ارائه دهندگان راه حل برای کاهش خرابی چاپ به یادگیری ماشین روی می آورند.
تولید افزودنی (AM) به عنوان یک فناوری نمونه سازی سریع در اواخر دهه ۱۹۸۰ ظهور کرد. در طول چهار دهه گذشته، سازندگان سختافزار و نرمافزار درک خوبی از اینکه چه چیزی خوب چاپ میشود و چه چیزی خوب نیست، جمعآوری کردهاند و به آنها این امکان را میدهد تا دانش را در نرمافزار آمادهسازی چاپ خود ادغام کنند تا کاربران را از طرحهایی که قرار است با شکست مواجه شوند دور کنند.
گام بعدی در این تکامل، ادغام هوش مصنوعی (هوش مصنوعی) است. برخی از طراحیهای پیشرو برای سازندگان نرمافزار AM (DfAM) در حال حاضر در این مسیر محافظت میکنند. در این مقاله، ما با آنها صحبت می کنیم تا بفهمیم این حرکت چگونه برنامه های AM را تغییر می دهد.
اجازه دهید هوش مصنوعی آن را مرتب کند
Materialize خدمات AM و راه حل های نرم افزاری متمرکز بر کاربردهای صنعتی و بهداشتی را ارائه می دهد. برای بارت ون در شورن، مدیر ارشد فناوری Materialise، رشته دندانپزشکی منطقه ای است که می تواند به وضوح مزایای AM را ببیند.
«شما پل ها، پل های جزئی و تاج دارید. با هوش مصنوعی و یادگیری ماشین، اکنون میتوان این اجسام را از روی هندسه آنها تشخیص داد.»
او اشاره می کند که این تشخیص شکل مبتنی بر هوش مصنوعی (AI) در خودکارسازی جنبه های مختلف آماده سازی چاپ تأثیر دارد. او میگوید: «هر نوع توپولوژی دارای جهتگیری خاصی است که برای یک ماشین بهترین است، ساختار پشتیبانی خاصی دارد که به آن نیاز دارد و به پارامترهای چاپی خاصی نیاز دارد».
با تشخیص شی مبتنی بر هوش مصنوعی، «اپراتور میتواند به سادگی این توپولوژیها را روی پلتفرم بکشد و رها کند و به هوش مصنوعی اجازه دهد آنها را طبقهبندی کند. به طور مشابه، در اسکنهای [توموگرافی کامپیوتری (CT)]، هوش مصنوعی میتواند بر اساس دادههای اسکن، نوع استخوانها را تشخیص دهد.»
عیوب نظارت
یکی دیگر از زمینه هایی که بینایی کامپیوتر ارزش افزوده دارد، خود فرآیند چاپ است. برنامه های هوش مصنوعی می توانند بسیار بیشتر از چشم انسان درک، شناسایی و ضبط کنند. در صنایعی مانند هوافضا، هزینه چاپ تنها حدود ۳۰ تا ۵۰ درصد هزینه تولید است. بقیه به کنترل کیفیت می رسد.
قبل و بعد از یک قطعه با مشکلات مربوط به کیفیت پایین پوست پایین در اورهنگ ۳۰ درجه و گرمای بیش از حد موضعی در نوک. پس از تصحیح با AMAIZE، کامپوننت بدون ساختار پشتیبانی به درستی چاپ شد. تصویر از Autodesk و ۱۰۰۰ کلوین.
هوش مصنوعی میتواند اجزایی را که به اندازه کافی خوب نیستند، آنهایی که دارای نقصهای داخلی هستند که با چشم غیرمسلح قابل مشاهده نیستند، نظارت و شناسایی کند. این باعث صرفهجویی در تلاشهای کنترل کیفیت در طول پردازش پس از قطعات میشود.» او توضیح میدهد.
امروزه، ون در شورن فکر نمیکند که برنامههای هوش مصنوعی به اندازهای بالغ هستند که به طور قابل اعتمادی خرابی چاپ را قبل از فرآیند چاپ پیشبینی کنند، اما این فقط یک مسئله زمان است.
ما میتوانیم از اطلاعات مربوط به عیوب جمعآوریشده در طول فرآیند چاپ برای درک دلایل اصلی استفاده کنیم، سپس تشخیص ناهنجاری را با فناوری شبیهسازی ترکیب کنیم. این به مشاهده همبستگی بین نتایج شبیهسازی و نقصها کمک میکند.»
