Tổng quan nghiên cứu

Công nghệ in 3D ngày càng phát triển mạnh mẽ, trong đó phương pháp Selective Laser Melting (SLM) được ứng dụng rộng rãi trong sản xuất các chi tiết kim loại phức tạp với độ chính xác cao. Theo ước tính, quá trình SLM sử dụng laser công suất cao để làm tan chảy và liên kết bột kim loại, tạo ra các sản phẩm có độ cứng tương đương vật liệu gốc. Tuy nhiên, trong thực tế, các đường in 3D SLM thường không ổn định do sự biến đổi của các thông số như mức năng lượng laser và tốc độ quét, dẫn đến các lỗi như đường in đứt quãng, méo mó, ảnh hưởng đến chất lượng sản phẩm cuối cùng. Việc thử nghiệm thực tế để tối ưu các thông số này rất tốn kém về chi phí và thời gian.

Mục tiêu nghiên cứu của luận văn là ứng dụng học sâu, cụ thể là mạng nơ-ron tích chập (CNN), để nhận dạng và phân loại các đường in đơn 3D SLM thành đường in tốt và xấu, từ đó đề xuất các thông số đầu vào tối ưu nhằm đạt được đường in ổn định. Nghiên cứu tập trung trên bộ dữ liệu hình ảnh vi quang học các đường in đơn dài 10 mm, thu thập từ máy in 3D SLM tại một phòng thí nghiệm, với phạm vi thời gian nghiên cứu năm 2022 tại tỉnh Bình Dương. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc giảm chi phí thử nghiệm, nâng cao hiệu quả sản xuất và chất lượng sản phẩm trong ngành công nghiệp in 3D kim loại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và Mạng nơ-ron tích chập (Convolutional Neural Network - CNN). ANN mô phỏng hoạt động của hệ thần kinh sinh học, gồm các lớp nơ-ron kết nối với nhau, có khả năng học từ dữ liệu và dự đoán kết quả. CNN là một dạng mạng nơ-ron sâu, chuyên dùng để xử lý và phân loại hình ảnh, với các lớp tích chập (convolutional layers), lớp hàm kích hoạt phi tuyến (activation layers), lớp rút gọn (pooling layers) và lớp kết nối đầy đủ (fully connected layers). CNN có khả năng trích xuất đặc trưng cục bộ và bất biến với các biến đổi hình ảnh như dịch chuyển, xoay, co giãn.

Các khái niệm chính bao gồm:

  • Hàm kích hoạt ReLU (Rectified Linear Unit) giúp tăng tốc độ huấn luyện và giảm hiện tượng gradient biến mất.
  • Thuật toán lan truyền ngược (Backpropagation) để cập nhật trọng số mạng dựa trên sai số dự đoán.
  • Phép tích chập 2 chiều (conv2D) dùng để trích xuất đặc trưng từ ảnh đầu vào.
  • Các kiến trúc CNN tiêu biểu như LeNet, AlexNet, VGG-16, GoogleNet, ResNet và DenseNet, được khảo sát để lựa chọn mô hình phù hợp.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ hình ảnh vi quang học gồm 22 hình lớn, chứa tổng cộng 420 đường in đơn 3D SLM dài 10 mm, được tạo ra với các mức năng lượng laser từ 200 đến 500 W và tốc độ quét từ 1000 đến 2000 mm/s. Dữ liệu được phân loại thành 3 loại đường in: liên tục đều, lỗi nhẹ và lỗi nặng. Để tăng kích thước bộ dữ liệu, các đường in đơn được phân hoạch thành 10 và 12 đoạn nhỏ, tạo thành hai bộ dữ liệu gồm 4220 và 5064 hình ảnh tương ứng.

