AI를 사용하여 디지털 제조를 제어하는 ​​방법은 무엇입니까?

과학자 및 엔지니어가 3D 프린팅에 사용할 수 있는 특별한 품질의 새로운 소재를 지속적으로 개발하고 있지만 이는 어렵고 비용이 많이 드는 작업이 될 수 있습니다.

신소재에 대한 최고의 인쇄 품질을 일관되게 생성하는 최상의 매개변수를 찾으려면 전문 작업자가 수동으로 시행착오 실험을 수행해야 하는 경우가 많으며 때로는 수천 장의 인쇄물을 생성해야 합니다. 인쇄 속도와 프린터에 쌓인 재료의 양은 일부 변수입니다.

이제 MIT 연구원들은 AI를 사용하여 이 프로세스를 단순화하고 있습니다. 그들은 컴퓨터 비전을 사용하여 생산 프로세스를 모니터링하고 처리 오류를 실시간으로 수정하는 ML 시스템을 개발했습니다.

시뮬레이션을 사용하여 인쇄 매개변수를 변경하여 오류를 줄이는 방법에 대해 신경망을 훈련한 후 컨트롤러를 실제 3D 프린터에 배치했습니다.

이 작업은 신경망을 가르치기 위해 수천만, 수억 개의 실제 물체를 인쇄하는 과정을 피합니다. 또한 이를 통해 엔지니어는 새로운 재료를 설계에 더 쉽게 통합하여 고유한 화학적 또는 전기적 특성을 가진 제품을 만들 수 있습니다. 또한 설정이나 인쇄되는 재료에 예상치 못한 변화가 있는 경우 기술자가 인쇄 프로세스를 더 쉽게 조정할 수 있습니다.

디지털 제조 방법에 가장 적합한 매개변수를 선택하는 것은 시행착오의 양으로 인해 프로세스에서 가장 비용이 많이 드는 단계 중 하나일 수 있습니다. 또한 기술자가 잘 작동하는 조합을 발견하면 이러한 매개변수는 해당 특정 상황에서만 최적입니다. 다양한 환경, 다양한 장비에서 물질이 어떻게 작용하는지 또는 새로운 배치의 특성이 다른지 여부에 대한 정보가 부족하기 때문입니다.

또한 ML 시스템을 사용하는데 어려움이 있습니다. 연구자들은 먼저 프린터에서 일어나는 일을 실시간으로 측정해야 합니다.

이를 위해 그들은 3D 프린터의 노즐을 향하는 두 대의 카메라를 갖춘 머신 비전 장치를 개발했습니다. 이 기술은 재료가 증착될 때 조명을 비추고 통과하는 빛의 양에 따라 재료의 두께를 결정합니다.

이 제조 공정을 이해하기 위해 신경망 기반 컨트롤러를 교육하려면 수백만 장의 인쇄물이 필요하며 이는 데이터 집약적인 작업입니다.

그들의 컨트롤러는 강화 학습이라는 방법을 사용하여 훈련됩니다. 이 방법은 모델에 오류가 있을 때 비용을 지불하여 교육합니다. 모델에는 가상 환경에서 특정 개체를 생성할 수 있는 인쇄 매개변수를 선택해야 합니다. 모델에 예측 결과가 제공되면 인쇄된 결과와 예상 결과 간의 차이를 최소화하는 매개변수를 선택하여 이를 얻을 수 있습니다.

이 경우 "오류"는 모델에 너무 많은 재료가 할당되어 비어 있어야 할 공간을 채우거나, 재료가 충분하지 않아 채워야 할 공간이 남는 것을 의미합니다.

그러나 현실 세계는 모델보다 더 험난합니다. 실제로는 작은 변동이나 인쇄 프로세스 소음으로 인해 조건이 변경되는 경우가 많습니다. 연구원들은 이 방법을 사용하여 소음을 시뮬레이션하여 보다 정확한 결과를 얻었습니다.

컨트롤러를 테스트했을 때 이 인쇄된 개체는 그들이 조사한 다른 어떤 제어 전략보다 더 정확하게 인쇄되었습니다. 특히 물체의 내부를 인쇄하는 충전재를 인쇄할 때 효과적입니다. 연구진의 컨트롤러는 물체가 수평을 유지하도록 인쇄 경로를 변경했고, 다른 컨트롤러는 인쇄된 물체가 위쪽으로 튀어나오도록 많은 양의 재료를 배치했습니다.

재료가 증착된 후에도 제어 전략은 재료가 어떻게 분산되고 매개변수에 적응하는지 이해할 수 있습니다.

연구원들은 다른 제조 공정에 대한 제어 장치를 만들려고 했으며 이제 3D 프린팅에서 이 접근 방식의 효율성을 입증했습니다. 또한 여러 재료 층이 있거나 다양한 재료가 동시에 생산되는 상황에 맞게 전략을 변경하는 방법도 연구하고 싶어합니다. 또한 그들의 방법은 각 재료의 점도가 일정하다고 가정하지만 향후 버전에서는 AI를 사용하여 점도를 실시간으로 감지하고 계산할 수 있습니다.

위 내용은 AI를 사용하여 디지털 제조를 제어하는 ​​방법은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!