机器学习:人工智能对增材制造的重要性

机器学习:人工智能对增材制造的重要性

对于许多公司而言,数字化和自动化是增材制造进一步发展的关键。因此,越来越多的制造商依赖基于云的解决方案并将各种算法集成到他们的 3D 打印解决方案中,以充分利用该技术的潜力。作为数字化过程本身,3D 打印是工业 4.0 的一部分,因此是人工智能时代的重要组成部分。,例如机器学习,越来越多地被用于优化价值链。人工智能 (AI) 能够在很短的时间内处理大量复杂的数据,这就是它作为决策者变得越来越重要的原因。我们解释了机器学习是什么以及为什么这种形式的人工智能有助于塑造增材制造的未来。

机器学习是人工智能的一个子类别,被定义为使用算法检查数据并随后识别模式或确定解决方案的系统或软件。与普遍认为机器学习是一种新奇现象相反,可以说它的起源可以追溯到 1940 年代,当时第一批研究人员开始用电路重建大脑的神经元。1957 年,Mark I Perceptron 是该领域的第一个重大成功:机器能够独立对输入数据进行分类。在这样做的过程中,该设备从先前尝试中的错误中学习,随着时间的推移改进了分类。从那时起,奠定了基础,研究人员对这项技术的可能性和潜力着迷。同时,我们每天在生活的各个领域都会遇到人工智能。从语音识别到智能聊天机器人再到个性化治疗计划,机器学习正被用于各种应用。

机器学习:人工智能对增材制造的重要性
Mark I 感知器为机器学习奠定了基础。

监督与无监督机器学习

在机器学习范围内,区分不同的方法和模型很重要。并非所有机器学习都是一样的。例如,必须区分有监督和无监督的机器学习。监督机器学习要求分类数据(输入数据)和目标变量(输出数据)可用。从这些中导出模型,然后检查(新的)未分类数据并确定这些本身的目标变量。例如,这种形式的机器学习用于预测,例如:用于预测维护间隔。

在无监督机器学习中,作为起点,情况正好相反。该软件没有目标变量(输出数据),但必须根据输入数据识别模式或建议解决方案。除其他外,这种类型的机器学习在营销中用于识别客户群,即所谓的“聚类”。但还有其他不同之处。例如,还有半监督学习,即在大量原始数据中仅使用少量预定义数据来训练模型,以及强化学习,即系统根据预定义规则进行自我学习。因此,用户必须根据原始数据和目标变量选择合适的方法。

机器学习如何用于增材制造?

作为数字化生产过程,增材制造受益于机器学习的能力。由于沿附加价值链收集和处理(实时)无数数据,它们可用于分析 ACTUAL 状态并随后重新定义 TARGET 状态。为此,公司首先要确定哪些数据是相关的。该决定在每种情况下都取决于所使用的过程。下一步是在为数据收集和处理定义合适的模型或算法之前,找到并集成合适的测量工具来捕获值。在这种情况下,理解附加价值链上的所有步骤相互影响也很重要,这就是为什么在大多数情况下孤立的观点是不合适的。例如,设计已经影响了后续的组件质量,而所需的组件质量会影响设计。出于这个原因,越来越多的公司正试图提供一种全面的软件解决方案,通过该解决方案,可以在增材制造过程中以最佳方式利用人工智能的优势。

智能设计

每个 3D 打印组件的开头都是一个文件,在大多数情况下是一个 CAD 文件。这已经是公司可以从人工智能中受益的地方。例如,当今市场上的大多数软件解决方案已经使用人工智能根据预定义的变量向用户建议智能设计变体。这个过程被称为衍生式设计等。机器学习也用于拓扑优化。许多软件解决方案还对生产方法、材料和安装空间的优化使用提出建议。这不仅可以节省成本,而且可以更高效、更可持续地生产零件。

机器学习:人工智能对增材制造的重要性
nTop 软件的仿真工具提出了晶格结构的几种变体,并根据重量和机械性能对它们进行排名(图片来源:nTopology)

质量保证

如果 3D 可打印文件已经过优化,则重点可能会放在所使用的 3D 打印过程、材料质量和组件质量上。今天,许多制造商已经将摄像头和传感器集成到他们的机器中,它们可以跟踪打印并在必要时发出警报或停止打印。在此步骤中,重要的是要了解在打印过程中如何定义零件的质量,以便能够定义所需的测量值。定义机器应该在哪个阈值下执行哪个动作也很重要。今天,一些算法已经能够独立定义这些参数,并在已经收集的数据的基础上进一步开发模型。最好通过一个实际示例来解释它的外观。

机器学习:人工智能对增材制造的重要性

EOS 与瑞士软件供应商 NNAISENSE 合作,为 DMLS 流程开发数字孪生。在打印过程中,使用光学断层扫描 (OT) 从每个打印层捕获热图像,并与 AI 预测的图像进行比较。这允许立即检测异常并在必要时停止打印过程,从而节省材料和成本。NNAISENSE 开发的模型是一种自我监督的深度学习策略。西门子强调使用人工智能和机器学习的增材制造 (AM) 质量保证可以缩短从原型到成品的时间,并加快大批量生产的效率。该公司很欣赏 EOS 集成的用于监控各个打印层的摄像头,因为它可以实时识别待打印部件上的缺失粉末(左)或重涂过程中的粉末滴落(右)。

机器学习:人工智能对增材制造的重要性
左:因漏粉造成的异常;右:重涂过程中的错误(照片来源:西门子)

每个涂层的质量被记录为一个数值并自动评估。当这个所谓的严重性分数达到某个阈值时,它可以表明涂层存在严重问题(如上例所示)。该公司表示,这简化了光学检查,因为只有关键层需要由专家进行评估。

进一步的应用

AUTOMAT3D 是 PostProcess 的后处理软件,可实时监控关键工艺因素并自主响应,以实现 3D 打印零件的最佳表面处理。为此,该公司使用来自数十万个基准部件的数据。此外,人工智能越来越多地用于自动化和优化工作流程。智能传感器存在于关键部件中,是智能和预防性维护或“预测性维护”的测量仪器。可以预见,机器学习在制造商的生产过程中的使用将在未来几年继续增加。到 2028 年,全球人工智能和高级机器学习市场预计将达到 4713.9 亿美元,增长率 (CAGR) 为 35.2%。

    Leave a Comment

    Your email address will not be published.