在增材制造成为生产级技术的道路上人工智能怎样四两拨千斤?

数字化在制造领域发挥了越来越重要的作用,依托数字化制造中产生的大量数据的土壤,人工智能(AI)将赋予制造更强的生命力,从设备的实时维护到创新性的产品设计,到智能供应链和创建新的商业模式,都是能够被人工智能所赋能的领域。

增材制造-3D打印作为典型的数字化制造技术,从设计到生产再到质量保证(QA)的整个工作流程中都运转着海量的数据。增材制造设计的复杂性与材料、生产参数、质量要求等众多因素相互依存,面对巨大的复杂性,人类的经验很难激发增材制造技术的潜能,使之成为一种用于生产的制造技术。这些特点恰好为人工智能提供了应用土壤。

本期,3D科学谷就与谷友一起通过增材制造中的人工智能应用领略人工智能如何赋能增材制造。

在增材制造成为生产级技术的道路上人工智能怎样四两拨千斤? 推动增材制造的生产级应用

尽管增材制造技术在实现批量定制化生产以及实现复杂设计方面独具魅力,但该技术在制造业中的应用仍受到诸多阻力,不利因素包括:速度和最终零件的质量或需要进一步的投资才能匹配该技术,企业出于财务方面的考虑等。但人工智能技术在增材制造设计、工艺开发、质量控制、材料开发等关键领域激发增材制造技术的潜能,推动该技术在生产中的应用。

l 设计复杂性对AI 的需求

增材制造设计的复杂性与众多因素相互依存,如材料质量将影响零件性能,从而影响设计决策;生产参数将影响质量保证,而质量保证要求将反映在那些设计决策中……等等。

面对如此巨大的设计复杂性,我们更加应当思考的问题不是如何在增材制造中利用AI,而是如果没有AI 驱动的设计、生产、质量保证流程,仅凭人类设计师和工程师的力量,我们还能不能利用好增材制造技术在提高产品性能、加速创新等方面的优势。

在增材制造成为生产级技术的道路上人工智能怎样四两拨千斤?来源:Additive Flow / 3D ADEPT MEDIA

例如,Additive Flow 公司在面向增材制造的设计软件中引入了几何自由概念与在不同区域实现定制化材料属性的“多属性”概念,这使得增材制造设计的复杂性更高。增材制造提供了在整个打印过程中调整参数或将不同的参数应用于零件的不同区域的机会。从这一点上来看,与传统制造工艺相比,增材制造技术具有释放生产率、成本和性能改进的巨大潜力。然而,依靠设计师的经验来手动决定哪些区域应具有哪些属性集,是一个非常复杂又无法保证成功率的过程。FormFlow 中的多属性人工智能优化算法恰好能够克服这一挑战。该软件建立在Additive Flow的多材料领导地位的稳固基础之上,能够处理优化中的不同参数集,同时使熟练的工程师能够在分离的网格上无缝地应用其参数知识。

在增材制造成为生产级技术的道路上人工智能怎样四两拨千斤?由AI 驱动的设计软件生成的3D打印火箭发动机原型。设计师需要与算法进行对话,“告诉”算法需要发动机实现的功能,然后算法就是根据所考虑的性能和规格生成设计对象。算法生成的火箭发动机设计不是一张设计蓝图,而是一个具有火箭发动机“基因”的设计对象。来源:Hyperganic/de zeen

同样在面向增材制造的设计领域,作为增材制造的天生“好伙伴”的创成式设计,也是人工智能一个人工智能驱动的流程。3D科学谷在《人工智能给制造业带来的三大关键革命》一文中谈到,设计师或工程师将设计目标以及材料,制造方法和成本限制的参数输入到创成式设计软件中。然后,该软件探索解决方案的所有可能的排列,并快速“生成”设计备选方案。最后,它利用机器学习来测试和学习每次迭代哪些有效,哪些无效。创成式设计软件可以帮助人类完成难以实现的复杂建模过程,如果你正在尝试优化飞机的机翼设计,或新电动车的扰流板或电池设计甚至只是用于手机外壳的塑料模具 ,通过创成式设计软件,可以在一天内完成相当于50,000天的工程设计。

l 3D打印设备的“眼睛”与“大脑”

根据面向未来工厂开发增材制造软件和硬件的Ai Build 公司,任何不使用AI的软件驱动技术迟早会被替代。软件开发人员和设备制造商肩负着共同开发产品,重新定义增材制造边界的巨大责任。如果一台增材制造设备能够通过AI 为其客户带来实用或商业价值,则其他没有应用AI 技术的竞争产品极有可能在未来5-10年内难以在市场上生存。

Ai Build 在2016年开始在3D打印机中使用机器视觉技术,以进行自主刀具路径规划,并进行自动故障检测。当时,嵌入摄像机的工业3D打印设备并不常见,而如今大多数工业3D打印设备都附带内置相机。Ai Build 现在能够为不同打印平台的合作伙伴和应用开发计算机视觉解决方案。Ai Build 认为预计在未来5年,没有基本计算机视觉功能的工业3D打印设备将不会存在。

Ai Build 开发的AiSync软件中避免使用gcode文件来描述刀具路。这是非常违反直觉的方式,因为市场上的所有3D打印机和CNC机器都使用gcode或品牌特定的gcode类语言来驱动机器运动。gcode在完美的确定性世界中可以很好地工作,可以高精度地预测整个过程。然而,在现实中,增材制造过程还远达不到完美,因此3D打印零件的物理形式是难以被精确预测的。这是由于即使在生产过程中最小的构建体积变化也可能导致增材制造过程中的致命性偏差。即使增材制造环境能够被完全控制,并且如果有一个功能强大的仿真引擎可以准确预测一层中99.9%的时间的材料行为,则在具有数千个相互支持的层的典型零件上进行整体预测的成功率会出于统计原因,仍低于30%。

