AI를 사용하여 적층 제조 오류를 실시간으로 수정

MIT(매사추세츠 공과대학)의 연구원들은 기계 학습 모델을 훈련하여 3D 프린팅 프로세스를 모니터링하고 조정하여 실시간으로 오류를 수정했습니다.

3D 프린팅에 사용할 수 있는 새로운 재료는 지속적으로 개발되고 있지만 이를 사용하여 프린팅하는 방법을 알아내는 것은 복잡하고 비용이 많이 드는 퍼즐이 될 수 있습니다. 일반적으로 작업자는 새로운 재료를 일관되고 효율적으로 인쇄하기 위한 이상적인 매개변수를 결정하기 위해 잠재적으로 수천 장의 인쇄를 실행할 수 있는 수동 시행착오를 거쳐야 합니다.

MIT의 연구원들은 인공 지능을 사용하여 프로세스를 간소화했습니다. 해당 기관의 과학자들은 컴퓨터 비전을 사용하여 제조 공정을 관찰하고 재료 처리 방법의 오류를 실시간으로 수정할 수 있는 새로운 기계 학습 시스템을 개발했습니다.

그들은 시뮬레이션을 사용하여 신경망에 인쇄 매개변수를 조정하여 오류를 최소화하는 방법을 가르친 다음 해당 컨트롤러를 실제 3D 프린터에 적용했습니다. 새로운 시스템은 기존의 다른 3D 프린팅 컨트롤러보다 더 정확하게 물체를 프린팅할 수 있습니다.

이 작업은 신경망을 훈련하기 위해 수천 또는 수백만 개의 실제 객체를 인쇄하는 값비싼 프로세스를 피합니다. 이를 통해 엔지니어는 새로운 재료를 3D 프린팅 제품에 더 쉽게 통합할 수 있으며, 이는 특별한 전기적 또는 화학적 특성을 가진 제품을 개발하는 데 도움이 될 수 있습니다. 또한 재료나 환경 조건이 예기치 않게 변할 때 기술자가 인쇄 프로세스를 조정하는 데 도움이 됩니다.

"이 프로젝트는 복잡한 제어 전략을 배우기 위해 기계 학습을 사용하는 제조 시스템을 구축하는 최초의 시연입니다."라고 이 프로젝트를 이끌고 있는 MIT 전기 공학 및 컴퓨터 과학 교수 Wojciech Matusik은 말했습니다. 변화하는 작업장의 환경에 실시간으로 적응하여 생산량이나 시스템 정확도를 높일 수 있는 스마트 제조 장비, 그러면 기계에서 더 많은 가치를 얻을 수 있습니다. "

매개변수 선택

OK. 이상적인 매개변수 결정 디지털 제조 프로세스는 많은 시행착오를 필요로 하기 때문에 프로세스에서 가장 비용이 많이 드는 부분 중 하나일 수 있습니다. 기술자가 잘 작동하는 조합을 찾으면 이러한 매개변수는 특정 상황에만 적용됩니다. 재료가 다른 환경, 다른 하드웨어 또는 다른 특성을 나타내는 새로운 재료 배치에서 작동하는지 여부에 대한 데이터가 거의 없습니다.

머신러닝 시스템을 사용하는 것에도 어려움이 많습니다. 첫째, 연구원들은 3D 프린터에서 일어나는 일을 실시간으로 측정해야 합니다.

이를 위해 연구원들은 3D 프린터의 노즐을 겨냥한 두 대의 카메라를 사용하여 머신 비전 시스템을 개발했습니다. 시스템은 재료가 증착되는 동안 재료에 빛을 비추고 통과하는 빛의 양을 기준으로 재료의 두께를 계산합니다. Foshey는 "시각 시스템은 이 과정을 실시간으로 관찰하는 한 쌍의 눈이라고 생각할 수 있습니다."라고 말했습니다.

그런 다음 컨트롤러는 비전 시스템에서 수신한 이미지를 처리하고 확인된 오류에 따라 프린터의 공급 속도와 방향을 조정합니다.

