Improving Geometric Accuracy of Fused Filament Fabrication (FFF) 3D Printed Parts by Computational Analysis of Digitized Sacrificial Parts

Fused Filament Fabrication 3D printing technology has gained significant traction and interest in various industries and the scientific community due to its cost-effectiveness and versatility. However, achieving precise geometric accuracy remains challenging, particularly for desktop-sized machines. These machines lack closed-loop systems to ensure the positioning of the material-depositing nozzle. They can be utilized with materials like PolyLactic Acid (PLA), Thermoplastic PolyUrethane (TPU), or even chocolate-like materials. By raising the temperature of the material just as it is deposited on the machine’s build plate or previous layers, thermomechanical deformations unique to each material also affect the geometric quality of the 3D printing process. This thesis suggests that deviations in 3D printed parts have two components: systematic and random errors. Systematic errors are repeatable with the same machine and parameters, while random errors come from external factors, nonuniform material, and machine vibrations. Random errors cannot be predicted before printing and can only be reduced by improving the stability of the printing process. On the other hand, systematic deviations could be known before the printing process and can be acted upon holistically by applying the inverse of the systematic deviations to the geometry that will be printed. In this thesis, this translates to morphing the surface mesh of the nominal geometry. This document details our investigations into determining the systematic deviations of a 3D printer based on measurements of 3D printed parts using a structured light 3D scanner. We first demonstrate that an average of measured deviations of 3D printed parts can approximate the systematic deviations of a 3D printed part and that using the average deviation to compensate the nominal surface mesh yields an improvement in the average of absolute geometric error of 55%. The average deviation measurements consume five sacrificial parts, which are both wasteful in time and material. They are also specific to a material and a machine at a time. We also propose a compensation Machine Learning algorithm of two components. The pre-processing algorithm creates an image of a nominal point’s local deviation neighborhood, and a Convolutional Neural Network interprets these images to infer the systematic deviation. The process can be generalized for any machine and geometry on the condition that enough data was used in the training process.

Résumé

La technologie d’impression 3D de Fabrication par Filament Fondu a gagné une traction et un intérêt significatif dans diverses industries et dans la communauté scientifique en raison de son faible coût et de sa polyvalence. Cependant, atteindre une haute précision géométrique reste un défi, notamment pour les machines d’usage en millieu de bureau ou laboratoire. Ces machines n’ont pas de systèmes en boucle fermée pour garantir le positionnement de la buse déposant le matériau. Elles peuvent être utilisées avec divers matériaux tels que l’Acide Polylactique (PLA), le Polyuréthane Thermoplastique (TPU) ou même des matériaux s’apparentant au chocolat. Les déformations thermomécaniques propres à chaque matériau affectent aussi la qualité géométrique du processus d’impression 3D due à la haute température du matériau nécessaire pour le déposer sur le plateau de construction de la machine ou sur les couches précédentes. Cette thèse postule qu’il existe deux composantes aux déviations d’une pièce imprimée en 3D: la composante systématique, qui peut être répétée d’une itération à l’autre en utilisant la même machine avec les mêmes paramètres d’impression, et l’erreur aléatoire, qui est le produit de facteurs externes, de la composition non uniforme du matériau et des vibrations causées par le mouvement de la machine. Cette dernière composante ne peut pas être prédite avant le processus d’impression et donc ne peut pas être réduite que par l’augmentation de la stabilité du processus d’impression lui-même. En revanche, les déviations systématiques pourraient être connues avant le début du processus d’impression et peuvent être améliorer de manière générale en appliquant l’inverse des déviations systématiques à la géométrie qui sera imprimée. Dans cette thèse, cela se traduit par l’ajustement du maillage de surface de la géométrie nominale. Ce document présente nos recherches pour déterminer comment extraire les déviations systématiques d’une imprimante 3D basée sur des mesures de pièces imprimées en 3D à l’aide d’un scanner 3D à lumière structurée. Nous démontrons d’abord qu’une moyenne des déviations mesurées des pièces imprimées en 3D peut être utilisée pour approximer les déviations systématiques d’une pièce imprimée en 3D et que l’utilisation de la déviation moyenne pour compenser le maillage de surface nominal donne des résultats positifs. Les mesures de déviation moyenne consomment cinq pièces sacrificielles, ce qui est à la fois une perte de temps et de matériau significatif. C’est également spécifique à un matériau et à une machine à un moment donné.