Digital Twin–enabled Quality Assurance Analysis of Robotic CW-GTAW Metal Additive Manufacturing Based on Deep Learning Applied to 3d Meshes

Abstract

No contexto da Indústria 4.0, surgiram paradigmas avançados para a fabricação e moni toramento baseado em dados. Entre eles, a Manufatura Aditiva por Arco Elétrico (WAAM) revolucionou a produção de componentes metálicos. Para aproveitar ao máximo essa tecnolo gia, os Sistemas Ciberfísicos (CPS) e os Gêmeos Digitais (DT) são cada vez mais empregados para permitir a análise de dados de processo com base em Inteligência Artificial (IA). No entanto, poucos trabalhos abordaram uma análise de dados abrangente, baseada em sistemas de Gêmeos Digitais, para estudar os níveis de qualidade de peças manufaturadas utilizando modelos 3D. Com esse cenário em mente, o presente projeto utiliza um fluxo de dados habil itado por Gêmeo Digital para constituir a base de um pipeline de análise de dados proposto. O pipeline consiste em analisar os níveis de qualidade da rugosidade superficial de peças metálicas fabricadas por manufatura aditiva através da aplicação de um modelo analítico de Rede Neural Profunda (DNN), permitindo a avaliação e o ajuste dos parâmetros de de posição ao comparar a representação 3D dos modelos construídos, obtida por digitalização via fotogrametria, com os dados posicionais adquiridos durante o processo de deposição e armazenados em um banco de dados em nuvem. Os dados armazenados e analisados podem ser utilizados posteriormente para refinar a fabricação de peças, a calibração de sensores e o refinamento do modelo do DT. Além disso, este trabalho apresenta um estudo abrangente sobre experimentos realizados utilizando o processo CW-GTAW (Cold Wire Gas Tungsten Arc Welding) como meio de deposição de metal, resultando em peças ocas cujas geometrias foram avaliadas tanto por meio de dados digitalizados em 3D (fotogrametria) quanto por parâmetros de processo e posicionais obtidos a partir da arquitetura do Gêmeo Digital, com uma etapa final de validação baseada em nuvens de pontos adquiridas via scanner 3D de bancada a laser. Finalmente, um modelo DNN PointNet adaptado foi avaliado utilizando duas abordagens distintas de treinamento: uma utilizando modelos 3D simulados e outra utilizando dados digitalizados reais. Enquanto o modelo simulado alcançou uma precisão de validação de 90,62%, exibiu limitações na generalização de uma das três classes de qualidade; em contraste, o modelo treinado com peças metálicas reais depositadas demonstrou uma generalização robusta, obtendo uma precisão geral de 75,64% na avaliação dos níveis de qualidade de rugosidade superficial divididos em 3 classes (bom, regular e ruim).