Mindig lenyűgöző látni a két iparági 4.0 technológia ütközését. Az additív feldolgozóiparban a mesterséges intelligencia használata elterjedt, a szoftverfejlesztők és a kutatóintézetek egyaránt igyekeztek kihasználni a gépi tanulás előrejelző erejét két elsődleges alkalmazásban.
Az első a folyamatvezérlés. Noha az ipari 3D nyomtatás soha nem látott technológiai szintre fejlődött, még mindig nem tökéletes, és az olyan alkatrészek hibái, mint a porozitás, továbbra is komoly problémát jelentenek. Ennek fényében a gépi tanulási algoritmusokat hibaészlelési vagy paramétermodulációs célokra (vagy mindkettőre) használják, mindezt azzal a céllal, hogy csökkentsék a nyomtatási hibákat, valamint időt és anyagköltségeket takarítsanak meg.
Bár nem olyan gyakori, a mesterséges intelligencia másik fő alkalmazása az új 3D nyomtatási anyagok megfogalmazása.
Hibaészlelés és zárt hurkú vezérlés
A zárt hurkú vezérlőrendszerek fejlesztése már évek óta kiemelt cél az additív gyártó mérnökök számára, de az ilyen bonyolult algoritmusok kemény kódolása komoly fájdalommal járhat. Itt jön be az AI.
A múlt év végén az Argonne National Laboratory és a Texas A&M Egyetem kutatóiból álló csoport valós idejű hőmérsékleti adatokat használt gépi tanulási algoritmusokkal együtt, hogy finomítsa a lézerporágyas fúziós 3D nyomtatás hiba-előrejelző algoritmusát. Pontosabban, a csapat korrelatív összefüggéseket hozott létre a hőtörténet és a 3D nyomtatás során fellépő felszín alatti hibák kialakulása között. Ez az ML-modell lehetővé tette számukra, hogy pontosan előre jelezzék, mikor és hol fordulhat elő hiba, egyszerűen az építési kamra hőmérsékletének in situ infravörös kamerákkal történő követésével.
Mint ilyen, az infravörös képalkotásból származó porozitások valószínűsíthető helyének azonosítására szolgáló képesség rendkívül hatékony eszköz. Kiküszöböli a költséges egyedi alkatrész-ellenőrzések szükségességét, amelyek nem mindig kivitelezhetők nagy gyártási mennyiségek esetén.
Vizuálisabb megközelítést alkalmazva Dr. Joshua Pearce, a Michigani Technológiai Egyetem munkatársa korábban kifejlesztett egy nyílt forráskódú, számítógépes látás alapú szoftveralgoritmust, amely képes a nyomtatási hibák észlelésére az FDM folyamatban. Érdekes módon az ML-alapú algoritmus egyetlen webkamera erejét használja fel, amely az építőlemezre mutat. Rétegenként követi nyomon a nyomtatási hibákat és a nyomtatott alkatrész külső vagy belső oldalán megjelenő hibákat, valós időben módosítja a paramétereket, például a fúvóka hőmérsékletét és a nyomtatási sebességet, hogy megkísérelje megmenteni az alkatrészt.
Ez a mesterséges intelligencia megközelítés ugyan nem „ipari”, de ugyanazt a célt szolgálja – anyagköltségeket és időt takarít meg a felhasználónak, mivel csökkenti a nyomtatási hibák előfordulását.