그러나 이 제조 공정을 이해하기 위해 신경망 기반 컨트롤러를 훈련시키는 것은 데이터 집약적이며 수백만 장의 인쇄가 필요합니다. 그래서 연구원들은 시뮬레이터를 만들었습니다.

성공적인 시뮬레이션

컨트롤러를 더 잘 훈련시키기 위해 모델이 시행착오를 통해 학습하고 보상을 받는 강화 학습이라는 프로세스를 사용했습니다. 모델의 임무는 시뮬레이션 환경에서 특정 객체를 생성하기 위해 인쇄 매개변수를 선택하는 것입니다. 예상 출력을 표시한 후 모델은 인쇄와 예상 결과 사이의 오류를 최소화하는 매개변수를 선택할 때 보상을 받습니다.

이 경우 "오류"는 모델이 너무 많은 재료를 할당하여 열린 상태로 유지해야 하는 영역에 남겨 두거나, 충분한 재료를 할당하지 않아 채워야 하는 열린 공간을 남겨두는 것을 의미합니다. 모델이 더 많은 시뮬레이션 인쇄를 수행함에 따라 제어 전략을 업데이트하여 보상을 극대화하고 정확성이 높아집니다.

그러나 현실 세계는 시뮬레이션보다 더 지저분합니다. 실제로는 인쇄 과정의 작은 변화나 소음으로 인해 조건이 달라지는 경우가 많습니다. 그래서 연구원들은 3D 프린터의 소음을 근사하는 수치 모델을 만들었습니다. 그들은 이 모델을 사용하여 시뮬레이션에 노이즈를 추가하여 보다 현실적인 결과를 얻었습니다.

"우리가 흥미롭게 발견한 점은 이 노이즈 모델을 구현함으로써 물리적 실험에 대한 교육 없이 순전히 시뮬레이션에서 훈련된 제어 전략을 하드웨어로 전달할 수 있다는 것입니다."라고 Foshey는 말했습니다. "그리고 이후에는 실제 장치를 미세 조정할 필요가 없었습니다."

컨트롤러를 테스트했을 때 이전에 평가한 다른 어떤 제어 방법보다 더 정확하게 개체를 인쇄했습니다. 특히 물체의 내부를 인쇄하는 인필 인쇄에서 탁월한 성능을 발휘합니다. 일부 다른 컨트롤러에서는 너무 많은 양의 물질을 증착하여 인쇄물이 올라갔지만 연구원의 컨트롤러는 인쇄물이 수평을 유지하도록 인쇄 경로를 조정했습니다.

그들의 제어 전략은 증착 후 재료가 퍼지는 방식을 이해하고 이에 따라 매개변수를 조정할 수도 있습니다.

자동 조정

"또한 다양한 유형의 재료를 동적으로 제어할 수 있는 제어 전략을 설계할 수 있습니다. 따라서 현장에 제조 공정이 있고 재료를 변경하려는 경우 제조 공정을 다시 검증할 필요가 없습니다. 새 재료를 컨트롤러에 로드하면 자동으로 조정됩니다."라고 Foshey는 말했습니다.

이제 3D 프린팅에 대한 이 기술의 효율성이 입증되었으므로 연구원들은 다른 제조 공정을 위한 컨트롤러를 개발하기를 희망합니다. 또한 그들은 여러 층의 재료를 처리하거나 동시에 여러 재료를 인쇄하기 위해 방법을 수정하는 방법을 알고 싶어합니다. 또한 그들의 방법은 각 재료가 고정된 점도를 가지고 있다고 가정하지만 향후 반복에서는 AI를 사용하여 점도를 실시간으로 식별하고 조정할 수 있습니다.

MIT는 적층 제조 분야에서 오랜 역사를 갖고 있으며 Desktop Metal 및 VulcanForms와 같은 여러 주요 3D 프린팅 회사를 탄생시켰습니다. 이 연구는 FWF Lise-Meitner 프로그램, 유럽 연구 위원회 시작 보조금 및 국립과학재단의 일부 지원을 받았습니다.

위 내용은 AI를 사용하여 적층 제조 오류를 실시간으로 수정의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!