理.第一類故障是打印材料斷絲或耗盡,它們有相似的表現(xiàn)形式,導(dǎo)致其發(fā)生的主要原因包括進(jìn)給機(jī)構(gòu)夾持力過大、打印材料質(zhì)量較差和在較長時(shí)間的打印過程中發(fā)生的打印材料耗盡等；第二類故障是噴頭阻塞,產(chǎn)生原因主要包括加熱塊的故障、打印材料中雜質(zhì)的長時(shí)間沉積以及外界進(jìn)入的污染物等.

為了研究這兩類典型故障基于聲發(fā)射傳感器的監(jiān)控方法和信號特征值的表現(xiàn)形式,設(shè)計(jì)開展了以下2個(gè)實(shí)驗(yàn)分別進(jìn)行研究.

設(shè)計(jì)開展的第一個(gè)實(shí)驗(yàn)為在3D打印機(jī)的正常打印過程中,僅加載一截長度較短的ABS熱熔絲.在一小段時(shí)間的正常打印后,打印噴頭會因打印材料的耗盡而進(jìn)入故障狀態(tài),但打印機(jī)的其他部件均保持在原有的工作狀態(tài),利用聲發(fā)射采集系統(tǒng)連續(xù)采集整個(gè)過程的聲發(fā)射信號并進(jìn)行信號處理與特征值提取.

設(shè)計(jì)開展的第二個(gè)實(shí)驗(yàn)的主要目的在于模擬3D打印機(jī)中打印噴頭可能出現(xiàn)的阻塞故障.通過主動調(diào)節(jié)打印噴頭中的加熱溫度來達(dá)到該目的.通常情況下,在正常打印狀態(tài)中為了保證ABS塑料能夠進(jìn)入熔融狀態(tài)并順利從噴嘴中擠出,所需的加熱溫度約為230 ℃.在該實(shí)驗(yàn)中,主動調(diào)低了加熱塊的加熱功率,使打印噴頭中的加熱溫度僅為130 ℃.打印噴頭中導(dǎo)料管里的ABS材料無法完全進(jìn)入熔融狀態(tài),進(jìn)而無法順利在導(dǎo)料管中流動并從噴嘴中擠出,后續(xù)的打印材料也無法在進(jìn)給機(jī)構(gòu)的推動下持續(xù)進(jìn)入導(dǎo)料管,故而產(chǎn)生了阻塞故障.此時(shí)3D打印機(jī)的其他部件保持工作在原有狀態(tài),利用聲發(fā)射采集系統(tǒng)對該過程的信號進(jìn)行采集.

3 實(shí)驗(yàn)結(jié)果分析與討論

3.1 實(shí)驗(yàn)1的結(jié)果分析與討論

圖4 實(shí)驗(yàn)1中AE hits的各個(gè)特征值Fig.4 Features of AE hits in Exp. 1

如圖4(a)～(f)所示為在實(shí)驗(yàn)1中采集并處理得到的AE hit特征點(diǎn)的同步時(shí)域和頻域特征值,其中時(shí)域特征值包括幅值A(chǔ)、EABS、擊數(shù)C和RMS；頻域特征值包括頻率矩心fc和幅值頻率fp.以上特征值均由信號采集與處理模塊實(shí)時(shí)求得,可以顯示并記錄于監(jiān)控PC機(jī)中.