او معتقد است که برای تنظیم دقیق مدلهای شبیهسازی AM موجود، به کالیبراسیون بیشتری نیاز است تا بتوانند مکان و نحوه خرابی چاپ را بهطور دقیق پیشبینی کنند. ون در شورن خاطرنشان کرد، مانعی که بر سر راه مدلهای شبیهسازی AM بهتر است، کمبود داده است.
برای اینکه یادگیری ماشینی به خوبی کار کند، باید داده های زیادی داشته باشیم. اما آنچه ما اغلب می بینیم این است که کاربران نمی خواهند داده های خود را به اشتراک بگذارند زیرا آنها آن را اطلاعات اختصاصی خود می دانند.
مکانیسم شکست
مجموعه Ansys سازنده نرم افزارهای شبیه سازی شامل مجموعه افزودنی Ansys است که به طور خاص برای پروژه های AM طراحی شده است.
کریستوفر رابینسون، مدیر ارشد پروژه در Ansys میگوید: «شبیهسازی کرنش حرارتی بستر پودر لیزری فلزی با کیفیت بسیار بالا در قابلیت Additive Suite در Ansys Mechanical میتواند بر اساس هر بردار اسکن فردی در یک ساختنی شبیهسازی شود.»
شبیه سازی کلید درک فعالیت های ترموشیمیایی درگیر در پرینت سه بعدی و همچنین درک مکانیسم های خرابی است.
«شکست واژه ای با تعریف گسترده است. رابینسون توضیح میدهد که بسیاری از قطعات تا پایان ساخته شدهاند، اما هنوز نمیتوانند عملکرد، سطح یا تحمل هندسی را برآورده کنند.
او خاطرنشان میکند که مکانیسمهای زیادی میتوانند منجر به شکست شوند، مانند تداخل پوششدهنده، ترکخوردگی قطعه یا پشتیبانی، تغییر شکل بیش از حد، گرمای بیش از حد حرارتی، خطوط مرزی یا کوچکشدن، ساختارهای دانهای نادرست، تخلخل، زبری سطح و موارد دیگر. به گفته رابینسون، انواع مختلفی از حلکنندههای شبیهسازی وجود دارد که میتوانند برای حل چنین چالشهایی استفاده شوند، از حلکنندههای ساختاری، حرارتی، سیال و عناصر گسسته گرفته تا مدلهای هوش مصنوعی مبتنی بر استنتاج مبتنی بر شبیهسازی یا دادههای تجربی.
راهی برای آموزش AM خود
قوانین کلی برای همه هندسه AM وجود دارد. به عنوان مثال ، دیوارهای نازک به احتمال زیاد در حین چاپ فرو می ریزند و برخی از ویژگی های بیش از حد بیش از حد به ساختار پشتیبانی در طول چاپ نیاز دارند. حتی بدون هوش مصنوعی ، بسیاری از ابزارهای تهیه چاپ می توانند این مشکلات را از مدل CAD تشخیص دهند و رفع را توصیه کنند. اما موفقیت یا عدم موفقیت یک کار به غیر از هندسه به چیز دیگری بستگی دارد: سخت افزار چاپ.
از آنجا که هر چاپگر روشهای چاپی منحصر به فرد خود را دارد ، از مدیریت حرارتی گرفته تا سپرده پودر ، آن را به طور متفاوتی بر شی چاپی تأثیر می گذارد. طرحی که با موفقیت در یک دستگاه چاپ می شود ممکن است در دیگری شکست بخورد. طرحی که در یک دستگاه بسیار کم تحریف می شود ممکن است فراتر از نقطه قابل استفاده در دیگری باشد. بنابراین ، پیش بینی خرابی چاپ بر اساس سخت افزار نیاز به آموزش AI اضافی دارد.
برای حل این معضل ، “مهم است که ، به عنوان یک شرکت ، ما فقط مدل های پیش ساخته را به مشتریان خود ارائه نمی دهیم ، بلکه به آنها راهی می دهیم تا با داده های خود به راحتی مدل ها را آموزش دهند.”
رابینسون خاطرنشان می کند ، “حتی در همان فرآیند ، اگر شما مواد یا فروشندگان دستگاه را تغییر دهید ، یا پارامترهای پردازش متغیر را تغییر دهید ، یا جریان هوای متفاوتی را در دستگاه یا پروفایل منبع انرژی مختلف داشته باشید ، پس از آن امکان وجود دارد که در شرایطی که قابلیت ساخت وجود ندارد ، امکان پذیر نیست استوار.”