这是Ai Build 放弃gcode,而开发从头开发更具弹性的全新机器控制过程的关键原因。AiSync软件结合使用离线和在线优化方法来控制3D打印机的动作。AiSync无需切片设计并将静态gcode文件上传到计算机,而是使用云上功能强大的计算机来分析设计,并以抽象格式将优化的指令发送到计算机。然后,这些指令将被位于边缘的另一台计算机实时地逐位解释并转换为机器级指令,该计算机可以实时访问来自3D打印设备的传感器数据。这种双重优化基础架构能够将云超级计算的优势与路径规划和边缘计算等高级任务结合在一起,用于故障检测和质量保证等时间紧迫的任务,从而充分利用AI算法的优势。

在增材制造成为生产级技术的道路上人工智能怎样四两拨千斤?人工智能对层进行分析。来源:卡内基梅隆大学工程学院

机器视觉和机器学习算法是与增材制造硬件设备密切相关的人工智能技术。机器视觉和机器学习算法就像3D打印设备的眼睛与大脑一样,赋予3D打印设备监测和控制打印质量的智能化属性,降低发生打印错误的风险。

卡内基梅隆大学的研究人员创建的一种机器学习算法可以帮助我们更好的理解这些技术对于增材制造技术的意义。该算法能够对激光粉末床熔融技术进行过程监控纠错。卡内基梅隆大学研究人员通过计算机视觉算法拍摄粉末床的图像并提取特征,研究人员将这些特征进行分组并在不同层次的分析中进行比较,直到创建图像的指纹。人工智能已经学会了如何识别不同的缺陷,这是因为研究人员提供了数百个预标记的训练图像。现在,它可以比较它接收到的新图像的指纹和它已知的指纹以隔离各种异常。这种原位监测和分析粉末床图像的方法,可能成为粉末床金属熔融实时控制系统的一个组成部分。这项工作将使金属3D打印成为工业生产中具有高可靠性工艺的发展道路上向前迈出一大步。

l 分析工艺参数与材料性能

人工设置3D打印参数难以避免导致大量报废零件的产生,但是人工智能驱动的参数设置软件是摆脱对于人工经验依赖,降低报废率的有效方式。

在增材制造成为生产级技术的道路上人工智能怎样四两拨千斤?视频:OPTOMET自动化工艺参数开发

根据3D科学谷的市场观察,OPTOMET软件将人工智能应用到选区激光熔化SLM系列加工准备中,将参数准备时间从数周减少到几天,这个软件的智能化程度很高,只需要输入粉末的参数和加工要求,系统会自动优化加工参数,这量级的节约了人工设置参数时间,并且避免了人工设置参数导致的大量报废零件产生。OPTOMET软件还通过人工智能预测零件的机械性能,为新材料的开发打开了一扇智能化的大门。

另一家从事增材制造数据与软件的公司Senvol 开发了一种数据驱动的机器学习软件Senvol ML,用于分析增材制造工艺参与材料性能之间的关系。

Senvol ML 可用于分析来自任何增材制造工艺、设备和任何增材制造材料的数据。该软件能够帮助企业快速表征和鉴定增材制造材料和工艺。Senvol ML 有助于开发经统计证实的材料特性,减少开发设计允许量所需的常规材料表征和测试。还允许用户在给定机械性能的情况下,在特定的增材制造机器上选择适当的工艺参数,这意味着可以减少所需的人工反复试验,从而节省大量时间和金钱。

l 创建具有新特性的新材料

人工智能将在创建更坚固,更轻,更灵活且生产成本更低的材料中发挥超乎想象的作用。

在这种特定情况下,机器学习通常可以用来开发新材料。材料科学家只需要将所需的特性输入程序,机器学习算法便可以预测哪些化学结构单元可以在微观水平上结合在一起,从而创建具有所需功能和特性的结构。

根据3D科学谷的市场观察,由英国剑桥的一家人工智能公司Intellegens开发的一种新的机器学习算法已被用于设计一种新的金属增材制造镍基合金。根据Intellegens的说法,该算法为团队节省了大约15年的材料研究时间和大约1000万美元的研发成本。Intellegens的Alchemite™深度学习算法设计的新合金是通过定向能量沉积(DED)金属3D打印工艺进行制造的,该合金可满足增材制造所需的性能目标,用于制造喷气发动机零部件。

l 数据、数据还是数据!

毫无疑问,人工智能需要与增材制造协同工作。但阻碍人工智能技术与增材制造相集成的挑战之一是数据。3D打印的高度复杂性催生了对于人工智能技术的需求,但这需要大量的数据来保证机器学习算法能够进行正确的“学习”,最佳的优化需要最佳的数据集,然而增材制造领域中的数据获取、管理仍存在挑战。

根据3D科学谷的市场观察,ASTM国际标委会与Americas Makes 已经有所行动,他们合作推出增材制造数据战略指南,该指南指出了增材制造(AM)数据的差距、挑战、解决方案和行动计划。ASTM在增材制造数据战略指南中提出了创建一个健全有力的增材制造数据生态系统,以此推动3D打印进入指数级增长态势。

尽管人工智能和增材制造之间有着完美集成与匹配的天然基础,但距离实现这一目标还有很长的路要走。能够激发人工智能潜能的要素是数据,然而获取增材制造过程中的海量数据,将人工智能正确集成到增材制造过程中,这一领域中的相关利益者之间的标准化和协作都是必要的。