在該實(shí)驗(yàn)中,所加載的一截長度較短的ABS熱熔絲在正常打印過程的第15秒左右耗盡,即在該時(shí)刻產(chǎn)生了因材料耗盡而導(dǎo)致的故障模式.從圖4(a)～(d)可以看出,所有時(shí)域特征值的峰值和分布情況都相應(yīng)發(fā)生了明顯的變化,且在故障發(fā)生后轉(zhuǎn)變得非常迅速,說明這些時(shí)域特征值對故障狀態(tài)非常敏感.其中,幅值的峰值在故障產(chǎn)生后增大了2 dB,由原來的64 dB增長到66 dB；絕對能量和擊數(shù)的變化更顯著,它們在故障發(fā)生后的峰值比故障發(fā)生前均有較大幅度的增加,絕對能量的峰值從原來的105aJ增長到2×105aJ,擊數(shù)的峰值由原來的140增長到220；相似的轉(zhuǎn)變趨勢也體現(xiàn)在RMS的數(shù)值中,峰值從原來的0.03 mV增加到0.04 mV.本文使用的信號處理方法將原始采集到的聲發(fā)射波形信號轉(zhuǎn)變?yōu)橐幌盗须x散分布的AE hit特征點(diǎn)的各個(gè)特征值數(shù)據(jù),因此可以使用統(tǒng)計(jì)方法進(jìn)行分析.圖4的結(jié)果反映出以上時(shí)域特征值的分布規(guī)律發(fā)生了相應(yīng)變化,從而推斷與它們分布規(guī)律相關(guān)的標(biāo)準(zhǔn)差在故障發(fā)生后產(chǎn)生了相應(yīng)的變化.為了量化地展示時(shí)域特征值的變化情況,在表1中列出了在故障發(fā)生前、后時(shí)域特征值的統(tǒng)計(jì)分析結(jié)果.

表1 實(shí)驗(yàn)1中AE hits的時(shí)域特征值統(tǒng)計(jì)分析

通過觀察圖4(e)～(f)的頻域特征值可知,它們在故障發(fā)生前、后沒有產(chǎn)生明顯的變化,從而推斷AE hit的頻域特征值對該實(shí)驗(yàn)研究的故障現(xiàn)象不敏感.為了深入研究聲發(fā)射信號在故障發(fā)生前、后頻率的變化及對應(yīng)關(guān)系,借助額外信號處理手段對聲發(fā)射的原始波形信號數(shù)據(jù)進(jìn)行處理,但會降低監(jiān)控的實(shí)時(shí)性及增加計(jì)算復(fù)雜度,不作進(jìn)一步的討論.在后續(xù)的實(shí)驗(yàn)結(jié)果討論中,將著重于對時(shí)域特征值的處理與分析.

3.2 實(shí)驗(yàn)2的結(jié)果分析與討論

AE hit的時(shí)域特征值對打印噴頭工作狀態(tài)的變化較敏感.其中,時(shí)域特征值中的絕對能量和擊數(shù)的變化最顯著,故在實(shí)驗(yàn)2的結(jié)果分析與討論中將重點(diǎn)關(guān)注AE hit的絕對能量和擊數(shù)特征值的變化情況.

在實(shí)驗(yàn)2中,通過主動控制打印噴頭的加熱溫度使打印噴頭中導(dǎo)料管里的ABS材料無法完全進(jìn)入熔融狀態(tài),從而發(fā)生阻塞故障.在故障發(fā)生后,3D打印機(jī)和打印噴頭上的其他部件繼續(xù)在原有狀態(tài)上工作,此時(shí)利用聲發(fā)射采集系統(tǒng)對故障狀態(tài)的信號進(jìn)行采集與處理,提取了相應(yīng)的特征值.采集得到AE hit特征點(diǎn)的絕對能量和擊數(shù)特征值,如圖5所示.在3D打印機(jī)的打印噴頭發(fā)生了阻塞故障后,絕對能量的峰值約為1.5×105aJ,擊數(shù)的峰值約為160.通過與3.1節(jié)中實(shí)驗(yàn)1的結(jié)果對比可知,該實(shí)驗(yàn)中的絕對能量和擊數(shù)的峰值比在正常打印狀態(tài)下的測量結(jié)果高,但低于在材料耗盡故障狀態(tài)下的測量值.為了更好地量化展示在阻塞故障狀態(tài)下AE hit特征點(diǎn)的絕對能量和擊數(shù)特征值的變化情況,分別對它們進(jìn)行統(tǒng)計(jì)分析,其中絕對能量的均值和標(biāo)準(zhǔn)差分別為8 294.9 aJ和14 840.7；擊數(shù)的均值和標(biāo)準(zhǔn)差分別為8.62和16.0.該實(shí)驗(yàn)的結(jié)果進(jìn)一步說明了AE hit的時(shí)域特征值與3D打印機(jī)中打印噴頭的工作狀態(tài)間有著緊密的聯(lián)系,可以用它們作為3D打印機(jī)故障監(jiān)控與識別算法的關(guān)鍵輸入?yún)?shù),具體的特征值分類及故障識別方法將在下一節(jié)中詳細(xì)討論.

