Análise da qualidade do processo de impressão 3D por FDM via design of experiments e machine learning

• Autor(a) principal: SOUZA, Lucas de Melo
• Data de Publicação: 2020
• Tipo de documento: Trabalho de conclusão de curso
• Idioma: por
• Título da fonte: Repositório Institucional da UFPE
• dARK ID: ark:/64986/001300001n7b6
• Texto Completo: https://repositorio.ufpe.br/handle/123456789/48309
• topic: Engenharia mecânica; Impressão 3D; FDM; DOE; Machine learning; Controle de qualidade

Na atualidade, a impressão 3D está revolucionando a indústria, peças mais complexas podem ser impressas em tempo hábil, tornando a manutenção de máquinas mais rápida. Por ser um processo novo, é necessário evoluir no controle da qualidade do mesmo. Diante desta necessidade, este estudo, trata da análise do processo de impressão 3D para a tecnologia Fused Deposition Modelling (FDM), mapeando o comportamento deste processo, através do Planejamento de Experimentos (DOE), analisando estatisticamente a influência de cada parâmetro. A análise proposta, primeiramente foi realizada em três softwares de fatiamento, simulando a impressão de modelos 3D e coletando o tempo de impressão e o gasto de material. Os dados foram analisados através do software estatístico MINITAB, e a partir de gráficos fatoriais foi modelada uma tabela de decisão, utilizada para a escolha do melhor software de fatiamento, sempre baseada na prioridade específica do usuário (tempo, economia, confiabilidade, etc.). Em um segundo momento, utilizando o software escolhido, foi desenhado um novo modelo 3D para impressão, e planejado um Projeto de Experimentos mais refinado, como os dados obtidos foram mais difíceis de analisar via MINITAB, foi utilizada a linguagem Python para fazer as análises estatísticas e a modelagem preditiva utilizando Machine Learning. Os resultados desta análise mostram que o Ultimaker Cura foi o software com impressão mais rápida, o Simplify 3D mostrou maior confiabilidade, e o Slic3r mostrou uma impressão mais econômica e melhor exatidão no eixo vertical. Dentre os algoritmos preditivos analisados o Decision Tree deu os melhores resultados, apresentando uma maior performance, e a possibilidade de otimizar a impressão em função da qualidade e o tempo. Quanto aos insights das geometrias, há diferenças no nível de deformação entre peças quadradas e circulares. O tamanho da geometria também influencia na forma em que cada parâmetro afeta a deformação, as peças quadradas são menos suscetíveis a mudanças de deformação do que as circulares. O Algoritmo preditivo proposto permitiu prever as geometrias “reais” das peças 3D (incluindo o erro geométrico), esclarecer as relações de causa e efeito dos parâmetros na impressão 3D. Espera-se que a utilização deste modelo preditivo proposto seja promissora para a indústria, prevendo falhas de impressão, e antecipando correções adicionais nas peças 3D, melhorando significativamente o processo de controle de qualidade desta tecnologia, trazendo, em longa escala, corte de gastos com impressões 3D.