Build time estimation models of additive manufacturing

2.2 Economic sustainability of additive manufacturing

2.2.1 Build time estimation models of additive manufacturing

Build time is defined as the time required to produce the part in the AM based machine. 

Sometimes, time consumed in pre-processing operation and post-processing operation is  also considered as a part of build time. Several attempts have been made to understand the  effect  of  machine  and  geometry  related  parameters  on  build  time  of  an  AM  process. 

Estimation  of  an  AM  based  technology  is  process  specific  and  varies  according  to  the  working  principle.  Numerous  models,  viz.,  analytical,  parametric  and  soft  computing  models have been proposed for estimating the build time in AM process. The following  subsections discuss different build time estimation models developed in the past.

2.2.1.1 Analytical models

In one of the earliest investigations, Kechagias et al. (1997) attempted to estimate the build  time  for  two  different  laser-based  AM  processes,  i.e.,  stereolithography  (SLA)  and  laminated  object  manufacturing  (LOM).  At  that  time,  these  technologies  were  at  infant  stage and the term ‘additive manufacturing’ (AM) was not coined. These processes were  referred  to  as  rapid  prototyping  (RP).  For  both  the  processes,  time  was  estimated  as  algebraic  summation  of  time  taken  in  layer  preparation  and  layer  processing.  Layer  preparation comprises the time to form a new layer, time required by the platform to move  downwards and delay time. Layer processing time comprises the time taken by the laser to  scan a layer according to the geometry of the part. Different parts were fabricated to validate  the accuracy of the proposed methodology. The deviation between the experimental value  and estimated value was estimated. For SLA, the lowest and highest deviation of build time  was found to be 0.3% and 14.5%, respectively; whereas for LOM, the lowest and highest  deviation was found to be 3.45% and 54.83%, respectively. 

In  another  early  attempt,  Alexander  et  al.  (1998)  proposed  a  methodology  to  estimate  the  build  time  of  two  popular  AM  processes,  i.e.,  fused  deposition  modelling  (FDM) and SLA. These  processes were  referred  to  as layered manufacturing. The build  time (tbuild) was given by 

b u ild m a n idle

,

t  t  t

      (2.1)  where tman is the manufacturing time where the part and support are produced in a layer by  layer fashion. On the other hand, tidle is the non-production time. This time period involves  the movement of the nozzle without depositing material, cleaning of the nozzle, command  execution  time  and  movement  of  the  z  axis.  The  time  estimated  by  this  method  underestimated the true time, as the effect of acceleration, deceleration and the time taken  for changing the direction of the nozzle was not considered. 

A  popular  laser-based  process  that  uses  polymeric  material  is  selective  laser  sintering  (SLS).  It  is  one  of  the  oldest  and  popular  powder  bed  fusion  AM  processes. 

Specific to SLS, Pham and Wang (2000) investigated the effect of machine parameters such  as roller speed, roller travel distance, delay time, laser scan speed and laser scan spacing  for estimating the build time. The study considered two SLS machines and four different  raw materials for case studies. The maximum error, i.e., the difference between actual and  estimated  build  time  was  8%.  The  authors  highlighted  that  inclusion  of  the  effect  of  acceleration and deceleration of the roller can make the model more accurate. In another 

study confined to SLS, Zhang and Bernard (2013) proposed a method to estimate the build  time for a single part, similar multiple parts and mixed parts. The model comprised laser- based parameters such as  laser velocity, laser diameter and hatching distance. However,  some  important  parameters  specific  to  SLS  process  such  as  roller  velocity,  roller  travel  distance,  delay  time  was  not  considered.  Instead,  the  recoating  time,  a  part  of  layer  preparation time was taken as six seconds. The time required for machine preparation and  ending operation was considered as one hour. Two products having different geometrical  features and sizes were considered for the case study; these were dissimilar products and  the ratio of their volumes was 19:1. 

