如何使用AI控制数字化制造？尽管科学家和工程师们正在不断地创造可用于3D打印的具有特殊品质的新材料，但这可能是一项具有挑战性且成本高昂的任务。
为了找到始终如一地产生新材料最佳打印质量的最佳参数，专业操作人员经常需要进行人工试错实验，有时创建数千张打印。打印速度和打印机沉积的材料量是其中的一些变量。现在，麻省理工学院的研究人员利用AI来简化这一过程。他们开发了一种ML系统，使用计算机视觉来监控生产过程，并实时修复处理错误。在使用模拟训练神经网络如何更改打印参数以减少错误后，他们将控制器放在真正的3D打印机上。这项工作避免了打印数万或数亿实际对象来教授神经网络的过程。此外，这可能使工程师更容易在其设计中加入新颖的材料，使之能够创造出具有独特的化学或电气特性的产品。如果在设置或正在打印的材料发生意外变化，这也可能使技术人员更容易对打印过程进行快速调整。由于涉及大量的试验和错误，为数字化制造方法选择最佳参数可能是过程中最昂贵的步骤之一。此外，一旦技术人员发现功能良好的组合，这些参数仅在该特定情况下是最佳的。因为其缺乏关于该物质如何在各种环境、各种装备上发挥作用或新批次是否具有不同特征的信息。此外，使用ML系统也存在困难。研究人员必须首先对打印机上发生的事情进行实时测量。为此，他们开发了一个机器视觉装置，两个摄像头指向3D打印机的喷嘴。该技术在材料沉积时对其进行照明，并根据通过的光量确定材料的厚度。要训练基于神经网络的控制器来理解这个制造过程，需要进行数百万次打印，这是一个数据密集型操作。他们的控制器使用一种被称为强化学习的方法进行训练，这种方法通过在模型出错时付费来教育模型。该模型需要选择可以在虚拟环境中生成特定对象的打印参数。当模型在给定预测结果后，选取的参数使其打印结果与预期结果之间的方差最小即可获得。在这种情况下，“错误”意味着模型要么分配了过多的材料，填充了应该保持空白的空间；要么没有足够的材料，留下了需要填充的空间。然而，现实世界比模型还要粗糙。实际上，条件通常会因微小的波动或印刷过程噪声而改变。研究人员利用这种方法来模拟噪声，从而产生更准确的结果。当对控制器进行测试时，这比他们检查的任何其他控制策略都更精确地打印出物体。其在打印填充材料时尤其有效，这涉及到打印物体的内部。研究人员的控制器改变了打印路径，使物体保持水平，而其他一些控制器放置了大量材料，使打印的物体会向上突出。即使在材料沉积之后，控制策略也可以了解其如何分散和适应参数。研究人员打算为其他制造过程创建控制，现在他们已经证明了这种方法在3D打印中的效率。他们还想研究如何改变策略，以适应有多个材料层或各种材料同时生产的情况。此外，他们的方法假设每种材料都有恒定的粘度，但以后的版本可能会使用AI实时检测和计算粘度。
免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。
