An Intelligent Hybrid Manufacturing System for FDM Surface Defects Monitoring with Industry 4.0
Notice bibliographique
Résumé
Additive manufacturing (AM) and machining in a single machine colloquially known as Hybrid manufacturing help to produce customized and complex products without assembling including greater design freedom and reduced material wastage. A CNC-based grinding mechanism is introduced in the same system to overcome those defects and enhance the quality. To increase productivity and improve product surface quality, evolving additive manufacturing demand and finishing subtractive processes must be combined on the same platform. For the additive manufacturing method, Fused Deposition Modeling (FDM) has been employed, and a grinding operation can be performed for surface finishing. A camera module is used to capture surface images for defect detection such as stringing, rashing, and surface cracking after the AM process. Convolutional Neural Network (CNN) is applied to the captured image for the defect detection process. If the CNN analysis reveals any surface defects, a grinding operation will be performed on the surface for better surface quality. The architecture has provided a platform to collect data from the image captured by the camera module for evaluating and identifying surface defects using CNN. CNN model provided 89% accuracy for surface defects detection. As a result, the CNC grinding operation can be done on that particular surface of the product for smoothing the partially roughened surfaces. Therefore, this study demonstrates to improve the surface quality, reduce cycle time, set up time reduction & improve the product's sustainability. The proposed approach of a hybrid manufacturing system also provides a basic framework to increase efficiency, reduce downtime, increase efficiency, improve end part consistencies of the product as a consequence of post-processing & defect detection in the same system, and enable I4.0
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».