金属3Dプリンターの造形物品質がばらつく理由と、AI学習による品質のリアルタイム診断~金属3Dプリントの品質向上に向けて(前編)

INTERVIEW

石川県工業試験場
主任研究員
高野 昌宏

金属3Dプリンターでの造形技術は、金属加工では難しい複雑な形状の部品を強度はそのままに軽量化させたいといった用途に使われることが多いですが、機械加工と比べると品質にばらつきが生じやすいという課題があります。今回は、金属3Dプリンター造形物の品質向上に向けた研究を行っている石川県工業試験場に、金属3Dプリンターによる造形プロセスの課題や造形品質がばらつく理由を解説して頂いた後、同研究所で開発しているAI機械学習による造形品質のリアルタイム診断技術についてお話を伺いました。

▽おすすめ関連記事

金属3Dプリンターの技術は日進月歩で、すでに多くの製品や技術に応用されるようになっています。しかし、まだ品質の高い製品を安定して造るまでには至っていないようです。

ところで、各都道府県単位で公設の試験研究機関がありますが、工業試験場もその一つです。こうした公設工業試験場は、地方で根付いた技術の特色を生かして技術開発研究などを行っているようです。

石川県工業試験場では、2015(平成27)年3月、試験場内に「3Dモノづくりラボ」という研究所を開所し、主に3Dプリンターの技術、AM(Additive Manufacturing)として金属、樹脂、石膏といった3種類の3D造形という新しいモノづくりの技術を研究開発していると言います。石川県内の企業に向けてこれらの技術を紹介、普及することを目的とし、現在ではさらにレーザー肉盛やトポロジーの最適化などの技術を加え、評価機器を設置して研究所の機能を拡張しているそうです。

最近、同研究所では金属3Dプリンターで造形中の状態を「見える化」し、AIを活用して造形物の品質向上に大きく貢献できる技術を開発したとのこと。この技術に関係した金属3Dプリンターの造形の課題、その解決法などについて同試験場機械金属部の主任研究員、高野昌宏(たかの・まさひろ)氏にお話を伺いました。


金属3Dプリンターによる造形プロセスの課題

──── 金属3Dプリンターでの課題の技術研究はどういった内容になっていますか。

高野氏(以下略):
もともと金属3Dプリンターには、品質にばらつきが生じやすいという課題がありました。私たちの石川県工業試験場では、リアルタイムで品質を推定する方法を開発することを目標に研究開発を続けています。


──── どういった目的で技術研究を行っていますか。

金属3Dプリンターによる造形プロセスには、粉末床溶融結合法(ふんまつしょうようゆうけつごうほう、Powder Bed Fusion、PBF)と指向性エネルギー堆積法(Direct Energy Deposition、DED)の大きく2種類があります。一般的に使われているのは粉末床溶融結合法(PBF)です。

今回ご説明する技術研究も粉末床溶融結合法(PBF)についてのもので、金属3Dプリンターでの造形装置を製造販売している神奈川県横浜市の株式会社ソディックさんの装置を用い、ソディックさんと共同で技術研究を行っています。ソディックさんは神奈川県に本社がありますが、金属3Dプリンターの事業部が石川県にあり、私たちの技術研究を生かしてもらおうということになっています。


──── 金属3Dプリンターで造形する場合の課題にはどのようなものがありますか。

金属3Dプリンターでの造形プロセスの課題としては大きく3点あります。
1.粉末金属材料を敷いた床上にレーザーをあてて溶融凝固させながら造形するため、機械加工と比べると品質にばらつきが生じやすいという点、
2.熱収縮による大きな応力が発生するため、熱変形によって造形物に割れが生じることがある点、
3.一つひとつ造形するので大量生産には向かず、さらに金属組織が溶製材(鋳造材)と異なるため、長い歴史のある鋳造の知見が通用しないという点があります。

