西门子如何利用机器学习和 ElectroPuls® 预测 3D 打印部件的疲劳性能
西门子数字化工业软件公司利用来自 Instron ElectroPuls E10000 系统真实世界的疲劳数据,开发出一种机器学习方法,能够预测从未经过物理测试的 3D 打印金属部件的疲劳性能,从而缩短了表征增材制造部件所需的时间并减少了测试数量。
关于
西门子股份公司(Siemens AG)是一家专注于工业自动化、楼宇自动化、轨道交通和医疗技术的德国跨国公司。它是欧洲最大的工程公司,也是工业人工智能、自动化和工业软件领域的全球市场领导者。
地点
德国慕尼黑
网站
增材制造 (AM) 也称为 3D 打印,是指一系列逐层构建三维部件的制造技术,仅使用构成最终组件的材料。增材制造工艺不仅可以制造高度复杂、结构高效的部件,还大大减少了与减材技术(如从较大体积的材料中进行机械加工)相关的材料浪费。
西门子采用了在 ElectroPuls E10000 疲劳试验机上进行的测试活动数据,该试验机针对增材制造产品的疲劳测试进行了优化。这些数据被用于评估与金属合金增材制造相关的挑战,并通过西门子数字化工业软件提供针对其中部分挑战的解决方案。
为什么预测 3D 打印部件的疲劳性能如此困难
金属部件的疲劳性能由材料微观结构内的特征和试样的几何形状决定。与任何制造技术一样,通过增材制造生产的组件包含该工艺固有的特征——残余应力、孔隙率或表面粗糙度的差异——其存在很大程度上取决于组件的局部几何形状,如图 1 所示。这意味着组件的几何形状与决定其疲劳性能的微观结构特征之间的关系变得高度复杂;对这些特征之间的相互作用以及每个特征的单独影响进行数学建模实际上变得不可能。
对于生产性能关键型部件的制造商来说,研究疲劳特性通常意味着严重依赖原型测试以及广泛且昂贵的测试活动。这是由于缺乏能够根据每个组件局部发现的特征阵列和组合来预测动态性能差异的计算机辅助工程 (CAE) 工具。
表面粗糙度是局部特征在 3D 打印组件中可能存在差异的一个明显例子,因为部件是通过少量悬垂的材料层构建的,如图 2 中的不同分布所示。因此,制造商必须在尽可能多的方向上打印和测试部件,以确定哪种方向能产生最佳的疲劳特性。
测试每一个构建方向或评估微观结构特征的每一种组合是不可行的,更不用说载荷条件、残余应力和后处理的影响了。尽管如此,为了让 3D 打印部件能够用于安全关键型场景,必须对这些影响进行可靠的预测。
机器学习解决方案
通过机器学习,西门子数字化工业软件可以评估从未经过机械测试的 3D 打印组件的疲劳性能。该方法在 3D Systems 根据一组固定工艺参数打印的试样上进行了评估,疲劳测试和分析由鲁汶大学(KU Leuven)机械工程系增材制造团队使用 Instron® ElectroPuls E10000 完成。
Instron 的 ElectroPuls E10000 配备集成 T 型槽工作台,针对增材制造产品的疲劳测试进行了优化。其全电动设计配合用户友好的 WaveMatrix3 软件以及专利的基于刚度的调谐等功能,构成了一个占地面积小、多功能且高效的测试系统。与应变计、DIC 摄像头和许多其他传感器的简单连接,使用户能够记录复杂测试组件表面的详细应变映射,从而比以往任何时候都更快、更轻松地为测试活动生成详细的数据集。
根据 ElectroPuls 系统获取的真实世界 S-N 数据,该软件随后可以预测未经测试的条件组合的 S-N 曲线。
该机器学习方法使用高斯过程回归——一种基于最小输入数据集提供结果概率分布的方法,与经典的插值或外推方法相比具有优势。
从测试数据到耐久性预测
将机器学习整合到西门子 Simcenter 3D Specialist Durability 软件后,可以按区域或单元定义疲劳属性,包括额外的材料处理。系统从 CAD 模型中识别组件中影响疲劳的特征,机器学习算法预测与模型中不同表面单元相对应的局部 S-N 曲线。然后,耐久性计算根据其局部特征、材料属性以及整个模型的 S-N 曲线映射,量化整个结构的损伤累积,生成如图 3 示意图所示的仿真。
图 4 中的结果显示了三个不同样品的预测疲劳行为。在每种情况下,该样品的实际测试数据(显示为蓝色数据点)均未输入机器学习算法。算法成功预测了每个样品的行为,所有点都落在预测的上下限范围内,并接近预测的 S-N 曲线(红色实线)。样品包括一个以 90 度方向构建并经过后续机械加工和热等静压 (HIP) 处理的样品,以及两个以 50 度方向构建的样品——一个接受完全退火 (FA) 处理,另一个接受 HIP 处理。
获取可靠疲劳数据的更快途径
西门子的这种机器学习方法为表征增材制造组件的疲劳属性提供了一种成功的方法,无需对每个影响疲劳的因素进行特定推断。该方法还具有足够的灵活性,可以解释给定样品内的局部现象。
对于通常专业人员有限但测试需求量大的增材制造设施,西门子的机器学习方法与 ElectroPuls E10000 的测试效率相结合,显著减少了获得广泛结果所需的时间和测试数量。
延伸阅读
阅读西门子的原文(在新标签页中打开)