با راه اندازی Simai در اوایل سال جاری ، ANSYS امیدوار است که همان نیاز را برآورده کند.
وی گفت: “هوش مصنوعی با شبیه سازی می تواند به ایجاد شبیه سازی های وفاداری فوق العاده بالا در دسترس کاربران کمک کند که قدم بعدی فراتر از پیش بینی های عمومی را برداشته است. به عنوان مثال ، شما گزینه شبیه سازی مبتنی بر یک فایل ساخت LPBF را دارید ، جایی که واقعاً می توانید جزئیات خاص دستگاه را درک کنید. ”
پیش بینی مسائل چاپی
عمر فرگانی ، مدیرعامل ۱۰۰۰ کلوین ، درک خوبی از مکانیسم های شکست دارد. او در اوایل کار خود مهندس برنامه AM بود. او دکتری خود را انجام داد. در مورد استرس باقیمانده در انستیتوی فناوری جورجیا ، زیرا او ، همانطور که گفته بود ، “مجذوب حل این مشکل بود.”
۱۰۰۰ کلوین پیشنهاد خود را به عنوان “یک نرم افزار یک فروشگاه AI AI برای پیش بینی مسائل چاپی نزدیک ، انجام اصلاحات و تولید پرونده های چاپی با درجه صنعتی و آماده برای استفاده خاص برای دستگاه شما توصیف می کند.”
Fergani توضیح می دهد ، “به جای ارائه یک محصول نرم افزاری تجزیه و تحلیل عناصر محدود (FEA) به یک مهندس برای حل مشکلات AM خود ، ما تصمیم گرفتیم که حل کننده های FEA را بگیریم ، سیستم های یادگیری ماشین را آموزش دهیم ، آنها را از نظر سرعت ، اثربخشی ، بهینه سازی بسیار قدرتمند کنیم و سپس آنها را به عنوان محصولی برای مهندسان بسته بندی کنید. ”
Fergani خاطرنشان می کند که با توجه به مدت زمانی که برای شبیه سازی وفاداری رویدادهای AM با استفاده از تجزیه و تحلیل عناصر محدود سنتی لازم است ، استفاده از مدل های یادگیری ماشین اجتناب ناپذیر است. “اگر می خواهید تغییر شکل های سطح را شبیه سازی کنید ، فقط چند ساعت طول می کشد. اما اگر می خواهید آن را در سطح استخر ذوب شبیه سازی کنید ، به طور معمول دو ساعت طول می کشد تا ۲ میلی متر از ابزار ابزار را محاسبه کنید ، و چاپ یک قسمت معمولاً به هزاران کیلومتر راه راه نیاز دارد … “، او محاسبه می کند.
از نظر وی برخی از تغییرات مرتبط با لیزر و ابزار ابزار که در فرآیند چاپ رخ می دهد ، برای شبیه سازی بسیار پیچیده هستند.
وی می گوید: “اما مدل های یادگیری عمیق یا AI در واقع می توانند پیش بینی این چیزها را انجام دهند.” “هر بار که ما برای بهینه سازی حرارتی پیش بینی می کنیم ، خاص دستگاه و مواد خاص است. این برای ما مسئله ای نیست زیرا ما از نظر محاسباتی کارآمد هستیم. انجام این تحلیل فقط چند دقیقه طول می کشد. ”
پس از امکان این مرحله ، مرحله بعدی بسیار ساده تر می شود. وی می گوید: “اکنون ، شما می توانید از نرم افزار ما بخواهید که یک استراتژی چاپ جدید یا دستور چاپ را برای جلوگیری از خرابی به شما ارائه دهد.”
۱۰۰۰ کلوین بی سر و صدا در حال توسعه و آزمایش محصول خود بوده است ، اما احساس می کند که به بلوغ رسیده است. این شرکت اکنون با Autodesk همکاری می کند تا مدل های آموزش داده شده AI را در Autodesk Fusion و سایر نرم افزارهای هدفمند طراح قرار دهد.
“ما Autodesk Fusion را به عنوان بستر مبتکران ، مهندسان و طراحان می بینیم. با تیم Autodesk ، ما مدل های هوش مصنوعی خود را در محصول خود ادغام کردیم تا خرابی ها را پیش بینی کنیم ، به طور خودکار طراحی را اصلاح کنیم و آن را به شما بازگردانیم. این محصول جدید از مشارکت دموکراتیک می شود. با این کار ، شما می توانید به عنوان یک فناوری ساده برای استفاده فکر کنید. ”