Comment utiliser l'IA pour contrôler la fabrication numérique ?

Alors que les scientifiques et les ingénieurs créent constamment de nouveaux matériaux dotés de qualités particulières pouvant être utilisés pour l'impression 3D, cela peut s'avérer une tâche difficile et coûteuse.

Pour trouver les meilleurs paramètres qui produisent systématiquement la meilleure qualité d'impression pour les nouveaux matériaux, les opérateurs professionnels doivent souvent mener des expériences manuelles par essais et erreurs, créant parfois des milliers d'impressions. La vitesse d'impression et la quantité de matériau déposée par l'imprimante sont quelques-unes des variables.

Désormais, les chercheurs du MIT utilisent l'IA pour simplifier ce processus. Ils ont développé un système ML qui utilise la vision par ordinateur pour surveiller le processus de production et corriger les erreurs de traitement en temps réel.

Après avoir utilisé des simulations pour entraîner le réseau neuronal à modifier les paramètres d'impression afin de réduire les erreurs, ils ont placé le contrôleur sur une véritable imprimante 3D.

Ce travail évite le processus d'impression de dizaines ou de centaines de millions d'objets réels pour enseigner les réseaux de neurones. De plus, cela pourrait permettre aux ingénieurs d’incorporer plus facilement de nouveaux matériaux dans leurs conceptions, leur permettant ainsi de créer des produits dotés de propriétés chimiques ou électriques uniques. Cela peut également permettre aux techniciens d'effectuer plus facilement des ajustements rapides du processus d'impression en cas de changements inattendus dans les paramètres ou dans le matériau à imprimer.

Choisir les meilleurs paramètres pour une méthode de fabrication numérique peut être l'une des étapes les plus coûteuses du processus en raison du nombre d'essais et d'erreurs impliqués. De plus, une fois que le technicien découvre une combinaison qui fonctionne bien, ces paramètres ne sont optimaux que dans cette situation spécifique. Parce qu'il y a un manque d'informations sur la façon dont la substance se comporte dans divers environnements, sur divers équipements, ou sur la question de savoir si les nouveaux lots ont des caractéristiques différentes.

De plus, l'utilisation des systèmes ML présente des difficultés. Les chercheurs ont d’abord dû mesurer en temps réel ce qui se passait au niveau de l’imprimante.

Pour ce faire, ils ont développé un dispositif de vision industrielle avec deux caméras pointées vers la buse de l'imprimante 3D. La technologie éclaire le matériau au fur et à mesure de son dépôt et détermine son épaisseur en fonction de la quantité de lumière qui le traverse.

La formation d'un contrôleur basé sur un réseau neuronal pour comprendre ce processus de fabrication nécessite des millions d'impressions, ce qui est une opération gourmande en données.

Leur contrôleur est formé à l'aide d'une méthode appelée apprentissage par renforcement, qui éduque le modèle en le rémunérant lorsqu'il commet une erreur. Le modèle nécessite la sélection de paramètres d'impression pouvant produire des objets spécifiques dans l'environnement virtuel. Lorsque le modèle reçoit un résultat de prédiction, celui-ci peut être obtenu en sélectionnant des paramètres qui minimisent la variance entre le résultat imprimé et le résultat attendu.

Dans ce cas, « erreur » signifie que le modèle a soit trop de matière allouée, remplissant des espaces qui devraient rester vides, soit pas assez de matière, laissant des espaces qui doivent être remplis.

Cependant, le monde réel est plus rude que le modèle. Dans la pratique, les conditions changent souvent en raison de petites fluctuations ou du bruit du processus d'impression. Les chercheurs ont utilisé cette méthode pour simuler le bruit, obtenant ainsi des résultats plus précis.

Lorsque le contrôleur a été testé, il a imprimé les objets avec plus de précision que toute autre stratégie de contrôle examinée. Cette méthode est particulièrement efficace lors de l’impression de matériaux de remplissage, ce qui implique l’impression de l’intérieur d’un objet. Le contrôleur des chercheurs a modifié le chemin d'impression afin que l'objet reste horizontal, tandis que d'autres contrôleurs ont placé de grandes quantités de matériau de manière à ce que l'objet imprimé dépasse vers le haut.

Même après le dépôt du matériau, la stratégie de contrôle peut comprendre comment il se disperse et s'adapte aux paramètres.

Les chercheurs avaient l'intention de créer des contrôles pour d'autres processus de fabrication, et ils ont maintenant démontré l'efficacité de cette approche dans l'impression 3D. Ils souhaitent également étudier comment modifier la stratégie pour s'adapter aux situations dans lesquelles plusieurs couches de matériaux ou divers matériaux sont produits simultanément. De plus, leur méthode suppose une viscosité constante pour chaque matériau, mais les futures versions pourraient utiliser l’IA pour détecter et calculer la viscosité en temps réel.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!