3D object quality prediction for Metal Jet Printer with Multimodal thermal encoder

随着3D打印技术的进步，确保3D打印物品的质量和尺寸精度符合客户的要求至关重要。在金属打印过程中，许多因素会影响打印零件的质量，包括电源质量、打印阶段参数、打印零件在打印床内的位置、固化阶段参数和金属烧结过程。利用惠普公司MetJet打印过程中收集的大量数据，可以使用人工智能技术来分析、学习和有效推断打印零件的质量指标，并帮助提高打印产量。打印机安装的热传感器捕获到的原位热感数据包含熔合层的零件热特征。这些零件热特征受到各种因素的影响。本文使用多模态热编码器网络来融合不同类型的数据，包括视频数据、向量化的打印机控制数据和精确的零件热特征，以及经过训练的编码器-解码器模块。我们探索了数据融合技术和阶段，优化的端到端模型架构表明了改进的零件质量预测准确性。

本论文旨在利用AI技术来分析、学习和有效推断3D打印过程中的质量指标，并帮助提高打印产量。

论文使用多模态热编码器网络，将不同类型的数据进行融合，包括视频数据、向量化的打印机控制数据和精确的零件热特征，通过训练好的编码器-解码器模块，来提高零件质量预测的准确性。

论文使用了HP的MetJet打印过程中收集的大量数据，并探索了数据融合技术和阶段。实验设计合理，使用了多种数据集。值得进一步研究的是，论文提出的多模态融合技术是否适用于其他领域。

最近的相关研究包括：《3D打印中的材料质量控制研究》、《基于深度学习的3D打印质量预测模型研究》等。