金属3Dプリンターでの造形技術は、金属加工では難しい複雑な形状の部品を強度をそのままに軽量化させたいといった用途に使われることが多く、品質にばらつきがあって強度がバラバラではそもそも製品として成立しないんです。


金属3Dプリンターによる造形品質がばらつく理由と、従来の対策

──── なぜ金属3Dプリンターでの造形で品質がばらつくのでしょうか。

レーザー光が粉末金属材料に照射される過程で、発振器に異常が出たり、光学系に汚れが付着したり、ヒューム(煙)が滞留するなどの外乱によって、レーザーのパワーやスポット径、粉末の厚みが変化して熱の状態や熱の逃げ方が変わり、溶融状態が変化するという要因があげられます。

適正なパワーやスポット径を設定して造形しますが、これらの外乱によってレーザーがズレたり、スポット径が小さくなったり大きくなったりすることで、期待通りに粉末金属材料が溶けてくれません。

例えば、ヒューム(煙)を除去するために空気を流していますが、そのためのファンが故障していたり、光学系にヒュームが付着して熱レンズ効果でレーザーがズレたりします。粉末の厚みも均一にするようにしていますが、粉末の下のそれまで造形された部分の厚みもレーザーで溶融状態にしてから固めているために均一ではありませんし、粉末の湿気の状態によっても変わってきます。こうしたパラメーターが変わると、熱の状態が変わってくるので溶け方も変化し、どうしても品質にばらつきが生じやすくなってしまいます。


金属3Dプリンターによる造形では、造形中に期待したパラメーターが変化し、レーザーのパワーやスポット径などに影響が出て造形物の空隙率が高くなることがあると言う(提供:高野昌宏氏)
金属3Dプリンターによる造形では、造形中に期待したパラメーターが変化し、レーザーのパワーやスポット径などに影響が出て造形物の空隙率が高くなることがあると言う(提供:高野昌宏氏)


──── 従来、品質を担保するためどうしてきたのでしょうか。

金属3Dプリンターの品質のばらつきが生じ、パラメーターによって温度が低くなって溶融状態が変化するため、造形後にX線CTなどで内部を確認してみると線造形物の空隙欠陥が多く、強度が低下するなどの悪影響が出てしまいます。

こうした欠陥が多い場合造り直しが必要になりますが、どうしても一度、造形してみてから品質を診断・評価しなければなりません。X線CTで診断・評価すれば、ある程度は空隙欠陥ができる原因を特定できますが、まだノウハウの部分が大きく、経験と勘のようなものに頼らざるを得ない状況です。

近年は航空機の燃料噴射ノズルのように、金属3Dプリンターでの造形の技術を使って試作品だけでなく実際の製品を造形することも多いのですが、こうした課題が金属3Dプリンターでの造形のせいぜい8割ともいわれる歩留まりの悪さにつながり、手間や時間がかかってコストを押し上げる原因になっています。そのため、造形中にリアルタイムで診断し、その評価をフィードバックして安定的に造形していく方法が求められてきました。


──── リアルタイムで品質を維持する方法にはこれまでどんなものがあったのでしょうか。

こうした金属3Dプリンターでの造形の技術の課題については、これまでも多方面から多様な課題解決のための技術的な提案がなされてきました。一般的に最も多い解決法は、レーザーがあたって粉末金属を溶かす溶融池の温度分布を撮影してモニタリングする二色温度法で、このモニタリング方法は特に指向性エネルギー堆積法(DED)の金属3Dプリンターでの造形で実用化されていますが、レーザーヘッドのスキャン速度が速い粉末床溶融結合法(PBF)ではあまり使われていません。


リアルタイムで造形中に品質を診断、AI機械学習を組み合わせて空隙率の低下へ

──── 石川県工業試験場ではどのような課題の解決法を考えたんでしょうか。

それに対して私たちが、どんな方法を考えたのかというと、造形中に飛び散る火花(スパッタ)の形状、数、粒子の温度などをカメラで撮影し、AIによる機械学習を組み合わせることで空隙率を推定するというものです。