3.3 基于AE hit特征值的故障識別分析

為了將采集得到的AE hit特征值數(shù)據(jù)應(yīng)用于聚類分析和故障模式識別中,并避免直接對AE hit特征值進(jìn)行逐點(diǎn)地分析,同時(shí)減輕過飽和AE hit對分類識別結(jié)果的影響,需要對特征值數(shù)據(jù)進(jìn)行進(jìn)一步的處理.采用對AE hit的特征值按時(shí)間進(jìn)行分段處理是一種有效的手段[17].

圖5 實(shí)驗(yàn)2中AE hits的絕對能量和擊數(shù)Fig.5 Absolute energy and counts of AE hits in Exp.2

通過使用基于AE hit的信號處理方法對聲發(fā)射原始波形信號進(jìn)行特征提取后,得到了大量離散分布的特征值數(shù)據(jù),且特征值的分布規(guī)律與所監(jiān)控的3D打印機(jī)中打印噴頭的工作狀態(tài)間有著緊密的聯(lián)系,因此選取均值與標(biāo)準(zhǔn)差作為故障監(jiān)控與識別算法的輸入?yún)?shù).以0.2 s作為時(shí)間分辨率,對所得到的特征值數(shù)據(jù)按時(shí)間進(jìn)行分段劃分.在實(shí)驗(yàn)1持續(xù)33.4 s的監(jiān)控過程中,共產(chǎn)生167個(gè)分段區(qū)間；在實(shí)驗(yàn)2持續(xù)15 s的監(jiān)控過程中,共產(chǎn)生75個(gè)分段區(qū)間.對每個(gè)分段區(qū)間中的絕對能量和擊數(shù)特征值數(shù)據(jù)進(jìn)行求均值與標(biāo)準(zhǔn)差的統(tǒng)計(jì)運(yùn)算,計(jì)算結(jié)果顯示在圖6、7中.圖中，Estd、Cstd分別為絕對能量和擊數(shù)的標(biāo)準(zhǔn)差.

圖6 實(shí)驗(yàn)1的特征值分段分析結(jié)果Fig.6 Segmental feature analysis in Exp. 1

將上述特征值分段分析的結(jié)果利用K-means聚類算法進(jìn)行對兩類故障模式的同時(shí)分類與識別研究.如圖8所示為基于絕對能量特征值的分段分析進(jìn)行故障分類與識別的結(jié)果.結(jié)果表明,采用該方法對所述2類故障進(jìn)行同時(shí)識別的準(zhǔn)確率為94.62%.如圖9所示為基于擊數(shù)特征值的分段分析進(jìn)行故障分類與識別的結(jié)果,該方法對兩類故障進(jìn)行同時(shí)識別的準(zhǔn)確率為93.80%.如圖8、9所示的空心標(biāo)記和形狀表示聚類算法的識別結(jié)果,實(shí)心圓點(diǎn)表示該數(shù)據(jù)點(diǎn)所實(shí)際對應(yīng)的工作狀態(tài).從上述結(jié)果可知,本文的聲發(fā)射監(jiān)控方法在0.2 s的時(shí)間分辨率下,對3D打印機(jī)的兩類故障具有較高的識別準(zhǔn)確率,并可以及時(shí)獲知故障發(fā)生的具體時(shí)間.例如,通過分析可以得出在實(shí)驗(yàn)1中打印噴頭發(fā)生材料耗盡故障的具體時(shí)間為第14.8秒.

