In-situ monitoring of extrusion-based additive manufacturing processes via image analysis and supervised machine learning

Extrusion Additive Manufacturing (Extrusion AM) technologies are the most adopted solutions for concept models, rapid prototyping and low-volume end-user parts. In the last years, the attention towards these disruptive techniques is dramatically increased for the extension of materials range and their industrial applications. Nevertheless, the lack of process stability and the high defective rates still impede the industrial breakthrough of such processes. For these reasons, a new research trend aims at identifying suitable on-line monitoring systems for a zero-defect oriented production. This thesis seeks to enhance the monitoring capabilities in Extrusion AM applications, by developing an image-based in-situ monitoring solution, applied to Filament Deposition Modeling and, for the first time, to 3D Bioprinting. This work focuses on under-extrusion and over-extrusion defects, which are strongly detrimental for the final part integrity and for its mechanical performances. They are detected via a layer-wise approach, conceived to spot lack or excess of extruded material on layers top surface. Two supervised machine learning strategies will be discussed and compared. The first approach, based on an existing study, combines Regression Tree modelling and the computation of Anderson-Darling statistics to identify local anomalies within a regular pattern. The alternative approach, which has been developed in this thesis work, employs Random Forest and K-means clustering to improve the prediction performances and defect detection capabilities. The results show that the alternative approach improves the overall prediction accuracy of more than 40% and drastically reduces the presence of false alarms, with a low increase of computational time. These findings make the proposed methodology suitable for the implementation on commercial machines and paves the way towards right-first-time production. Moreover, this innovative statistical methodology is not only relevant for in-situ monitoring in AM, but it can be extended to any application which aims at detecting texture irregularities.

Le tecnologie additive basate su estrusione sono attualmente le più utilizzate per la realizzazione di concept, la prototipazione e la produzione di componenti customizzate. Negli ultimi anni, l’attenzione verso queste tecnologie da parte del mercato è cresciuta notevolmente a causa dell’estensione del range di materiali stampabili e per le nuove applicazioni industriali. Nonostante ciò, la mancanza di stabilità dei processi per estrusione e il loro alto tasso di difettosità, ancora ne limitano la diffusione. Questi fattori hanno stimolato la nascita di un nuovo trend di ricerca, il quale punta all’eliminazione dei difetti attraverso la loro identificazione durante la stampa stessa. Questa tesi mira a valorizzare le capacità di controllo in processi additivi per estrusione, sviluppando un metodo di monitoraggio basato su immagini e applicato alla tecnologia Fused Deposition Modeling e, per la prima volta, a Bioprinting, I difetti sui quali si focalizza questo lavoro sono l’eccesso di materiale estruso o la sua mancanza, irregolarità che possono rivelarsi critiche per le performance finali della parte stampata a la sua integrità. Questi difetti saranno identificati attraverso l’acquisizione, layer dopo layer, di immagini della superficie superiore del provino di stampa. Due approcci di supervised machine learning verranno proposti. Il primo, presente in letteratura, combina l’utilizzo di Regression Tree e il calcolo di statistiche Anderson-Darling per identificare anomalie locali in un pattern regolare. Il secondo metodo, sviluppato in questa tesi, cerca di ridurre l’errore previsionale e di migliorare l'individuazione dei difetti, combinando due algoritmi, Random Forest e K-means clustering. I risultati mostrano che il secondo approccio registra una significativa riduzione dell’errore di predizione e dei falsi allarmi, con una crescita dei tempi computazionali poco significativa, rendendolo un valido candidato per l’implementazione del monitoraggio in-situ su sistemi commerciali. Inoltre, questo innovativo metodo statistico può essere facilmente esteso a qualsiasi applicazione volta all’identificazione di irregolarità superficiali localizzate.