マサチューセッツ工科大学 (MIT) の研究者は、3D プリント プロセスを監視および調整してエラーをリアルタイムで修正する機械学習モデルをトレーニングしました。
3D プリントに使用できる新しい素材は常に開発されていますが、それらを使ってプリントする方法を見つけるのは複雑でコストのかかるパズルになる可能性があります。通常、オペレータは、新しい材料を一貫して効率的に印刷するための理想的なパラメータを決定するために、手動で試行錯誤を行う必要があり、場合によっては数千回の印刷を実行する必要があります。
MIT の研究者は、人工知能を使用してプロセスを合理化しました。同庁の科学者は、コンピュータービジョンを使用して製造プロセスを観察し、材料の取り扱い方法のエラーをリアルタイムで修正できる新しい機械学習システムを開発した。
彼らはシミュレーションを使用して、エラーを最小限に抑えるために印刷パラメータを調整する方法をニューラル ネットワークに学習させ、そのコントローラーを実際の 3D プリンターに適用しました。新しいシステムは、他の既存の 3D 印刷コントローラーよりも正確にオブジェクトを印刷できます。
この作業により、ニューラル ネットワークをトレーニングするために数千または数百万の実際のオブジェクトを印刷するという高価なプロセスが回避されます。これにより、エンジニアは新しい材料を 3D プリント製品に組み込むことが容易になり、特殊な電気的または化学的特性を備えた製品の開発に役立つ可能性があります。また、材料や環境条件が予期せず変化した場合に、技術者が印刷プロセスを調整するのにも役立ちます。
「このプロジェクトは、複雑な制御戦略を学習するために機械学習を使用する製造システムを構築する最初のデモンストレーションです」と、このプロジェクトを主導した MIT の電気工学およびコンピュータ サイエンスの教授である Wojciech Matusik 氏は述べています。職場の変化する状況にリアルタイムで適応して生産量やシステムの精度を向上できる、よりスマートな製造装置があれば、機械からより多くの価値を引き出すことができます。」
##パラメータを選択 デジタル製造プロセスの理想的なパラメーターの決定は、多くの試行錯誤が必要となるため、プロセスの中で最もコストがかかる部分の 1 つとなります。技術者が適切に機能する組み合わせを見つけると、これらのパラメータは特定の状況にのみ適用されます。彼らは、材料が他の環境、異なるハードウェア、または異なる特性を示す材料の新しいバッチで動作するかどうかに関するデータをほとんど持っていません。 機械学習システムの使用には課題もたくさんあります。まず、研究者は 3D プリンターで何が起こっているかをリアルタイムで測定する必要があります。 これを実現するために、研究者らは、3D プリンターのノズルに向けた 2 台のカメラを使用するマシン ビジョン システムを開発しました。このシステムは、堆積中の材料に光を当て、通過する光の量に基づいて材料の厚さを計算します。 「視覚システムは、このプロセスをリアルタイムで観察する一対の目と考えることができます」とフォシー氏は言う。 コントローラは、ビジョン システムから受け取った画像を処理し、検出されたエラーに基づいてプリンタの送り速度と方向を調整します。 しかし、この製造プロセスを理解するためにニューラル ネットワーク ベースのコントローラーをトレーニングするには、データ集約型であり、何百万枚もの印刷が必要です。そこで研究者たちはシミュレーターを構築しました。 成功したシミュレーション コントローラーをより適切にトレーニングするために、強化学習と呼ばれるプロセスが使用されました。モデルは試行錯誤を通じて学習し、報われます。モデルのタスクは、シミュレーション環境で特定のオブジェクトを作成するために印刷パラメーターを選択することです。予想される出力を表示した後、モデルは、その出力と予想される結果の間の誤差を最小限に抑えるパラメーターを選択すると報酬を受け取ります。 この場合、「エラー」とは、モデルがマテリアルを割り当てすぎて、開いたままにしておくべき領域にマテリアルを配置したか、または十分なマテリアルを割り当てず、下の空きスポットが残ったことを意味します。満たされる必要があります。モデルはより多くのシミュレートされたプリントを実行するにつれて、報酬を最大化するために制御戦略を更新し、ますます正確になります。 しかし、現実の世界はシミュレーションよりも厄介です。実際には、印刷プロセスにおける小さな変化やノイズによって条件が変化することがよくあります。そこで研究者らは、3D プリンターからのノイズを近似する数値モデルを作成しました。彼らはこのモデルを使用してシミュレーションにノイズを追加し、より現実的な結果を生成しました。 「このノイズ モデルを実装することで、純粋にシミュレーションでトレーニングされたコントロールを変換できることが興味深いことがわかりました。 「トレーニングのための物理的な実験を行うことなく、ハードウェアに転送されます。」と Foshey 氏は言います。「その後、実際のデバイスで微調整を行う必要はありません。」 Whenコントローラーのテスト 以前に評価した他の制御方法よりも正確にオブジェクトを印刷します。オブジェクトの内部を印刷する埋め込み印刷で特に優れたパフォーマンスを発揮します。他のコントローラーの中には、印刷物が盛り上がるほど多くの材料を堆積させたものもありましたが、研究者のコントローラーは、物体が水平に保たれるように印刷経路を調整しました。 彼らの制御戦略は、堆積後に材料がどのように広がるかを理解し、それに応じてパラメータを調整することもできます。 ############自動調整#########
「さまざまな種類の材料を動的に制御できる制御戦略を設計することもできます。そのため、現場で製造プロセスがあり、材料を変更したい場合でも、製造プロセスを再検証する必要はありません。新しいマテリアルをロードするだけで、コントローラーが自動的に調整します」と Foshey 氏は言いました。
3D プリンティングにおけるこの技術の有効性が実証されたので、研究者らは他の製造プロセス用のコントローラーを開発したいと考えています。また、複数のマテリアルのレイヤーを処理したり、複数のマテリアルを同時に印刷したりするためにこの方法をどのように変更できるかについても知りたいと考えています。さらに、彼らの手法では各材料の粘度が一定であることを前提としていますが、将来の反復では AI を使用してリアルタイムで粘度を特定し、調整する可能性があります。
MIT には積層造形における長い歴史があり、Desktop Metal や VulcanForms などの大手 3D プリンティング会社をいくつか生み出してきました。この研究は、FWF Lise-Meitner プログラム、欧州研究評議会開始助成金、および国立科学財団によって部分的に支援されました。
以上がAI を使用して積層造形エラーをリアルタイムで修正するの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。