Industriële fabricage
Industrieel internet der dingen | Industriële materialen | Onderhoud en reparatie van apparatuur | Industriële programmering |
home  MfgRobots >> Industriële fabricage >  >> Manufacturing Technology >> 3d printen

Verder gaan dan de basis:machine learning en AM

In het tijdperk van Industrie 4.0 gaat de productie steeds meer richting een wereld van machine learning en kunstmatige intelligentie. Een wereld waar datagedreven systemen ontwikkeld kunnen worden om productieprocessen te verbeteren. En additieve fabricage kan de voordelen van machine learning benutten om meer efficiëntie te bereiken, de productkwaliteit te verbeteren en AM-workflows te optimaliseren.

De efficiëntie verhogen met machine learning

Naarmate additieve productie opschaalt voor de productie van eindgebruik, blijven de vorderingen op het gebied van machine learning niet alleen beperkt tot het vooruitzicht van zelfrijdende auto's. Machine learning kan binnen additieve fabricage worden gebruikt om de efficiëntie te verhogen, deels door het elimineren van trial-and-error-methoden tijdens het productieproces.

Een groot aantal factoren, zoals de oriëntatie van een onderdeel of het ontwerp van ondersteuningsconstructies, kan mogelijk de materiaalstructuur van een onderdeel beïnvloeden en tot falen van de constructie leiden. Dit betekent onvermijdelijk dat de reden achter het mislukken van een build kan worden toegeschreven aan een aantal variabelen. Om tot een betrouwbaar drukproces te komen, wordt doorgaans een trial-and-error-benadering toegepast. Omdat dit echter inhoudt dat er een aantal fouten moet worden gemaakt voordat het optimale proces is bereikt, is een aanpak met vallen en opstaan ​​onvermijdelijk niet efficiënt. Machine learning kan helpen bij het omzeilen van een trial-and-error-benadering van productie door een systeem te ontwikkelen waarmee machines de variabelen en parameters vooraf kunnen bepalen, waardoor het productieproces wordt geoptimaliseerd.

Het Office of Naval Research (ONR) van de Amerikaanse marine is onlangs een samenwerking aangegaan met databedrijf Senvol om machine learning-software te ontwikkelen die de relatie tussen AM-procesparameters en materiaalprestaties kan analyseren. Het doel is om ONR in staat te stellen de afhankelijkheid van traditionele materiaaltesten te verminderen.

En onderzoek door het ADAPT Center in Colorado is al begonnen om te onderzoeken hoe machine learning de inwendige geometrie van het onderdeel kan identificeren, de juiste parameters voor elk nieuw onderdeel kan voorspellen en zo het printproces kan optimaliseren.

Machine learning gebruiken om kwaliteitsprocessen te verbeteren

Machine learning kan ook worden geïmplementeerd om een ​​extra laag kwaliteitscontrole aan het productieproces toe te voegen, aangezien machines uiteindelijk in staat zijn zichzelf te corrigeren en toezicht te houden. Met behulp van machine learning-technologie kunnen grote hoeveelheden gegevens worden geanalyseerd en gebruikt om een ​​realtime status van elke productiefase te geven. Machines kunnen algoritmen gebruiken om patronen in productiegegevens te vinden en op basis daarvan voorspellende modellen te construeren, verfijnd door vergelijkingen met echte gegevens.

Vorig jaar onthulde GE haar onderzoek naar het gebruik van machine-intelligentie en digital twin om de machine- en materiaalprestaties voor 3D-printen van metaal te verbeteren. Door middel van haar onderzoek naar machine learning streeft GE ernaar materiaalverspilling te verminderen door problemen met het kwaliteitsproces op te sporen, met als uiteindelijk doel een opbrengst van 100%. GE's onderzoek is gericht op het verkrijgen van volledig inzicht in elke laag van een onderdeelconstructie, waarbij de machine wordt getraind om problemen met de constructie zelf te herkennen. Hierdoor kunnen gebruikers de mechanica en structuur van een build zien en problemen eerder in het proces identificeren.

Andere toepassingen van machine learning

Reserveonderdelen

Additive manufacturing is een ideale oplossing gebleken voor de reserveonderdelenindustrie, vanwege de hoge kosten voor het opslaan en onderhouden van een inventaris van reserveonderdelen. Additive manufacturing lost dit probleem op door fabrikanten in staat te stellen reserveonderdelen op aanvraag te produceren en te leveren op het moment dat ze dat nodig hebben.

En toch kan machine learning deze oplossing nog een stap verder brengen om de efficiëntie van het productieproces te verbeteren en de voorspellende mogelijkheden te verbeteren. In het geval van discrete fabricage kunnen bedrijven bijvoorbeeld gebruik maken van predictive maintenance modellen om de levensduur van een specifiek onderdeel te voorspellen. Machine learning kan ook worden gebruikt om vast te stellen wanneer een klant onderdelen moet vervangen met behulp van een vooraf ingesteld gegevensschema, zodat fabrikanten vervangende onderdelen van tevoren kunnen verzenden. Fabrikanten zouden daarom moeten overwegen om machine learning te gebruiken om de kosten te verlagen en een hogere klanttevredenheid te garanderen.

Machine learning – een enorm potentieel voor AM

Machine learning heeft het potentieel om productieprocessen te verbeteren, besluitvorming te sturen en uiteindelijk bedrijfsmodellen te transformeren. Er zijn talloze toepassingen van machine learning voor AM, variërend van het verbeteren van ontwerpprocessen tot het verbeteren van de efficiëntie en zelfs het bepalen van de bedrukbaarheid van een 3D-object voordat het printproces is begonnen. Het implementeren van machine learning en AI-systemen is echter ook niet zonder zijn eigen uitdagingen, die strategische planning en investeringen in zowel software- als hardware-infrastructuur vereisen. Maar in het tijdperk van Industrie 4.0 is het duidelijk dat het gebruik van machine learning, AI en big data voor AM slechts op het topje van de ijsberg staat.


3d printen

  1. De toeleveringsketen en machine learning
  2. Visie- en beeldtechnologieën blijven groeien buiten de fabrieksvloer
  3. De toekomst van data-integratie in 2022 en daarna
  4. NXP verdubbelt machine learning at the Edge
  5. Kunstmatige intelligentie versus machinaal leren versus diep leren | Het verschil
  6. Moet inkoop angst opwekken of AI en machine learning-technologie verwelkomen?
  7. De basisprincipes van een freesmachine begrijpen
  8. Machine learning in het veld
  9. AWS versterkt zijn AI- en machine learning-aanbod
  10. De basis van preventief onderhoud van CNC-machines
  11. Hoe AI en machine learning van invloed zijn op CNC-bewerkingen