Pixabay.com
ZMorph3D

AI рационализира процеса на 3D печат

Учени от MIT използват машинно обучение и компютърно зрение за по-добър контрол на дигиталното производство

от Иван Гайдаров

4 август 2022 11:09 647 прочитания

Pixabay.com

Учените и инженерите непрекъснато разработват нови материали с уникални свойства, които могат да се използват за 3D печат, но измислянето на начините за печат с тези материали може да се окаже сложна и скъпа главоблъсканица. Често опитен оператор трябва да използва ръчен метод проба - грешка - вероятно правейки хиляди разпечатки - за да определи идеалните параметри, които постоянно и ефективно да бъдат използвани при отпечатването на нов материал.

За това предупреждават от MIT в публикация в блога си, посветена на техен проект, използващ изкуствен интелект (AI) за рационализиране на описаната процедура. Учените от Масачузетския технологичен институт са разработили система за машинно обучение, която използва компютърно зрение, за да наблюдава производствения процес и след това да коригира грешките в начина, по който се обработва материалът, в реално време. За да обучат невронната мрежа да коригира параметрите на печат и да минимизира грешките, те използват симулации, след което прилагат обучения контролер върху истински 3D принтер. В крайна сметка тяхната разработка отпечатва обекти по-точно от който и да е от другите контролери за 3D печат, с които е сравнена.

"Подходът избягва прекалено скъпия процес на отпечатване на хиляди или милиони реални обекти за обучението на една невронната мрежа и позволява на инженерите по-лесно да включват нови материали в своите опити, което им помага да разработят обекти със специални електрически или химични свойства. Той също така може да помогне на техниците да направят корекции в процеса на печат в движение, ако материалът или условията на околната среда се променят неочаквано", обясняват от MIT, според които "този проект наистина е първата демонстрация на изграждане на производствена система, която използва машинно обучение, за да обучи невронна мрежа на сложна политика за контрол".

Определяне на параметрите

От MIT обръщат внимание, че определянето на идеалните параметри на един дигитален производствен процес може да бъде скъпо начинание, когато се използва подходът проба - грешка. В същото време, веднъж открита, перфектната комбинация е такава само в определени ситуации. Още повече че данните за това как материалът ще се държи в различни среди и на различен хардуер са оскъдни.

За да бъде използвана система за машинно обучение, от друга страна, изследователите първо трябва да са наясно какво се случва на принтера в реално време. За целта те разработват система за машинно зрение, използвайки две камери, насочени към дюзата на 3D принтера. Системата осветява материала, докато се отлага, и въз основа на това колко светлина преминава изчислява дебелината на слоя. След това контролерът обработва изображенията, които получава от системата, и въз основа на всяка грешка, която вижда, регулира скоростта на подаване на материал и посоката на принтера.

Но обучението на контролер, базиран на невронна мрежа, в този производствен процес изисква много данни и тестове. За да бъде оптимизирана работата, учените изграждат симулатор, при който моделът се учи чрез проба - грешка, но без това да коства допълнителни средства.

След като са доказали ефективността на тази техника за 3D печат, изследователите от MIT, от една страна, искат да разработят контролери за други производствени процеси, а от друга, да видят как подходът може да бъде модифициран за сценарии, при които има няколко слоя материал или множество материали, които се отпечатват наведнъж.