Phương pháp phân tích bao gồm:

  • Xử lý ảnh: chuẩn hóa kích thước, lọc nhiễu, phân hoạch dữ liệu thành các đoạn nhỏ.
  • Gán nhãn dữ liệu dựa trên đặc điểm đường in tốt (liên tục, đều) và xấu (đứt quãng, méo mó).
  • Huấn luyện mô hình CNN với kích thước batch 20 hình, sử dụng thuật toán lan truyền ngược để tối ưu trọng số.
  • So sánh kết quả nhận dạng giữa các bộ dữ liệu phân hoạch khác nhau để đánh giá hiệu quả mô hình.

Timeline nghiên cứu kéo dài trong năm 2022, bắt đầu từ thu thập và xử lý dữ liệu, xây dựng mô hình, huấn luyện và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả phân hoạch dữ liệu: Việc chia các đường in đơn thành 10 và 12 đoạn nhỏ giúp tăng kích thước bộ dữ liệu lên lần lượt 4220 và 5064 hình, tạo điều kiện cho mô hình CNN học tốt hơn. Tỷ lệ đường in xấu chiếm khoảng 54% trong bộ dữ liệu chia 10 và 59% trong bộ chia 12, cho thấy sự cân bằng tương đối giữa hai lớp.

  2. Độ chính xác mô hình CNN: Mô hình CNN huấn luyện trên bộ dữ liệu chia 12 đạt độ chính xác nhận dạng đường in tốt và xấu cao hơn khoảng 3-5% so với bộ dữ liệu chia 10, chứng tỏ việc tăng kích thước và độ chi tiết của dữ liệu giúp cải thiện hiệu quả phân loại.

  3. Khả năng nhận dạng đặc trưng: Mạng CNN với 9 tầng và 4 lớp tích chập đã tự động trích xuất được các đặc trưng quan trọng từ ảnh vi quang học, phân biệt rõ ràng các đường in tốt và xấu, giảm thiểu sai số nhầm lẫn giữa hai lớp.

  4. Tiết kiệm chi phí thử nghiệm: Việc ứng dụng mô hình học sâu giúp dự đoán chính xác các thông số in 3D SLM để tạo ra đường in ổn định, giảm số lần thử nghiệm thực tế, tiết kiệm chi phí vận hành máy in và nguyên liệu.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác khi tăng kích thước bộ dữ liệu là do mô hình CNN cần lượng lớn dữ liệu đa dạng để học được các đặc trưng phức tạp của đường in 3D SLM. So với các nghiên cứu trước đây, việc phân hoạch dữ liệu thành nhiều đoạn nhỏ và gán nhãn chi tiết giúp giảm nhiễu và tăng tính nhất quán trong huấn luyện. Kết quả này phù hợp với các báo cáo ngành về ứng dụng CNN trong nhận dạng hình ảnh kỹ thuật.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các bộ dữ liệu phân hoạch, cũng như bảng ma trận nhầm lẫn (confusion matrix) thể hiện tỷ lệ dự đoán đúng/sai của mô hình. Ý nghĩa của nghiên cứu là mở ra hướng tiếp cận mới trong tối ưu hóa quy trình in 3D SLM bằng trí tuệ nhân tạo, góp phần nâng cao chất lượng sản phẩm và giảm chi phí sản xuất.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát tự động: Áp dụng mô hình CNN vào hệ thống giám sát quá trình in 3D SLM để nhận dạng và cảnh báo sớm các đường in không ổn định, giúp điều chỉnh thông số kịp thời. Chủ thể thực hiện: các nhà sản xuất in 3D, thời gian: 6-12 tháng.

  2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm dữ liệu từ nhiều loại vật liệu và máy in khác nhau để tăng tính tổng quát của mô hình, nâng cao độ chính xác nhận dạng. Chủ thể thực hiện: phòng nghiên cứu và phát triển, thời gian: 12-18 tháng.

  3. Tối ưu thuật toán học sâu: Nghiên cứu và áp dụng các kiến trúc CNN tiên tiến như ResNet hoặc DenseNet để cải thiện khả năng học và giảm thời gian huấn luyện. Chủ thể thực hiện: nhóm kỹ thuật AI, thời gian: 6 tháng.

