Bagaimana menggunakan AI untuk mengawal pembuatan digital?

Walaupun saintis dan jurutera sentiasa mencipta bahan baharu dengan kualiti istimewa yang boleh digunakan untuk pencetakan 3D, ini boleh menjadi tugas yang mencabar dan mahal.

Untuk mencari parameter terbaik yang secara konsisten menghasilkan kualiti cetakan terbaik untuk bahan baharu, pengendali profesional selalunya perlu menjalankan percubaan percubaan dan ralat manual, kadangkala mencipta beribu-ribu cetakan. Kelajuan cetakan dan jumlah bahan yang disimpan oleh pencetak adalah beberapa pembolehubah.

Kini, penyelidik MIT menggunakan AI untuk memudahkan proses ini. Mereka membangunkan sistem ML yang menggunakan penglihatan komputer untuk memantau proses pengeluaran dan membetulkan ralat pemprosesan dalam masa nyata.

Selepas menggunakan simulasi untuk melatih rangkaian saraf tentang cara menukar parameter pencetakan untuk mengurangkan ralat, mereka meletakkan pengawal pada pencetak 3D sebenar.

Kerja ini mengelakkan proses mencetak puluhan atau ratusan juta objek sebenar untuk mengajar rangkaian saraf. Selain itu, ini mungkin memudahkan jurutera untuk memasukkan bahan baru ke dalam reka bentuk mereka, membolehkan mereka mencipta produk dengan sifat kimia atau elektrik yang unik. Ini juga mungkin memudahkan juruteknik membuat pelarasan pantas pada proses pencetakan jika terdapat perubahan yang tidak dijangka dalam tetapan atau bahan yang dicetak.

Memilih parameter terbaik untuk kaedah pembuatan digital boleh menjadi salah satu langkah paling mahal dalam proses kerana jumlah percubaan dan ralat yang terlibat. Tambahan pula, sebaik sahaja juruteknik menemui gabungan yang berfungsi dengan baik, parameter ini hanya optimum dalam situasi tertentu itu. Kerana terdapat kekurangan maklumat tentang prestasi bahan dalam pelbagai persekitaran, pada pelbagai peralatan, atau sama ada kumpulan baharu mempunyai ciri yang berbeza.

Selain itu, terdapat kesukaran menggunakan sistem ML. Para penyelidik perlu terlebih dahulu membuat pengukuran masa nyata tentang apa yang berlaku pada pencetak.

Untuk melakukan ini, mereka membangunkan peranti penglihatan mesin dengan dua kamera dihalakan pada muncung pencetak 3D. Teknologi ini menerangi bahan semasa ia dimendapkan dan menentukan ketebalannya berdasarkan jumlah cahaya yang melaluinya.

Melatih pengawal berasaskan rangkaian saraf untuk memahami proses pembuatan ini memerlukan berjuta-juta cetakan, yang merupakan operasi intensif data.

Pengawal mereka dilatih menggunakan kaedah yang dipanggil pembelajaran tetulang, yang mendidik model dengan membayarnya apabila ia membuat ralat. Model ini memerlukan pemilihan parameter pencetakan yang boleh menghasilkan objek tertentu dalam persekitaran maya. Apabila model diberi hasil ramalan, ia boleh diperoleh dengan memilih parameter yang meminimumkan varians antara hasil cetakan dan hasil yang dijangkakan.

Dalam kes ini, "ralat" bermaksud model sama ada mempunyai terlalu banyak bahan yang diperuntukkan, mengisi ruang yang sepatutnya kekal kosong, atau tidak mencukupi bahan, meninggalkan ruang yang perlu diisi.

Walau bagaimanapun, dunia sebenar lebih kasar daripada model. Dalam amalan, keadaan sering berubah disebabkan oleh turun naik kecil atau bunyi proses pencetakan. Para penyelidik menggunakan kaedah ini untuk mensimulasikan bunyi, menghasilkan keputusan yang lebih tepat.

Apabila pengawal diuji, ini mencetak objek dengan lebih tepat daripada mana-mana strategi kawalan lain yang mereka periksa. Ia amat berkesan apabila mencetak bahan pengisi, yang melibatkan pencetakan bahagian dalam objek. Pengawal penyelidik menukar laluan pencetakan supaya objek kekal mendatar, manakala beberapa pengawal lain meletakkan sejumlah besar bahan supaya objek yang dicetak akan menonjol ke atas.

Walaupun selepas bahan didepositkan, strategi kawalan boleh mempelajari cara ia tersebar dan menyesuaikan diri dengan parameter.

Para penyelidik berhasrat untuk mencipta kawalan untuk proses pembuatan lain, dan kini mereka telah menunjukkan kecekapan pendekatan ini dalam percetakan 3D. Mereka juga ingin mengkaji cara mengubah strategi untuk menampung situasi di mana terdapat pelbagai lapisan bahan atau pelbagai bahan dihasilkan secara serentak. Selain itu, kaedah mereka menganggap kelikatan malar untuk setiap bahan, tetapi versi akan datang mungkin menggunakan AI untuk mengesan dan mengira kelikatan dalam masa nyata.

Atas ialah kandungan terperinci Bagaimana menggunakan AI untuk mengawal pembuatan digital?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!