私たちは、造形品質としての空隙率(%)の推定、そしてそれに応じたプロセス状態としてのレーザーのパワーやスポット径などを推定できないかと考えました。これができれば、造形中に品質を診断し、リアルタイムでフィードバックすることによって金属3Dプリンターでの造形の品質を改善できるようになるはずです。


空隙率による火花の違い。左は空隙率が大きい時、右は小さい(標準)時に飛び散る火花。(提供:高野昌宏氏)
空隙率による火花の違い。左は空隙率が大きい時、右は小さい(標準)時に飛び散る火花。(提供:高野昌宏氏)


──── なぜ火花に着目したのですか。

それは、これまでの知見から火花の飛び散り方と造形物の空隙率には何らかの相関関係があることが感覚的にわかっていたからです。この現象は、おそらく溶融池の温度や状態が火花の形状や数などに影響を及ぼしているのではないかと考えられます。ただ、火花のパターンと空隙率には膨大な組み合わせがあるため、AIを使って推測できないかと考えました。


石川県工業試験場では、金属3Dプリンターのレーザー照射で粉末金属が溶融し、溶融池から飛び散る火花の形状、数、温度などに着目した(提供:高野昌宏氏)
石川県工業試験場では、金属3Dプリンターのレーザー照射で粉末金属が溶融し、溶融池から飛び散る火花の形状、数、温度などに着目した(提供:高野昌宏氏)


──── 二色温度法にはないメリット、デメリットは何でしょうか。

この方法のメリットは、火花を動画撮影できるカメラがあればいいので安価にシステムを構築できる点が一つです。従来の二色温度法もカメラ撮影を用いますが、こちらの方法は溶融池に厳密に焦点を合わせ、かなり溶融池へズームしていかなければならず、特に技術的にシステムが複雑で難しくコストがかかるものです。一方で、私たちの方法では全体のかなり広い画面から火花について動画の撮影をすることができます。

デメリットは、空隙率の測定やAIの機械学習に1日から10日ほどの時間がかかる点、そして火花による推定を行うためには5mm×5mmほどの造形領域が必要になる点があります。


──── どのようにしてデータを得るのですか。

金属3Dプリンターでの造形装置の造形室内の真上の天井部分に、高解像度ではあるものの汎用で一般によく使われているカメラ(ソニー製、レンズはVSテクノロジー製)を取り付け、1秒間に23フレームで視野角は約250mmで動画の撮影をしました。撮影した画像に粒子解析という画像処理を行い、火花の形状、数(アスペクト比が3以上の数など)、粒子の温度(輝度)、位置(照射位置からの距離)など16項目から特徴量をデータ化しました。

その入力データをもとにして、ディープラーニングの機械学習によるAIを用い、空隙率(%)とレーザーのパワーやスポット径を出力として推定しました。具体的には、約250mm角のカメラ視野からレーザーの照射位置を中心にして画像を切り取り、トラッキング処理後、16項目の火花の特徴量を抽出して二値化処理しています。


──── AIはどのように使っていますか。

ディープラーニングの機械学習では、ディープ・ニューラルネットワーク(DNN)というパターン認識をするように設計された、ヒトや動物の脳神経回路をモデルとしたアルゴリズムを多層構造化した汎用のソフトウエア(ソニー製のNeural Network Console)を用いました。

ネットワーク構造は、中間層7層、ニューロン数は最大で300、16項目の火花の特徴量を入力し、学習して構築されたネットワーク構造を経て3項目の出力を推定結果として出しました。3項目の内訳は、空隙率(%)、スポット径(μm)、パワー(W)ですが、追加で4つ目の項目として粉末の厚みも出力想定しています。

