Industry 4.0 and multi-sensor data fusion monitoring for additive manufacturing machines

Extrusion-based Additive Manufacturing technologies and in particular fused filament fabrication (FFF) process, object of this study, already known for the numerous advantages it is able to bring across many industries and generally employed in prototyping and custom components production, is gaining more and more attention in recent years thanks to the introduction of new, stronger materials and new industrial applications. However, FFF technology still faces major problems related with the stability of the process, threatened by a vast amount of possible issues that, combined or not, can be the root causes of several defects and out-of-control conditions. These issues limit the repeatability and reliability of this technology, preventing its breakthrough. These problems have started a wide research in the monitoring and control of FFF process aimed at detecting irregularities in real time through the use of various sensors and/or cameras. Merging information coming from different types of sensors mounted on the machine, known as multi-sensor data fusion, can bring, together with appropriate data analysis techniques, a great added value in the knowledge of the process and its monitoring and control. The aim of this work is to provide an insight on the added value of multi-sensor data fusion and to present an intelligent approach capable of using information content provided by a multitude of sensors and images to monitor both process stability and product quality simultaneously, in real time. To do so, after giving an overview on the variety of defects and their causes, on the current state of research in the field of FFF real-time monitoring and control and the sensing of the machine used in our research, the designed monitoring methodology will be presented in two different parts. The first part, related with process stability, summarizes the information extracted from raw data collected by encoders and thermocouples mounted on the machine by means of Hotelling’s T2 statistic, subsequently monitored through control charts with empirical limits. The second part of the methodology is instead concerned with the detection of small deposition flaws not recognizable with the already mentioned sensors; these defects will be identified through the use of a camera and a recently developed machine vision technique based on machine learning, the use of Anderson-Darling statistic and control charts. The results show that this methodology is able to detect both problems related with the stability of the process and small deposition defects, detrimental for the mechanical performances of the parts.

Le tecnologie additive basate su estrusione ed in particolare il processo di fused filament fabrication (FFF), oggetto di questo studio, già noto per i numerosi vantaggi in svariate industrie e generalmente usato per la produzione di prototipi e parti customizzate, sta acquisendo sempre più attenzione negli ultimi anni grazie all’introduzione di nuovi materiali più performanti e nuove applicazioni industriali. Tuttavia, la tecnologia FFF sta ancora affrontando difficoltà connesse alla stabilità di processo, minacciata da una varietà di possibili problematiche che, sinergicamente combinate o meno, possono essere causa scatenante di numerosi difetti e condizioni di fuori controllo. Ciò limita la ripetibilità e affidabilità di questa tecnologia, dunque la sua diffusione. Questi problemi hanno dato inizio ad una vasta ricerca nel monitoraggio e controllo del processo di FFF, finalizzata al rilevamento di irregolarità in tempo reale attraverso l’uso di vari sensori e/o camere. L’unione di informazioni provenienti da diversi tipi di sensori montati sulla macchina, noto come multi-sensor data fusion, può portare, unito ad opportune tecniche di analisi dati, un grande valore aggiunto nella conoscenza del processo e nel suo monitoraggio o controllo. Lo scopo di questa tesi è fornire una visione sul valore aggiunto del multi-sensor data fusion e presentare un approccio in grado di utilizzare in maniera intelligente il contenuto informativo fornito da una moltitudine di sensori ed immagini per il monitoraggio sia della stabilità di processo, sia della qualità di prodotto, in tempo reale. A questo scopo, dopo aver fornito una visione d’insieme sulla difettologia e le sue cause, sullo stato della ricerca nel monitoraggio e controllo in tempo reale del processo di FFF e la sensorizzazione della macchina utilizzata per la nostra ricerca, la metodologia di monitoraggio progettata sarà esposta in due parti. La prima, relativa alla stabilità di processo, riassume le informazioni estratte dai dati provenienti dagli encoder e termocoppie montate sulla macchina grazie all’uso della statistica T2 di Hotelling, successivamente monitorata mediante carte di controllo con limiti empirici. La seconda parte è invece incentrata sul rilevamento di difetti di deposizione non riconoscibili tramite i sensori appena citati; queste non conformità saranno identificate tramite l’uso di una telecamera e di una recente tecnica di machine vision basata su machine learning, l’uso della statistica di Anderson-Darling e carte di controllo. I risultati mostrano la capacità di questa metodologia nel rilevare sia problemi relativi alla stabilità di processo, sia difetti di deposizione di piccole dimensioni, dannosi per le performance meccaniche delle parti.