AI を使用してデジタル製造を制御するにはどうすればよいですか?

科学者やエンジニアは、3D プリントに使用できる特殊な品質を備えた新しい材料を常に作成していますが、これは困難でコストがかかる作業になる可能性があります。

新しい素材に対して常に最高の印刷品質を生み出す最適なパラメーターを見つけるために、専門のオペレーターは手動で試行錯誤の実験を行う必要があり、場合によっては数千枚の印刷を作成することもあります。印刷速度やプリンターによって印刷される材料の量は変数の一部です。

現在、MIT の研究者は AI を使用してこのプロセスを簡素化しています。彼らは、コンピュータ ビジョンを使用して生産プロセスを監視し、処理エラーをリアルタイムで修正する ML システムを開発しました。

シミュレーションを使用して、エラーを減らすために印刷パラメーターを変更する方法についてニューラル ネットワークをトレーニングした後、コントローラーを実際の 3D プリンターに配置しました。

この作業では、ニューラル ネットワークに学習させるために数千万または数億の実際のオブジェクトを印刷するプロセスが回避されます。さらに、これによりエンジニアは新しい材料を設計に組み込むことが容易になり、独自の化学的または電気的特性を備えた製品を作成できるようになります。これにより、設定や印刷される素材に予期せぬ変更があった場合に、技術者が印刷プロセスを迅速に調整することが容易になります。

デジタル製造方法に最適なパラメータを選択することは、多くの試行錯誤が伴うため、プロセスの中で最もコストがかかるステップの 1 つになる可能性があります。さらに、技術者が適切に機能する組み合わせを発見すると、これらのパラメータはその特定の状況でのみ最適になります。その物質がさまざまな環境やさまざまな装置でどのように機能するか、または新しいバッチが異なる特性を持っているかどうかについての情報が不足しているためです。

さらに、ML システムの使用には困難もあります。研究者らはまず、プリンターで何が起こっているかをリアルタイムで測定する必要がありました。

これを実現するために、彼らは 3D プリンターのノズルに向けられた 2 台のカメラを備えたマシン ビジョン デバイスを開発しました。この技術は、材料が堆積されるときに材料を照明し、通過する光の量に基づいてその厚さを決定します。

ニューラル ネットワーク ベースのコントローラーをトレーニングしてこの製造プロセスを理解するには、何百万もの印刷が必要となり、データ集約型の操作になります。

コントローラーは、強化学習と呼ばれる方法を使用してトレーニングされます。これは、エラーが発生したときにモデルに支払いを行うことでモデルを教育します。このモデルでは、仮想環境で特定のオブジェクトを生成できる印刷パラメーターを選択する必要があります。モデルに予測結果が与えられる場合、印刷結果と期待される結果との間の差異を最小化するパラメーターを選択することで予測結果を取得できます。

この場合、「エラー」とは、モデルに割り当てられたマテリアルが多すぎて、空のままにしておくべきスペースを埋めているか、またはモデルに十分なマテリアルがなく、埋める必要があるスペースが残っていることを意味します。

しかし、現実の世界はモデルよりも厳しいものです。実際には、小さな変動や印刷プロセスのノイズによって条件が変化することがよくあります。研究者らはこの方法を使用してノイズをシミュレートし、より正確な結果を生成しました。

コントローラーをテストしたところ、検査した他のどの制御戦略よりも正確にオブジェクトが印刷されました。オブジェクトの内部を印刷するインフィルマテリアルを印刷する場合に特に効果的です。研究者のコントローラーは、オブジェクトが水平を保つように印刷経路を変更しましたが、他のコントローラーは印刷されたオブジェクトが上に突き出るように大量の材料を配置しました。

材料が堆積された後でも、制御戦略は材料がどのように分散しパラメータに適応するかを理解できます。

研究者らは、他の製造プロセスの制御を作成することを目的としており、今回、3D プリンティングにおけるこのアプローチの効率性を実証しました。また、複数の材料層やさまざまな材料が同時に製造される状況に対応するために戦略を変更する方法も研究したいと考えています。さらに、彼らの手法は各材料の粘度が一定であることを前提としていますが、将来のバージョンでは AI を使用して粘度をリアルタイムで検出および計算する可能性があります。

以上がAI を使用してデジタル製造を制御するにはどうすればよいですか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。