儘管科學家和工程師們正在不斷地創造可用於3D列印的具有特殊品質的新材料，但這可能是一項具有挑戰性且成本高昂的任務。
為了找到一致地產生新材料最佳列印品質的最佳參數，專業操作人員經常需要進行人工試錯實驗，有時創建數千張列印。列印速度和印表機沉積的材料量是其中的一些變數。
現在，麻省理工學院的研究人員利用AI來簡化這個過程。他們開發了一種ML系統，使用電腦視覺來監控生產流程，並即時修復處理錯誤。
在使用模擬訓練神經網路如何更改列印參數以減少錯誤後，他們將控制器放在真正的3D列印機上。
這項工作避免了列印數萬或數億實際物件來教導神經網路的過程。此外，這可能使工程師更容易在其設計中加入新穎的材料，使其能夠創造出具有獨特的化學或電氣特性的產品。如果在設定或正在列印的資料發生意外變化，這也可能使技術人員更容易對列印過程進行快速調整。
由於涉及大量的試驗和錯誤，為數位化製造方法選擇最佳參數可能是過程中最昂貴的步驟之一。此外，一旦技術人員發現功能良好的組合，這些參數僅在該特定情況下是最佳的。因為其缺乏關於該物質如何在各種環境、各種裝備上發揮作用或新批次是否具有不同特徵的資訊。
此外，使用ML系統也存在困難。研究人員必須先對印表機上發生的事情進行即時測量。
為此，他們開發了一個機器視覺裝置，兩個相機指向3D列印機的噴嘴。該技術在材料沉積時對其進行照明，並根據通過的光量確定材料的厚度。
要訓練基於神經網路的控制器來理解這個製造過程，需要進行數百萬次列印，這是一個資料密集型操作。
他們的控制器使用一種被稱為強化學習的方法進行訓練，這種方法透過在模型出錯時付費來教育模型。此模型需要選擇可以在虛擬環境中產生特定物件的列印參數。當模型在給定預測結果後，選取的參數使其列印結果與預期結果之間的變異數最小即可獲得。
在這種情況下，「錯誤」意味著模型要么分配了過多的材料，填充了應該保持空白的空間；要么沒有足夠的材料，留下了需要填充的空間。
然而，現實世界比模型還要粗糙。實際上，條件通常會因微小的波動或印刷過程噪音而改變。研究人員利用這種方法來模擬噪聲，從而產生更準確的結果。
當對控制器進行測試時，這比他們檢查的任何其他控制策略都更精確地列印出物件。其在列印填充材料時尤其有效，這涉及到列印物體的內部。研究人員的控制器改變了列印路徑，使物體保持水平，而其他一些控制器放置了大量材料，使列印的物體會向上突出。
即使在材料沉積之後，控制策略也可以了解其如何分散和適應參數。
研究人員打算為其他製造過程創建控制，現在他們已經證明了這種方法在3D列印中的效率。他們還想研究如何改變策略，以適應有多個材料層或各種材料同時生產的情況。此外，他們的方法假設每種材料都有恆定的黏度，但以後的版本可能會使用AI即時檢測和計算黏度。
以上是如何使用AI控制數位化製造？的詳細內容。更多資訊請關注PHP中文網其他相關文章！