In extrusion-based AM process, i.e, FDM, Thrimurthulu et al. (2004) proposed a  methodology  to  estimate  the  build  time  of  a  part  based  on  fundamental  machine  and  geometrical parameters. They assumed that the deposition of the thermoplastic material is  continuous and there is no interruption. Also, the study ignored the non-productive time  and  the  effect  of  orientation  of  the  part  in  the  printing  process.  Assuming  continuous  deposition of the molten material, tbuild was obtained as 

p

,

build

n e

t V

 a v

      (2.2)  where Vp is  the  volume  of  the  part  to  be  fabricated, an  is  the  cross-sectional  area  of  the  nozzle and ve is the extrusion velocity of the filament. The time estimated by this method  will be different from the actual build time, as non-productive time (lowering down of the  platform,  time  between  ending  and  starting  between  two  different  paths)  was  not  considered. This gap was addressed in the work of Han et al. (2003). They carried out a  build time analysis for FDM process. The algorithm to estimate the build time comprised  the procedure to determine the repositioning and cleaning time of the nozzle. The authors  proposed  adaptive  slicing  (variable  layer  thickness)  method  by  dividing  the  part  into  different  zones;  each  zone  was  assigned  a  different  layer  thickness.  Parts  having  simple  geometry, e.g., a cylinder, comprised only one zone. However, the parts having complex  geometrical features like sharp curvatures had multiple zones. 

  In  another  study  specific  to  FDM  process,  Komines  et  al.  (2018)  presented  analytical  as  well  as  empirical  build  time  estimation  models,  which  were  validated  by  experiments. As per the authors, the build time is highly influenced by the acceleration of  the nozzle especially for fabricating complex geometrical parts. In the analytical approach,  the deposition time was estimated as the time required by the nozzle head to move with 

constant  velocity  and  the  acceleration  time  of  the  nozzle.  On  the  other  hand,  in  the  parametric  approach,  an  acceleration  coefficient  was  considered.  However,  the  effect  of  different  geometries on  acceleration  was not  mentioned explicitly. The analytical model  produced relatively more accurate results than the parametric model. 

2.2.1.2 Parametric models

Specific to SLS, Ruffo et al. (2006b) proposed a parametric model for estimating the build  time. They explored the effect of geometrical parameters on the build time of an object. 

The overall build time was given by algebraic summation of recoating time, scanning time,  and heating and cooling time (thc); thc was taken as one hour. Case studies were conducted  and it was reported that two parts having same height and volume may take different time  to build.  

  The effect of different orientations (rotation about different axes) of a part on the  build time was explored by Rathee et al. (2017). They built a cylindrical shaped object by  FDM  process.  They  conducted  several  experimental  runs  and  used  response  surface  methodology,  a  statistical  based  technique,  to  establish  parametric  models.  The  layer  thickness had the maximum effect on the build time irrespective of any orientation. Build  time was the least for orientation having the minimum z height; although it may increase  the cross-sectional area of a layer, it also reduces the number of layers in the z direction. 

However, it  was  observed by Chacon et al. (2017) that specific to  some geometries  and  process  parameters,  the  orientation  having  lesser  number  of  layers  took  relatively  more  time. High printing speed and feed rate may increase the deposition rate of the material, but  repositioning  of  the  nozzle  takes  additional  time  due  to  the  effect  of  acceleration  and  deceleration. 

2.2.1.3 Soft computing models

Some researchers used artificial neural network (ANN), a popular soft computing technique  in build time estimation of AM processes. For example, Munguia et al. (2009) proposed an  ANN model for the time-estimation in SLS process based on geometrical features of the  product. They considered height of the part, volume of the part and bounding box as input  parameters (referred to as input neurons). A bounding box is an imaginary cuboidal shaped  box that contains every edge of the part. Munguia et al. (2009) took same examples as taken  by  Ruffo  et  al.  (2006b)  and  compared  the  results.  The  average  error  in  time  estimation  obtained  by  ANN  model  was  reduced  to  2.08%  from  14.98%  as  obtained  by  empirical  relation of Ruffo et al. (2006b). In another ANN based study, Di Angelo and Di Stefano 

(2011) estimated the build time of several AM processes including SLA, SLS, FDM, LOM  and  three-dimensional  printing  (3DP).  For  this,  they  considered  the  part’s  height  and  volume, layer thickness and repositioning movements. Experiments were conducted only  for FDM and 3DP considering six test cases. The average percentage errors for FDM and  3DP were 11.5% and 12%, respectively.