行业宝藏:ORNL公开230Gb3D打印数据集!

AM易道导语

在3D打印行业，质量控制一直是一个棘手的问题。

传统制造业有数百年的质量控制经验可以借鉴，但3D打印作为一种新兴技术，却常常需要依赖昂贵的评估技术来监控零件质量。

然而，美国能源部橡树岭国家实验室（ORNL）最近公开发布的一套增材制造数据集，或将为这一难题提供新的解决思路。

之前AM易道ORNL开源的工业级切片软件：

大尺寸3D打印切片软件开源！美国国家实验室开发

今天发布的数据集，意义也非常重大，相信是能成为很多行业从业者宝藏。

AM易道认为，这份数据集的发布，不仅为3D打印行业提供了宝贵的研究资源，更为行业的质量控制开辟了一条新路径。

这种基于数据驱动的质量控制方法，有望大幅降低3D打印零件的检测成本，为行业规模化应用以及AI算法开发扫清障碍。

十年积累，230GB数据宝库

ORNL的制造示范设施（MDF）在过去十年间，一直在进行先进制造的早期研究，并对生产的零件进行全面分析。

这些年来，ORNL不断挑战3D打印的极限，探索新材料、新机器和新控制方法，积累了大量关于3D打印机性能的宝贵信息。

这次公开的数据集高达230GB，涵盖了使用激光粉末床打印系统制造的五组不同几何形状零件的设计、打印和测试数据。

研究人员可以访问机器健康传感器数据、激光扫描路径、30,000张粉末床图像，以及6,300次材料拉伸强度测试结果。

AM易道认为，这份庞大的数据集为研究人员提供了一个难得的机会，可以深入研究3D打印过程中的各种参数和结果之间的关系，为优化打印过程和提高零件质量提供重要依据。

打开方式

需要使用其提供的python代码来打开

代码如下：

# Date: 2023-09-04
# Description: example script to load an exported HDF5 file
#-----------------------------------------------------------------------------

# Load external modules
import h5py
import matplotlib.pyplot as plt
import matplotlib.colors as mcolors # used for vector graphics
import matplotlib.cm as cm # used for vector graphics
import matplotlib.collections as collections # used for vector graphics
import numpy as np

# Needed to enable plotting if using the Spyder IDE
try:
    from IPython import get_ipython # needed to run magic commands
    ipython = get_ipython() # needed to run magic commands
    ipython.magic('matplotlib qt') # display figures in a separate window
except: pass

# Parameters
path_file = 'D:/Temp/HDF5 Exports/2021-07-13 TCR Phase 1 Build 1.hdf5' # path to your HDF5 file
probe_layer = 50 # layer number to extract

#-----------------------------------------------------------------------------

# Check the HDF5 file
print('\nChecking the HDF5 contents...\n')
with h5py.File(path_file,'r') as build:
    
    def print_attrs(name,obj):
        
        # Access datasets
        if(isinstance(build[name],h5py.Dataset)):
            
            # Report dataset path
            print('--',name)
            
            # Display slice-type data
            if(name.split('/')[0]=='slices'):
                plt.figure(name)
                plt.imshow(build[name][probe_layer,...],cmap='jet',interpolation='none')
                
            # Display scan path data
            elif(name=='scans/%i' %(probe_layer)):
                x = build['scans/%i' %(probe_layer)][:,0:2]
                y = build['scans/%i' %(probe_layer)][:,2:4]
                t = build['scans/%i' %(probe_layer)][:,4]
                colorizer = cm.ScalarMappable(norm=mcolors.Normalize(np.min(t),np.max(t)),cmap='jet')
                line_collection = collections.LineCollection(np.stack([x,y],axis=-1),colors=colorizer.to_rgba(t)) 
                fig = plt.figure(name)
                ax = fig.add_subplot()
                plt.axis('scaled')
                ax.set_xlim(x.min(),x.max())
                ax.set_ylim(y.min(),y.max())
                ax.add_collection(line_collection)
                
            # Display temporal data
            elif(name.split('/')[0]=='temporal'):
                plt.figure(name)
                plt.scatter(np.arange(build[name].shape[0]),build[name])
                
