閱讀 | 訂閱
閱讀 | 訂閱
3D新聞

深度數(shù)字孿生,未來增材制造人工智能的解決之道

星之球科技 來源:Ringier2021-10-15 我要評論(0 )   

人工智能對于增材制造發(fā)展的重要性不言而喻。目前,影響激光粉末床融合構(gòu)建的變量主要有激光功率、孵化距離、氣體流量等。將用戶“思維”實現(xiàn)數(shù)字化、模擬和外包給計算...

人工智能對于增材制造發(fā)展的重要性不言而喻。目前,影響激光粉末床融合構(gòu)建的變量主要有激光功率、孵化距離、氣體流量等。將用戶“思維”實現(xiàn)數(shù)字化、模擬和外包給計算機,具有重要意義。


但是,打開增材制造構(gòu)建人工智能的正確方法是什么呢?過去,行業(yè)通常采取了植根于機器視覺或監(jiān)督學(xué)習(xí)的方法,簡單來說就是教機器人像人類老師一樣識別錯誤和異常。作為一種人工智能的策略,雖然比較費時但還算有效,但作為推進增材制造技術(shù)的廣泛適用解決方案,這種方法顯然是“只見樹木不見森林”。


1634189613132102.jpg

■在直接金屬激光燒結(jié)構(gòu)建中為每一層捕獲的光學(xué)斷層掃描圖像被證明是深度數(shù)字孿生的正確預(yù)測目標(來源:NNAISENSE)


近期,瑞士公司NNAISENSE與EOS合作構(gòu)建了用于直接金屬激光燒結(jié)的“深度數(shù)字孿生”(deep digital twin),使用更全面且勞動密集程度更低的方法。NNAISENSE公司不是以特定打印參數(shù)和像素級輸出的形式為模型提供單獨標記的“樹”,而是提供了更像“森林”的東西。


每個打印層的光學(xué)斷層掃描熱圖,與工藝輸入相關(guān),例如零件幾何形狀、激光功率和掃描路徑。像氣體流量等不可觀察的影響,對人工智能無關(guān)緊要。但重要的是這些因素如何相互作用以在打印的每一層中形成熱足跡,并且該圖像提供了有關(guān)系統(tǒng)和構(gòu)建的足夠信息,以檢測異常、模擬結(jié)果甚至促進實時過程控制。


無論在哪個領(lǐng)域,構(gòu)建深度數(shù)字孿生都需要數(shù)據(jù),而且需要大量數(shù)據(jù)。這意味著制造商需要與客戶一起確定哪些信息可用,可以捕獲哪些附加數(shù)據(jù),以及哪些部分對流程重要。有時,數(shù)據(jù)不容易被獲取但又十分關(guān)鍵,或者有時信息數(shù)據(jù)被標記為僅供人類使用,而不適用于機器學(xué)習(xí)。


1634189654882536.jpg

■EOS直接金屬激光燒結(jié)3D打印機,廣泛用于從醫(yī)療植入物到航空航天部件的領(lǐng)域。但在自我監(jiān)督深度學(xué)習(xí)的幫助下,可以更遠、更快地發(fā)展(來源:Incodema3D)


在增材制造行業(yè),EOS已經(jīng)通過EOState Monitoring Suite捕獲了大量可用數(shù)據(jù),該套件可以跟蹤從重涂錯誤到構(gòu)建期間熔池行為的所有內(nèi)容,并將這些信息與預(yù)期的構(gòu)建指令關(guān)聯(lián)。與模型學(xué)習(xí)從結(jié)構(gòu)化數(shù)據(jù)中識別缺陷或其他興趣點的監(jiān)督機器學(xué)習(xí)不同,NNAISENSE公司使用自監(jiān)督學(xué)習(xí)創(chuàng)建深度數(shù)字孿生的過程模型。在這種方法中,計算機會收到來自傳感器和控制動作的時間序列輸入,并自行學(xué)習(xí)以預(yù)測這些傳感器的未來數(shù)值。


自監(jiān)督深度學(xué)習(xí)策略,是未來增材制造的正確選擇。以往,特別像激光粉末床熔融,在其構(gòu)建中生成的數(shù)據(jù)量龐大;另外還包括零件的多樣性以及缺乏哪些變量對哪些結(jié)果有貢獻的洞察力。自監(jiān)督深度學(xué)習(xí)的策略避免了用戶將“矛盾”引入系統(tǒng)的機會。