機械学習の方法は、レーザーのパワーやスポット径については装置側で自由に変えられるため、良い状態からあえてパワーやスポット径を異常値のほうへ振り、その状態の火花の動画を撮影して入力値である火花の粒子の特徴量と出力値である空隙率、その際のパワーとスポット径の数値の関係をAIに学習させました。

この数値の振り幅は、レーザーパワーは300Wから480W、スポット径は160μmから380μmです。それぞれのパラメーターで造られた造形物の空隙率は、20mm×20mmの5断面を切り出し、手作業で磨いて顕微鏡で観察して求めました。


AIによる機械学習ではディープ・ニューラルネットワーク(DNN)を使ったそう。火花の16項目の入力項目から始まり、任意に設定した300ニューロンからカスケード式に7層を経て4項目の出力によって火花の特徴量と空隙率、レーザーのスポット径、パワーの4(3)出力で相関を推測したと言う。(提供:高野昌宏氏)
AIによる機械学習ではディープ・ニューラルネットワーク(DNN)を使ったそう。火花の16項目の入力項目から始まり、任意に設定した300ニューロンからカスケード式に7層を経て4項目の出力によって火花の特徴量と空隙率、レーザーのスポット径、パワーの4(3)出力で相関を推測したと言う。(提供:高野昌宏氏)


──── 期待通りの結果が得られたんでしょうか。

はい。予測値と実測値でどのような関連がみられるか学習結果から調べてみたところ、右肩上がりの相関関係があることがわかり、AIによる空隙率の予測値と実際の空隙率、そしてAIによるスポット径の予測値と実際のスポット径の数値が近くなり、機械学習の効果がみられたことがわかりました。もちろん、推定値にばらつきの幅はありますが、おおむね私たちが期待した精度で学習結果を得られたと考えています。

また、0.2%から0.3%程度の空隙率では、ほぼ正常な状態の造形物ができていますが、予測値と実測値にばらつきが出てくる空隙率1%前後から数%になると品質としては問題のある製品ということになります。スポット径も同様に正常値が200μmに対し、実際は少しズレています。これはフォーカスシフトという現象によるもので、ズレた数値も予測できると考えています。


──── 具体的にはどのようにして空隙率を下げる造形にするのでしょうか。

この技術を実際に応用する場合、造形中に火花粒子の特徴をリアルタイムで抽出し、AIが推定してレーザーを照射した位置の空隙率を0.5秒間隔で表示されるようになります。このように空隙率を推定することができますので、これをフィードバックして空隙率が与えた閾値を超えた場合、レーザーの照射条件をAIによる推定結果から補正し、レーザーを再照射して空隙率を下げていくことができるようになります。

フィードバックの実験を行ったところ、あえてスポット径を200μmから300μmへ空隙率が多くなりやすい数値に変え、空隙率が上がった部分に対し、スポット径を正しい数値である200μmに補正してから同じ層へ二重照射しながら造形しました。その結果、空隙率が改善されたことがわかっています。

では、造形中にリアルタイムでレーザーを調整しつつ、補正して空隙率を下げていくことが可能かどうかですが、もちろんレーザーのパワーやスポット径を瞬時に変えながら造形することはできます。しかし、私たちは現在、空隙率が低くなるようにスポット径を補正した条件で造形を繰り返せば、空隙率が改善することを確認しています。

ですから、実際の方法として、造形の1層を積んだ状態で空隙率が閾値より高く品質が悪いことがわかった場合、固まったその同じ層の同じ場所へ改めてもう一度、レーザーでの造形を繰り返すことを検討しています。



空隙率をどう少なくしコストを下げるのかは、金属3Dプリンターによる造形で大きな課題でした。石川県工業試験場の技術研究により、火花で造形中の様子を推測し、空隙率が高くなりそうな場合、補正して適正な造形に修正することができそうです。
次回はこの技術の製品化や応力によるクラックの発生の課題解決などについてご紹介します。

文/石田雅彦

▽おすすめ関連記事

こちらの記事もおすすめ(PR)