CNC On-machine Measurement Quality Service Provider
對(duì)于許多公司來(lái)說(shuō),數(shù)字化和自動(dòng)化是進(jìn)一步發(fā)展增材制造的關(guān)鍵。因此,越來(lái)越多的制造商正在依賴基于云的解決方案,并將各種算法整合到他們的3D打印解決方案中,以充分挖掘該技術(shù)的潛力。
作為一個(gè)數(shù)字過程本身,3D打印是工業(yè)4.0的一部分,因此人工智能(如機(jī)器學(xué)習(xí))越來(lái)越多地被用于優(yōu)化價(jià)值鏈的時(shí)代的重要組成部分。人工智能(AI)能夠在很短的時(shí)間內(nèi)處理大量的復(fù)雜數(shù)據(jù),這就是為什么它作為一個(gè)決策者變得越來(lái)越重要。本文解釋了什么是機(jī)器學(xué)習(xí),以及為什么這種形式的人工智能正在幫助塑造增材制造的未來(lái)。
機(jī)器學(xué)習(xí)是人工智能的一個(gè)子類別,被定義為一種系統(tǒng)或軟件,它使用算法來(lái)檢查數(shù)據(jù),隨后識(shí)別模式或確定解決方案。與人們普遍認(rèn)為機(jī)器學(xué)習(xí)是一種新奇的現(xiàn)象相反,可以說(shuō)它的雛形可以追溯到20世紀(jì)40年代,當(dāng)時(shí)第一批研究人員開始用電路重新創(chuàng)建大腦的神經(jīng)元。1957年,Mark I Perceptron是該領(lǐng)域的第一個(gè)重大成功:該機(jī)器能夠?qū)斎霐?shù)據(jù)進(jìn)行獨(dú)立分類。在這樣做的過程中,該設(shè)備從以前的嘗試中的錯(cuò)誤中學(xué)習(xí),從而隨著時(shí)間的推移改進(jìn)了分類。從那時(shí)起,基礎(chǔ)已經(jīng)奠定,研究人員開始對(duì)該技術(shù)的可能性和潛力著迷。與此同時(shí),我們每天都會(huì)在生活的各個(gè)領(lǐng)域遇到人工智能。從語(yǔ)音識(shí)別到智能聊天機(jī)器人,再到個(gè)性化的治療方案,機(jī)器學(xué)習(xí)正在被用于各種應(yīng)用中。
有監(jiān)督與無(wú)監(jiān)督的機(jī)器學(xué)習(xí)
在機(jī)器學(xué)習(xí)的范圍內(nèi),區(qū)分不同的方法和模型是很重要的。不是所有的機(jī)器學(xué)習(xí)都是一樣的。例如,必須對(duì)有監(jiān)督和無(wú)監(jiān)督的機(jī)器學(xué)習(xí)進(jìn)行區(qū)分。有監(jiān)督的機(jī)器學(xué)習(xí)要求有分類數(shù)據(jù)(輸入數(shù)據(jù))和目標(biāo)變量(輸出數(shù)據(jù))。從這些中得出模型,然后檢查新的未分類的數(shù)據(jù),并確定這些本身的目標(biāo)變量。這種形式的機(jī)器學(xué)習(xí)被用于預(yù)測(cè),例如:預(yù)測(cè)維修間隔時(shí)間。
在無(wú)監(jiān)督機(jī)器學(xué)習(xí)中,作為一個(gè)起點(diǎn),情況正好相反。軟件沒有目標(biāo)變量(輸出數(shù)據(jù)),但必須根據(jù)輸入數(shù)據(jù)來(lái)識(shí)別模式或建議解決方案。這種類型的機(jī)器學(xué)習(xí),除其他外,在市場(chǎng)營(yíng)銷中被用來(lái)識(shí)別客戶群,即所謂的 "聚類"。但也有其他區(qū)別。例如,還有半監(jiān)督學(xué)習(xí),即在大量的原始數(shù)據(jù)中只使用少量的預(yù)定義數(shù)據(jù)來(lái)訓(xùn)練模型,以及強(qiáng)化學(xué)習(xí),即系統(tǒng)根據(jù)預(yù)定義規(guī)則進(jìn)行自我學(xué)習(xí)。因此,用戶必須根據(jù)原始數(shù)據(jù)和目標(biāo)變量來(lái)選擇合適的方法。
機(jī)器學(xué)習(xí)如何應(yīng)用于增材制造?