圖7 實(shí)驗(yàn)2的特征值分段分析結(jié)果Fig.7 Segmental feature analysis in Exp. 2

圖8 基于絕對能量特征值的故障識別結(jié)果Fig.8 Identification result based on analysis of absolute energy

圖9 基于擊數(shù)特征值的故障識別結(jié)果Fig.9 Identification result based on analysis of counts

4 結(jié) 論

(1)將基于AE hit的聲發(fā)射信號處理及特征提取方法應(yīng)用在3D打印機(jī)故障監(jiān)控方法的研究中,與直接處理原始聲發(fā)射波形信號相比,減輕了監(jiān)控的計(jì)算及數(shù)據(jù)存儲負(fù)擔(dān),有利于提升監(jiān)控的實(shí)時(shí)性.

(2)針對材料斷絲或耗盡和噴頭阻塞的3D打印機(jī)故障分別設(shè)計(jì)并開展了實(shí)驗(yàn),根據(jù)實(shí)驗(yàn)結(jié)果分析典型故障和AE hit特征值之間的聯(lián)系,得到最敏感的關(guān)鍵特征值.

(3)利用K-means聚類算法研究對典型故障的分類與識別方法.結(jié)果表明,該聲發(fā)射監(jiān)控方法對兩類故障具有較高的識別準(zhǔn)確率,并具有較好的實(shí)時(shí)性；若減小時(shí)間分辨率,則識別準(zhǔn)確率可以進(jìn)一步提高.

在未來的工作中,將加強(qiáng)對聲發(fā)射信號特征值進(jìn)行模式識別的算法研究,以進(jìn)一步增加監(jiān)控方法的識別準(zhǔn)確率和抗干擾能力.同時(shí),將繼續(xù)開展相應(yīng)的軟件和硬件系統(tǒng)開發(fā)工作,以開發(fā)出完整的基于聲發(fā)射傳感器的3D打印機(jī)故障實(shí)時(shí)監(jiān)控系統(tǒng).

[1] 李小麗, 馬劍雄, 李萍, 等. 3D打印技術(shù)及應(yīng)用趨勢[J]. 自動化儀表, 2014, 35(1): 1-5． LI Xiao-li, MA Jian-xiong, LI Ping, et al. 3D printing technology and its application trend [J]. Process Automation Instrumentation,2014,35(1): 1-5．

[2] 王鎵垠, 柴磊, 劉利彪,等. 人體器官3D打印的最新進(jìn)展[J]. 機(jī)械工程學(xué)報(bào), 2014(23): 119-127． WANG Jia-yin, Chai-lei, LIU Li-biao, et al. Progress in three-dimensional (3D) printing of artificial organs [J].Journal of Mechanical Engineering,2014(23):119-127.[3] HUANG Y, LEU M C, MAZUMDER J. Additive manufacturing: current state, future potential, gaps and needs, and recommendations [J]. Journal of Manufacturing Science and Engineering, 2015, 137(1): 014001．

[4] GUO N, LEU M C. Additive manufacturing: technology, applications and research needs [J]. Frontiers of Mechanical Engineering, 2013, 8(3): 215-243．

[5] WOHLERS T T. Wohlers Report 2015: additive manufacturing and 3D printing state of the industry: annual worldwide progress report [M]. [S.l.]: Wohlers Associates, 2015．

[6] PEI E, IAN CAMPBELLR, DE BEER D. Entry-level RP machines: how well can they cope with geometric complexity？[J]. Assembly Automation, 2011, 31(2): 153-160．

[7] TAPIA G, ELWANY A. A review on process monitoring and control in metal-based additive manufacturing [J]. Journal of Manufacturing Science and Engineering, 2014, 136(6): 060801．

[8] US DEPARTMENT OF COMMERCE N. Roadmappingworkshop: measurement science for prognostics and health management of smart manufacturing systems [EB/OL]. 2015-08-01. http://www.nist.gov/el/isd/phm4sms-workshop.cfm．

[9] KANTAROS A, KARALEKAS D. Fiber Bragg grating based investigation of residual strains in ABS parts fabricated by fused deposition modeling process [J]. Materials and Design, 2013, 50: 44-50．