            # Display part and sample data
            elif((name.split('/')[0]=='parts')|(name.split('/')[0]=='samples')):
                for i in range(1,min(build[name].shape[0],10),1):
                    print('  %i ' %(i),build[name][i])
                    
            # Display reference images and micrographs
            elif((name.split('/')[0]=='reference_images')|(name.split('/')[0]=='micrographs')):
                plt.figure(name)
                plt.imshow(build[name][...],interpolation='none')
        
        # Access attributes
        for key in obj.attrs:
            print('%s/%s:' %(name,key),str(build[name].attrs[key]).split('\n')[0])
    
    # Walk through the HDF5 file and display a sub-set of the data
    print('\n---HDF5 CONTENTS---\n')
    for key in build.attrs: print('%s:' %(key),str(build.attrs[key]).split('\n')[0]) # top-level metadata
    build.visititems(print_attrs) # nested levels

机器学习算法，预测零件性能

ORNL的研究人员已经展示了如何应用这些数据集。

他们使用3D打印过程中收集的测量数据训练了一个机器学习算法。

结合高性能计算方法，这个训练好的算法能够可靠地预测机械测试是否会成功。

更令人惊喜的是，在预测零件的极限拉伸强度时，它的错误率比传统方法降低了61%。

具体的方法可以在以下文章中查阅：

Materials 2023, 16(23), 7293; https://doi.org/10.3390/ma16237293

A Data-Driven Framework for Direct Local Tensile Property Prediction of Laser Powder Bed Fusion Parts

AM易道认为，这种基于机器学习的预测方法，有望彻底改变3D打印行业的质量控制流程。

它能够帮助企业在不进行昂贵的后期测试的情况下，就对零件质量有较为准确的判断，从而大幅降低生产成本。

从实验室到工业规模，跨越质量控制鸿沟

ORNL安全和数字制造部门负责人Vincent Paquit表示：

「我们提供的是可信的数据集，行业可以用它来认证产品。这是一个数据管理平台，旨在讲述增材制造零件的完整故事。我们的目标是使用制造过程中的测量数据来预测打印零件的性能。」

Paquit进一步指出：

「这是实现工业规模增材制造的关键推动因素，因为企业无法负担得起对每个零件进行表征的成本。使用这些数据可以帮助他们捕捉设计意图、制造过程和最终结果之间的联系。」

AM易道认为，这种方法不仅可以提高3D打印零件的质量一致性，还能大幅降低质量控制的成本，为3D打印技术在更多领域的大规模应用铺平道路。

写在最后

ORNL的这种开放数据的做法，体现了科研机构推动行业发展的责任与担当。通过公开这些宝贵的数据资源，ORNL不仅促进了学术研究，也为企业提供了宝贵的参考，有助于加速3D打印技术的创新和应用。

随着3D打印技术的不断发展，质量控制将成为决定其能否大规模应用的关键因素。

ORNL这次公开的数据集，为行业提供了一种全新的质量控制思路——通过大数据和机器学习，在打印过程中就对零件质量进行预测和控制。

下载链接为：

https://doi.ccs.ornl.gov/dataset/c0247625-951c-5616-a2e3-03803e848896

AM易道认为，这种数据驱动的方法，不仅能够大幅降低质量控制成本，还能提高生产效率，为3D打印技术在更多领域，比如AI算法开发扫清障碍。

我们期待看到更多企业和研究机构利用这些数据，开发出更加智能、高效的3D打印质量控制系统，推动3D打印技术迈向一个新的时代。

（正文内容结束）

延伸阅读：

1. 大尺寸3D打印切片软件开源！美国国家实验室开发
   

2. 3D打印宝藏软件免费！参数建模多孔微结构神器

3. 骂声一片的结局：深度分析Micronics寿终正寝
   

4. "尺寸焦虑"终结者：一文读懂大尺寸3D打印

5. 苹果的阳谋，3D打印与传统制造“王不见王”

6. 端住金饭碗，中美俄都必争的3D打印战场
   

7. 3D打印参数化设计开源！月球火星都能用的车轮

8. 3D打印设计开源项目！复杂内流道热交换器！
   

9. 掌握这5款AI工具,领跑3D打印设计新时代

10. 沉睡的图纸秒变三维数模，点亮隐匿的天量市场