Wie kann KI zur Steuerung der digitalen Fertigung eingesetzt werden?

Während Wissenschaftler und Ingenieure ständig neue Materialien mit besonderen Eigenschaften entwickeln, die für den 3D-Druck verwendet werden können, kann dies eine herausfordernde und kostspielige Aufgabe sein.

Um die besten Parameter zu finden, die dauerhaft die beste Druckqualität für neue Materialien liefern, müssen professionelle Bediener häufig manuelle Versuch-und-Irrtum-Experimente durchführen und dabei manchmal Tausende von Drucken erstellen. Zu den Variablen zählen unter anderem die Druckgeschwindigkeit und die vom Drucker aufgetragene Materialmenge.

Jetzt nutzen MIT-Forscher KI, um diesen Prozess zu vereinfachen. Sie entwickelten ein ML-System, das mithilfe von Computer Vision den Produktionsprozess überwacht und Verarbeitungsfehler in Echtzeit behebt.

Nachdem sie das neuronale Netzwerk mithilfe von Simulationen darin trainiert hatten, Druckparameter zu ändern, um Fehler zu reduzieren, installierten sie den Controller auf einem echten 3D-Drucker.

Diese Arbeit vermeidet den Prozess, Dutzende oder Hunderte Millionen realer Objekte zu drucken, um neuronale Netze zu unterrichten. Darüber hinaus könnte es für Ingenieure einfacher sein, neuartige Materialien in ihre Designs einzubeziehen, sodass sie Produkte mit einzigartigen chemischen oder elektrischen Eigenschaften herstellen können. Dies kann es Technikern auch erleichtern, schnelle Anpassungen am Druckprozess vorzunehmen, wenn unerwartete Änderungen an den Einstellungen oder dem zu druckenden Material auftreten.

Die Auswahl der besten Parameter für eine digitale Fertigungsmethode kann aufgrund des damit verbundenen Aufwands an Versuch und Irrtum einer der teuersten Schritte im Prozess sein. Sobald der Techniker außerdem eine Kombination entdeckt, die gut funktioniert, sind diese Parameter nur in dieser spezifischen Situation optimal. Denn es fehlen Informationen darüber, wie sich der Stoff in verschiedenen Umgebungen und auf verschiedenen Geräten verhält oder ob neue Chargen unterschiedliche Eigenschaften aufweisen.

Außerdem gibt es Schwierigkeiten bei der Verwendung von ML-Systemen. Die Forscher mussten zunächst in Echtzeit messen, was am Drucker passierte.

Dazu entwickelten sie ein Bildverarbeitungsgerät mit zwei auf die Düse des 3D-Druckers gerichteten Kameras. Die Technologie beleuchtet das Material beim Auftragen und bestimmt seine Dicke anhand der durchfallenden Lichtmenge.

Um einen auf einem neuronalen Netzwerk basierenden Controller zu trainieren, um diesen Herstellungsprozess zu verstehen, sind Millionen von Drucken erforderlich, was ein datenintensiver Vorgang ist.

Ihr Controller wird mit einer Methode namens Reinforcement Learning trainiert, die das Modell schult, indem es es bezahlt, wenn es einen Fehler macht. Das Modell erfordert die Auswahl von Druckparametern, die bestimmte Objekte in der virtuellen Umgebung erzeugen können. Wenn dem Modell ein Vorhersageergebnis gegeben wird, kann es durch Auswahl von Parametern erhalten werden, die die Abweichung zwischen dem gedruckten Ergebnis und dem erwarteten Ergebnis minimieren.

In diesem Fall bedeutet „Fehler“, dass dem Modell entweder zu viel Material zugewiesen ist, wodurch Räume gefüllt werden, die leer bleiben sollten, oder dass zu wenig Material vorhanden ist, sodass Räume übrig bleiben, die gefüllt werden müssen.

Allerdings ist die reale Welt rauer als das Modell. In der Praxis ändern sich die Bedingungen oft durch kleine Schwankungen oder Druckgeräusche. Die Forscher nutzten diese Methode, um Lärm zu simulieren, was zu genaueren Ergebnissen führte.

Als der Controller getestet wurde, druckte er Objekte genauer als jede andere von ihnen untersuchte Steuerungsstrategie. Dies ist besonders effektiv beim Drucken von Füllmaterialien, bei denen das Innere eines Objekts bedruckt wird. Der Controller der Forscher änderte den Druckpfad so, dass das Objekt horizontal blieb, während andere Controller große Mengen Material platzierten, sodass das gedruckte Objekt nach oben ragte.

Auch nachdem das Material abgelegt wurde, kann die Kontrollstrategie nachvollziehen, wie es sich verteilt und sich an die Parameter anpasst.

Die Forscher wollten Steuerungen für andere Herstellungsprozesse schaffen und haben nun die Effizienz dieses Ansatzes im 3D-Druck nachgewiesen. Sie möchten auch untersuchen, wie die Strategie geändert werden kann, um Situationen gerecht zu werden, in denen mehrere Materialschichten vorhanden sind oder verschiedene Materialien gleichzeitig hergestellt werden. Darüber hinaus geht ihre Methode von einer konstanten Viskosität für jedes Material aus, zukünftige Versionen könnten jedoch KI nutzen, um die Viskosität in Echtzeit zu erkennen und zu berechnen.

Das obige ist der detaillierte Inhalt vonWie kann KI zur Steuerung der digitalen Fertigung eingesetzt werden?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!