Выходя за рамки основ:машинное обучение и AM

В эпоху Индустрии 4.0 производство все больше приближается к миру машинного обучения и искусственного интеллекта. Мир, в котором можно разработать системы, управляемые данными, для улучшения производственных процессов. А аддитивное производство может использовать преимущества машинного обучения для повышения эффективности, повышения качества продукции и оптимизации рабочих процессов AM.

Повышение эффективности с помощью машинного обучения

По мере того как аддитивное производство расширяется для конечного использования, достижения в области машинного обучения не ограничиваются перспективой создания беспилотных автомобилей. Машинное обучение можно использовать в аддитивном производстве для повышения эффективности, отчасти за счет исключения методов проб и ошибок в процессе производства.

Большое количество факторов, таких как ориентация детали или конструкция опорных конструкций, потенциально могут повлиять на структуру материала детали и привести к отказу конструкции. Это неизбежно означает, что причину сбоя сборки можно отнести к ряду переменных. Как правило, для обеспечения надежного процесса печати применяется метод проб и ошибок. Однако, поскольку для достижения оптимального процесса необходимо пройти ряд неудач, метод проб и ошибок неизбежно неэффективен. Машинное обучение может помочь обойти метод проб и ошибок в производстве, разработав систему, которая помогает машинам заранее определять переменные и параметры, тем самым оптимизируя производственный процесс.

Управление военно-морских исследований (ONR) ВМС США недавно заключило партнерское соглашение с компанией Senvol, занимающейся данными, для разработки программного обеспечения машинного обучения, которое может анализировать взаимосвязь между параметрами процесса AM и характеристиками материалов. Цель состоит в том, чтобы позволить ONR снизить зависимость от традиционных испытаний материалов.

Центр ADAPT в Колорадо уже приступил к исследованию того, как машинное обучение может определить внутреннюю геометрию детали, спрогнозировать правильные параметры для любой новой детали и, таким образом, оптимизировать процесс печати. ​​

Использование машинного обучения для повышения качества процессов

Машинное обучение также может быть реализовано, чтобы добавить еще один уровень контроля качества в производственный процесс, поскольку машины в конечном итоге могут самокорректировать и контролировать себя. Используя технологию машинного обучения, можно анализировать большие объемы данных и использовать их для получения информации о состоянии каждого этапа производства в реальном времени. Машины могут использовать алгоритмы для поиска закономерностей в производственных данных и на их основе строить прогнозные модели, уточняемые путем сравнения с реальными данными.

В прошлом году GE обнародовала результаты своего исследования по использованию машинного интеллекта и цифрового двойника для повышения производительности машин и материалов для 3D-печати металлом. Проводя исследования в области машинного обучения, GE стремится сократить отходы материалов за счет выявления проблем с качеством, при этом конечная цель - 100% выход продукции. Исследование GE направлено на достижение полной прозрачности каждого слоя сборки детали, обучение машины распознаванию проблем в самой сборке. Это позволит пользователям увидеть механику и структуру сборки, а также выявлять проблемы на более раннем этапе процесса.

Другие варианты использования машинного обучения

Запасные части

Аддитивное производство оказалось идеальным решением для индустрии запасных частей из-за высоких затрат на хранение и поддержание запасов запасных частей. Аддитивное производство решает эту проблему, позволяя производителям производить и поставлять запасные части по запросу в момент необходимости.

И все же машинное обучение может продвинуть это решение еще на один шаг, чтобы повысить эффективность производственного процесса за счет улучшения возможностей прогнозирования. Например, в случае дискретного производства компании могут использовать модели профилактического обслуживания для прогнозирования срока службы конкретной детали. Машинное обучение также можно использовать, чтобы определить, когда клиенту необходимо заменить детали, используя заранее заданный график данных, что позволяет производителям отправлять запасные части заранее. Поэтому производителям следует рассмотреть возможность использования машинного обучения для снижения затрат и повышения удовлетворенности клиентов.

Машинное обучение - огромный потенциал для AM

Машинное обучение может улучшить производственные процессы, направить процесс принятия решений и в конечном итоге преобразовать бизнес-модели. Применения машинного обучения для AM многочисленны, от улучшения процессов проектирования до повышения эффективности и даже определения возможности печати 3D-объекта до начала процесса печати. Однако внедрение систем машинного обучения и искусственного интеллекта также связано со своими проблемами, требующими стратегического планирования и инвестиций как в программную, так и в аппаратную инфраструктуру. Но в эпоху Индустрии 4.0 очевидно, что использование машинного обучения, искусственного интеллекта и больших данных для AM - это только верхушка айсберга.