作為一個(gè)數(shù)字化的生產(chǎn)過程,增材制造得益于機(jī)器學(xué)習(xí)的能力。由于在增材制造價(jià)值鏈上收集和處理了無(wú)數(shù)的實(shí)時(shí)數(shù)據(jù),它們可以被用來(lái)分析實(shí)際狀態(tài),并隨后重新定義目標(biāo)狀態(tài)。在這樣做時(shí),公司首先要確定哪些數(shù)據(jù)是相關(guān)的。這一決定在每個(gè)案例中都取決于所使用的過程。下一步是在定義數(shù)據(jù)收集和處理的合適模型或算法之前,找到并整合合適的測(cè)量工具來(lái)捕捉數(shù)值。在這種情況下,了解增材價(jià)值鏈上的所有步驟相互影響也很重要,這就是為什么在大多數(shù)情況下,孤立的觀點(diǎn)是不合適的。例如,設(shè)計(jì)已經(jīng)影響到后續(xù)的部件質(zhì)量,而所需的部件質(zhì)量又影響到設(shè)計(jì)。出于這個(gè)原因,越來(lái)越多的公司正試圖提供一個(gè)全面的軟件解決方案,通過該方案,人工智能的優(yōu)勢(shì)可以在增材制造過程中得到最佳利用。
智能設(shè)計(jì)
每個(gè)3D打印部件的開始是一個(gè)文件,在大多數(shù)情況下是一個(gè)CAD文件。這已經(jīng)是公司可以從人工智能中受益的地方。例如,今天市場(chǎng)上的大多數(shù)軟件解決方案已經(jīng)使用人工智能,根據(jù)預(yù)定的變量向用戶建議智能設(shè)計(jì)變體。這個(gè)過程被稱為生成式設(shè)計(jì),以及其他方面。機(jī)器學(xué)習(xí)也被用于拓?fù)浣Y(jié)構(gòu)優(yōu)化。許多軟件解決方案還對(duì)生產(chǎn)方法、材料和安裝空間的最佳使用提出建議。這可以節(jié)省成本,不僅更有效地生產(chǎn)零件,而且更可持續(xù)。
△nTop軟件的模擬工具提出了晶格結(jié)構(gòu)的幾種變體,并根據(jù)重量和機(jī)械性能對(duì)其進(jìn)行排序
質(zhì)量保證
如果3D打印文件已經(jīng)被優(yōu)化,那么重點(diǎn)可能轉(zhuǎn)而放在所使用的3D打印工藝、材料質(zhì)量和部件質(zhì)量上。今天,許多制造商已經(jīng)在他們的機(jī)器上集成了攝像頭和傳感器,它們可以跟蹤打印,并在必要時(shí)發(fā)出警報(bào)或停止打印。在這個(gè)步驟中,重要的是要知道在打印過程中如何定義部件的質(zhì)量,以便能夠定義所需的測(cè)量值。同樣重要的是,要定義機(jī)器在哪個(gè)閾值時(shí)應(yīng)該執(zhí)行哪個(gè)動(dòng)作。今天,一些算法已經(jīng)能夠獨(dú)立定義這些參數(shù),并在已經(jīng)收集的數(shù)據(jù)基礎(chǔ)上進(jìn)一步發(fā)展模型。用一個(gè)實(shí)際的例子可以最好地解釋這一點(diǎn)。
EOS與瑞士軟件供應(yīng)商N(yùn)NAISENSE合作,為DMLS工藝開發(fā)了一個(gè)數(shù)字孿生技術(shù)。在打印過程中,使用光學(xué)斷層掃描(OT)從每個(gè)打印層采集熱圖像,并與AI預(yù)測(cè)的圖像進(jìn)行比較。這使得異常情況可以被立即發(fā)現(xiàn),并在必要時(shí)停止打印過程,從而節(jié)省材料和成本。NNAISENSE開發(fā)的模型是一種自我監(jiān)督的深度學(xué)習(xí)策略。西門子強(qiáng)調(diào),使用人工智能和機(jī)器學(xué)習(xí)的增材制造(AM)質(zhì)量保證可以縮短從原型到成品部件的時(shí)間,并加快大批量生產(chǎn)的效率。該公司對(duì)EOS集成的用于監(jiān)控各個(gè)打印層的攝像頭表示贊賞,因?yàn)樗梢詫?shí)時(shí)識(shí)別待打印部件上的缺失粉末(左)或重涂期間的粉末掉落(右)。
每個(gè)涂層的質(zhì)量被記錄為一個(gè)數(shù)值,并自動(dòng)進(jìn)行評(píng)估。當(dāng)這個(gè)所謂的嚴(yán)重性分?jǐn)?shù)達(dá)到一定的閾值時(shí),它可以表明涂層存在嚴(yán)重問題(如上面的例子)。該公司表示,這簡(jiǎn)化了光學(xué)檢查,因?yàn)橹挥嘘P(guān)鍵層需要由專家來(lái)評(píng)估。
進(jìn)一步的應(yīng)用
Post Process公司的后處理軟件——AUTOMAT3D,可以實(shí)時(shí)監(jiān)測(cè)關(guān)鍵的工藝因素,并自主地做出反應(yīng),以實(shí)現(xiàn)3D打印部件的最佳完成度。為了做到這一點(diǎn),該公司使用來(lái)自數(shù)十萬(wàn)個(gè)基準(zhǔn)零件的數(shù)據(jù)。此外,人工智能正被越來(lái)越多地用于自動(dòng)化和優(yōu)化工作流程。在關(guān)鍵部件中安裝了智能傳感器,它是智能和預(yù)防性維護(hù),或"預(yù)測(cè)性維護(hù)"的測(cè)量工具。可以預(yù)見的是,在未來(lái)幾年,機(jī)器學(xué)習(xí)在制造商生產(chǎn)過程中的應(yīng)用將繼續(xù)增加。預(yù)計(jì)到2028年,全球人工智能和高級(jí)機(jī)器學(xué)習(xí)的市場(chǎng)將達(dá)到4713.9億美元,增長(zhǎng)率(CAGR)為35.2%。