  4. Đào tạo nhân lực chuyên môn: Tổ chức các khóa đào tạo về học sâu và xử lý ảnh kỹ thuật cho kỹ sư vận hành máy in 3D nhằm nâng cao năng lực ứng dụng công nghệ mới. Chủ thể thực hiện: các trường đại học và trung tâm đào tạo, thời gian: liên tục.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành công nghệ thông tin, trí tuệ nhân tạo: Nghiên cứu về ứng dụng học sâu trong xử lý ảnh kỹ thuật và tối ưu hóa quy trình sản xuất.

  2. Kỹ sư và chuyên gia trong lĩnh vực in 3D và sản xuất kim loại: Áp dụng mô hình nhận dạng để nâng cao chất lượng sản phẩm và giảm chi phí thử nghiệm.

  3. Doanh nghiệp sản xuất và cung cấp dịch vụ in 3D: Tối ưu hóa quy trình sản xuất, nâng cao hiệu quả vận hành máy in SLM.

  4. Các tổ chức đào tạo và phát triển nguồn nhân lực: Sử dụng luận văn làm tài liệu tham khảo trong giảng dạy và nghiên cứu ứng dụng công nghệ mới.

Câu hỏi thường gặp

  1. Học sâu có thể áp dụng cho các loại máy in 3D khác ngoài SLM không?
    Có, mô hình học sâu như CNN có thể được điều chỉnh để nhận dạng và phân loại dữ liệu hình ảnh từ các công nghệ in 3D khác, tuy nhiên cần thu thập dữ liệu phù hợp để huấn luyện.

  2. Bộ dữ liệu sử dụng trong nghiên cứu có đủ lớn để đảm bảo độ chính xác không?
    Bộ dữ liệu ban đầu nhỏ, nhưng qua phân hoạch thành nhiều đoạn nhỏ đã tăng lên hơn 5000 hình, đủ để mô hình CNN đạt độ chính xác ổn định trên 90%.

  3. Mô hình CNN có thể dự đoán chính xác các thông số in để tạo đường in ổn định không?
    Mô hình nhận dạng đường in tốt/xấu giúp dự đoán các thông số đầu vào tối ưu, từ đó cải thiện độ ổn định của đường in trong thực tế.

  4. Chi phí áp dụng mô hình học sâu trong sản xuất có cao không?
    Chi phí ban đầu cho phát triển và triển khai mô hình có thể cao, nhưng về lâu dài giúp giảm chi phí thử nghiệm và tăng hiệu quả sản xuất, mang lại lợi ích kinh tế lớn.

  5. Có thể mở rộng nghiên cứu này cho các vật liệu in khác nhau không?
    Có thể, nhưng cần thu thập dữ liệu hình ảnh vi quang học tương ứng với từng loại vật liệu để huấn luyện mô hình phù hợp.

Kết luận

  • Ứng dụng học sâu, đặc biệt là mạng nơ-ron tích chập CNN, đã chứng minh hiệu quả trong việc nhận dạng và phân loại các đường in đơn 3D SLM thành đường in tốt và xấu với độ chính xác cao.
  • Phân hoạch dữ liệu thành các đoạn nhỏ giúp tăng kích thước bộ dữ liệu, cải thiện khả năng học của mô hình.
  • Kết quả nghiên cứu góp phần tối ưu hóa quá trình in 3D SLM, giảm chi phí thử nghiệm và nâng cao chất lượng sản phẩm.
  • Đề xuất triển khai hệ thống giám sát tự động và mở rộng bộ dữ liệu để nâng cao tính ứng dụng thực tiễn.
  • Các bước tiếp theo bao gồm phát triển mô hình CNN tiên tiến hơn, thu thập dữ liệu đa dạng và đào tạo nhân lực chuyên môn.

Quý độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm các giải pháp học sâu trong lĩnh vực in 3D để thúc đẩy sự phát triển công nghiệp hiện đại.