雖然許多因素會影響激光粉末床融合構(gòu)建的結(jié)果,但不一定存在所有這些因素的數(shù)據(jù)。例如,煙霧會干擾激光器的運行,但在EOS 3D打印機內(nèi)部并沒有相應(yīng)的傳感器檢測。而NNAISENSE公司并沒有試圖解釋增材制造中的所有這些影響,而是將注意力集中在EOState已經(jīng)使用光學(xué)斷層掃描相機捕獲的每一層熱圖像上,這些圖像反映了打印機內(nèi)部的條件以及原始構(gòu)建參數(shù)。 


當前,NNAISENSE公司能夠使用過去EOS打印的構(gòu)建指令作為輸入,以訓(xùn)練模型預(yù)測下一層的光學(xué)斷層掃描熱圖。這種訓(xùn)練的過程實現(xiàn)了自我監(jiān)督,讓模型根據(jù)EOState中記錄的實際結(jié)果檢查,而不是人工干預(yù)。


光學(xué)斷層掃描圖像非常適合作為預(yù)測目標,因為直接金屬激光燒結(jié)是一個熱過程,溫度會影響3D打印和最終零件質(zhì)量。熱量是熔化和融合材料所必需的,但熱量分布和積聚是金屬3D 打印中許多問題的根本原因。


1634189693899134.jpg

■人工智能可以通過“研究”來自真實構(gòu)建的光學(xué)斷層掃描圖像來學(xué)習(xí)每個連續(xù)打印層的預(yù)期行為(來源:EOS)


為了始終如一地實現(xiàn)所需的零件屬性,理想的條件通常是使零件的溫度分布均勻。但實際上,由于激光掃描策略、氣流等,零件會形成熱點和冷點。熱成像在每一層上捕捉所有這些因素的結(jié)果。因此,沒必要教機器人直接金屬激光燒結(jié)的工作原理,只需提供足夠的構(gòu)建指令數(shù)據(jù)及其相應(yīng)的熱圖像供其學(xué)習(xí)。


在使用歷史EOS構(gòu)建數(shù)據(jù)在GPU集群上訓(xùn)練數(shù)周后,該模型現(xiàn)在可以在單個GPU上運行,并已部署在歐洲的多個EOS用戶中。人工智能模型將使這些公司和未來的采用者能夠更有信心地預(yù)測新零件設(shè)計的結(jié)果,并選擇構(gòu)建指令來實現(xiàn)應(yīng)用程序的目標。


一旦零件投產(chǎn),實際構(gòu)建中的任何意外影響都可以理解為虛假偏差,從而縮小了可能原因和糾正的范圍。流程開發(fā)將變得更快、更容易,并且不再依賴人為的事后彌補。不過,更廣泛地說,在最少人工監(jiān)督的情況下創(chuàng)建基于數(shù)據(jù)模型的能力使人工智能更容易有效應(yīng)用。


雖然該模型僅進行了鈦金屬直接激光燒結(jié)的訓(xùn)練,但NNAISENSE公司相信它可以通過額外的數(shù)據(jù)和訓(xùn)練擴展到更多的增材制造材料和機器類型。對增材制造的總體影響,可能是在試錯、故障排除和過程糾正上花費的時間更少;減少失敗的構(gòu)建和原型設(shè)計造成的浪費;最終是一種更可靠和更廣泛適用的制造方法。


轉(zhuǎn)載請注明出處。

3D打印激光激光技術(shù)
免責(zé)聲明

① 凡本網(wǎng)未注明其他出處的作品,版權(quán)均屬于激光制造網(wǎng),未經(jīng)本網(wǎng)授權(quán)不得轉(zhuǎn)載、摘編或利用其它方式使用。獲本網(wǎng)授權(quán)使用作品的,應(yīng)在授權(quán)范圍內(nèi)使 用,并注明"來源:激光制造網(wǎng)”。違反上述聲明者,本網(wǎng)將追究其相關(guān)責(zé)任。
② 凡本網(wǎng)注明其他來源的作品及圖片,均轉(zhuǎn)載自其它媒體,轉(zhuǎn)載目的在于傳遞更多信息,并不代表本媒贊同其觀點和對其真實性負責(zé),版權(quán)歸原作者所有,如有侵權(quán)請聯(lián)系我們刪除。
③ 任何單位或個人認為本網(wǎng)內(nèi)容可能涉嫌侵犯其合法權(quán)益,請及時向本網(wǎng)提出書面權(quán)利通知,并提供身份證明、權(quán)屬證明、具體鏈接(URL)及詳細侵權(quán)情況證明。本網(wǎng)在收到上述法律文件后,將會依法盡快移除相關(guān)涉嫌侵權(quán)的內(nèi)容。

網(wǎng)友點評
0相關(guān)評論
精彩導(dǎo)讀