与特约编辑 Kip Hanson 的对话
Kip Hanson：Phillip，增材制造行业的大多数人都将 CT 扫描和由此产生的数据分析与金属粉末床打印部件联系起来。聚合物和复合材料呢？那里也需要 CT 扫描吗？
Phillip Sperling，Volume Graphics：金属粉末床熔合部件 CT 扫描的增加通常与高价值部件和更高的质量要求相关，其中许多使用金属粉末床融合生产。目前，我们看到越来越多的客户要求我们解决由 PEEK、PEKK 或 ULTEM 等工程级聚合物制成的部件以及尼龙 12 CF 等纤维增强复合材料。陶瓷 3D 打印也是如此。与金属一样，当最终用户有高质量需求或法规时，我们通常会看到对这些材料的应用请求。
Phillip Sperling，增材制造产品经理，Volume GraphicsCT 扫描和图像分析软件为制造商提供了前所未有的改进其 3D 打印零件设计的机会。行业了解这一点，还是 CT 主要用于计量目的？
我认为大多数制造商都了解 CT 分析的价值，但通常认为它是为了回答某个问题，例如“是否存在孔隙率”或将它用于 GD&T 目的。CT 的一大优势是在一次扫描中回答很多问题。例如，我可以分析我的增材制造支架用于计量目的，同时寻找孔隙率和夹杂物并检查捕获的粉末——全部使用相同的数据集。
鉴于 Volume Graphics 的高级建模和分析能力，您是否预见到制造商可以完全避免破坏性测试的时间？如果不能，为什么？
通常，所有测试方法，无论是破坏性还是非破坏性，都在某些用例中提供价值。与其他方法相比，CT 扫描成本高昂且可提供大量信息，因此您可能不会在简单的金相图像即可完成工作的情况下使用它。对于更高级的问题或需要更高级的统计分析和体积检查的地方，像 CT 这样的复杂工具更有意义。
CT 扫描对于验证 3D 打印部件设计和合理构建参数的使用是必要的。但是，假设一家增材制造商已经开发出稳定的工艺并且拥有维护良好的设备，那么一旦零件进入生产阶段，他们还需要进行常规 CT 扫描吗？
当增材制造用户对他们的产品充满信心时在生产环境中，他们可以使用 CT 扫描来执行其他任务并回答其他问题。例如，他们可能会用它来分析证人标本，或检查单件产品 parts 随着时间的推移监控质量统计数据。我们也看到，在非 AM 行业中，CT 扫描在生产加速期间被广泛使用，以 100% 检查所有零件，然后取样以确保过程保持受控。
3D 打印行业对过程中计量技术（如熔池监测和刚性环境控制）的发展是否减少了对 CT 扫描的需求？
目前，情况恰恰相反。我们看到越来越多的过程监控，我们收到了很多关于如何使用 CT 作为此类解决方案的验证工具的请求。这些技术处于早期开发阶段，必须针对每个新零件设计和材料进行验证。
同时，我们看到过程中计量解决方案非常擅长显示某些过程缺陷，例如粉末重涂机问题。对于微孔隙等其他缺陷，这些基于层的方法是有限的，因为缺陷可能作为 se 的总和出现非常糟糕的构建层，这就是为什么需要一段时间的 CT 扫描。未来，我们可以考虑协同使用监控解决方案和 CT，以实现更有针对性的 NDT 检查，尤其是对于更大的零件。
Volume Graphics 及其母公司 Hexagon Manufacturing Intelligence 在做什么提高用于设计、准备、构建和检查整个 3D 打印过程的各种软件包的互操作性？
增材制造用户面临的一大挑战是从设计到不同过程步骤的工作流程部件、构建模拟、支撑生成、构建平台放置和后处理。
使用MSC Apex Generative Design技术设计并使用VGSTUDIO MAX分析的轻型轮架。可视化显示了 CT 的颜色编码标称-实际比较-扫描零件及其 CAD 模型。在 Hexagon，我们可以为大多数步骤提供解决方案，并且我们致力于在我们的软件产品和文件格式中实现流畅的工作流程。
同样，CT 扫描创造海量信息。随着它的使用越来越广泛，Volume Graphics 如何简化数据管理并使这些信息更易于使用？
我们一直致力于改进。举两个例子：对于数据管理，我们已经提供了完全自动化的分析工作流程。如果用户定期扫描相似的零件，他们可以准备宏和自动报告，一切都在我们的软件中完成。如果他们的行业法规允许，他们可以事后删除 CT 原始数据，只在报告中保留最重要的信息和图像。要将 CT 结果集中存储在质量管理或统计过程控制软件中，您现在可以使用广泛使用的 Q-DAS 数据交换导出结果e格式。为了让一切都更容易使用，我们也在不断改进我们软件的用户界面和用户体验。我们还添加了遵循行业标准和指南的新功能，例如新的 P203 功能，以实现标准化的 3D 孔隙率分析。
CT 扫描和体积图形的下一步是什么？
一些明显的进步是更高的分辨率和更多的自动化。然而，当下的流行语人工智能也是我们正在密切研究的领域。具体来说，在第一阶段，我们正在研究使用神经网络 (NN) 进行的缺陷检测。使用合适的数据训练的神经网络可以可靠地发现和标记材料中的缺陷，即使使用较低分辨率的数据也是如此。