[10] LOTT P, SCHLEIFENBAUM H, MEINERS W,et al. Design of an optical system for the in situ process monitoring of selective laser melting (SLM) [J]. Physics Procedia, 2011, 12, Part A: 683-690．

[11] RAO P, LIU J, ROBERSON D,et al. Online real-time quality monitoring in additive manufacturing processes using heterogeneous sensors [J]. Journal of Manufacturing Science and Engineering, 2015,137(6):061007．

[12] REUTZEL E W, NASSAR A R. A survey of sensing and control systems for machine and process monitoring of directed-energy, metal-based additive manufacturing [J]. Rapid Prototyping Journal, 2015, 21(2): 159-167．

[13] TANDON N, CHOUDHURY A. A review of vibration and acoustic measurement methods for the detection of defects in rolling element bearings [J]. Tribology International, 1999, 32(8): 469-480．

[14] YANG Z, WU H, YU Z,et al. A non-destructive surface burn detection method for ferrous metals based on acoustic emission and ensemble empirical mode decomposition: from laser simulation to grinding process [J]. Measurement Science and Technology, 2014, 25(3): 035602．

[15] POMPONI E, VINOGRADOV A. A real-time approach to acoustic emission clustering [J]. Mechanical Systems and Signal Processing, 2013, 40(2): 791-804．

[16] JAMES M. Some methods for classification and analysis of multivariate observations [C]∥Proceedings of the 5th Berkeley Symposium on Mathematical Statistics and Probability. Oakland:[s.n.],1967: 281-297．

[17] KHARRAT M, RAMASSO E, PLACET V, et al. A signal processing approach for enhanced acoustic emission data analysis in high activity systems: application to organic matrix composites [J]. Mechanical Systems and Signal Processing, 2016, 70-71: 1038-1055．

Method for monitoring of FDM 3D printer failure based on acoustic emission

WU Hai-xi1, YU Zhong-hua1,ZHANG Hao1,YANG Zhen-sheng2, WANG Yan3

(1.KeyLaboratoryofAdvancedManufacturingTechnologyofZhejiangProvince,ZhejiangUniversity,Hangzhou310027,China; 2.CollegeofLogisticsEngineering,ShanghaiMaritimeUniversity,Shanghai201306,China; 3.WoodruffSchoolofMechanicalEngineering,GeorgiaInstituteofTechnology,Atlanta30332,USA)

A monitoring method based on acoustic emission (AE) was proposed aiming at the typical failure modes of material filament breakage or run out and extruder blockage in the extruder of fused deposition modeling (FDM) 3D printer. Two experiments were designed and conducted accordingly. The AE signals were processed and the related features were extracted parametrically based on AE hits in order to reduce the costs on sensor data computing and storing and improve the real-time monitoring performance. Sensor data from the experiments were collected and analyzed. The relationship between the features of AE hits and failure modes was estimated. The knowledge of the most relevant features of AE hits was obtained. The K-means clustering algorithm was applied to simultaneously identify the two types of failure modes based on the AE features of absolute energy and counts respectively. Clustering results of the proposed monitoring method showed that the accuracy rates were 94.62% and 93.80% under the time resolution of 0.2 s．

fused deposition modeling (FDM); 3D printer; failure monitoring; acoustic emission

2016-01-07. 浙江大學(xué)學(xué)報(bào)(工學(xué)版)網(wǎng)址： www.journals.zju.edu.cn/eng

國家自然科學(xué)基金資助項(xiàng)目(71071138)；國家留學(xué)基金委資助項(xiàng)目(201406320108)

吳海曦(1989-)，男，博士生，從事信號處理及機(jī)電系統(tǒng)的智能監(jiān)控方法的研究. ORCID: 0000-0003-0580-7754. E-mail: wuhaixi@zju.edu.cn 通信聯(lián)系人：余忠華，男，教授. ORCID: 0000-0003-3326-5526. E-mail: yuzhh@zju.edu.cn

10.3785/j.issn.1008-973X.2016.01.012

TH 165； TH 7

A

1008-973X(2016)01-0078-07