Използване на изкуствен интелект за контрол на цифровото производство | Новини от MIT

Учените и инженерите непрекъснато разработват нови материали с уникални свойства, които могат да се използват за 3D печат, но разбират как печатането с тези материали може да бъде 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 отпечатват нов материал. Тези параметри включват скорост на печат и колко материал депозира принтерът.

Изследователите от MIT вече са използвали изкуствен интелект, за да рационализират тази процедура. Те разработиха система за машинно обучение, която използва компютърно зрение, за да наблюдава производствения процес и след това да коригира грешки в начина, по който обработва материала в реално време.

Те използваха симулации, за да научат невронна мрежа как да коригира параметрите на печат, за да минимизира грешките, и след това приложиха този контролер към истински 3D принтер. Тяхната система отпечатва обекти по-точно от всички други контролери за 3D печат, с които я сравняват.

Работата избягва прекалено скъпия процес на отпечатване на хиляди или милиони реални обекти за обучение на невронната мрежа. И може да позволи на инженерите по-лесно да включват нови материали в своите отпечатъци, което може да им помогне да разработят обекти със специални електрически или химични свойства. Може също така да помогне на техниците да направят корекции в процеса на печат в движение, ако материалът или условията на околната среда се променят неочаквано.

„Този ​​проект наистина е първата демонстрация на изграждане на производствена система, която използва машинно обучение, за да научи сложна политика за управление“, казва старши автор Войчех Матусик, професор по електротехника и компютърни науки в Масачузетския технологичен институт, който ръководи Групата за изчислителен дизайн и производство (CDFG ) в Лабораторията по компютърни науки и изкуствен интелект (CSAIL). „Ако имате производствени машини, които са по-интелигентни, те могат да се адаптират към променящата се среда на работното място в реално време, за да подобрят добивите или точността на системата. Можете да изстискате повече от машината.

Съавторите на водещите на проучването са Майк Фоши, машинен инженер и ръководител на проекти в CDFG, и Михал Пиоварчи, постдоктор в Института за наука и технологии в Австрия. Съавторите на MIT включват Jie Xu, студент по електротехника и компютърни науки, и Timothy Erps, бивш технически сътрудник в CDFG.

Параметри за избор

Определянето на идеалните параметри на дигитален производствен процес може да бъде една от най-скъпите части на процеса, тъй като са необходими толкова много опити и грешки. И след като техникът намери комбинация, която работи добре, тези параметри са идеални само за една конкретна ситуация. Тя разполага с малко данни за това как ще се държи материалът в други среди, на различен хардуер или дали нова партида показва различни свойства.

Използването на система за машинно обучение също е изпълнено с предизвикателства. Първо, изследователите трябваше да измерят какво се случва на принтера в реално време.

За да направят това, те разработиха 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 материала.

„Можете да мислите за зрителната система като за набор от очи, наблюдаващи процеса в реално време“, казва Фоши.

След това контролерът ще обработва изображенията, които получава от системата за зрение, и въз основа на всяка грешка, която вижда, ще коригира скоростта на подаване и посоката на принтера.

Но обучението на контролер, базиран на невронна мрежа, за да разбере този производствен процес, изисква много данни и ще изисква правенето на милиони разпечатки. Така че вместо това изследователите изградиха симулатор.

Успешна симулация

За да обучат своя контролер, те използваха процес, известен като обучение с подсилване, при който моделът се учи чрез проба-грешка с награда. Моделът имаше за задача да избере параметри за печат, които да създадат определен обект в симулирана среда. След като му беше показан очакваният резултат, моделът беше възнаграден, когато избраните от него параметри минимизираха грешката между неговия печат и очаквания резултат.

В този случай „грешка“ означава, че моделът или е разпределил твърде много материал, поставяйки го в области, които е трябвало да бъдат оставени отворени, или не е разпределил достатъчно, оставяйки отворени петна, които трябва да бъдат запълнени. Тъй като моделът изпълнява повече симулирани отпечатъци, той актуализира политиката си за контрол, за да увеличи максимално наградата, като става все по-точен.

Реалният свят обаче е по-объркан от симулацията. На практика условията обикновено се променят поради леки вариации или шум в процеса на печат. Така че изследователите създадоха числен модел, който приближава шума от 3D принтера. Те използваха този модел, за да добавят шум към симулацията, което доведе до по-реалистични резултати.

„Интересното нещо, което открихме, беше, че чрез внедряването на този шумов модел успяхме да прехвърлим контролната политика, която беше изцяло обучена в симулация, върху хардуер без обучение с каквито и да е физически експерименти“, казва Фоши. „Не се наложи да правим никаква фина настройка на действителното оборудване след това.“

Когато тестваха контролера, той отпечатваше обекти по-точно от всеки друг контролен метод, който оценяваха. Той се представи особено добре при печат с пълнеж, който представлява отпечатване на вътрешността на обект. Някои други контролери отложиха толкова много материал, че отпечатаният обект се изду, но контролерът на изследователите коригира пътя на печат, така че обектът да остане равен.

Тяхната политика за контрол може дори да научи как материалите се разпространяват след депозиране и съответно да коригира параметрите.

„Също така успяхме да проектираме политики за контрол, които могат да контролират различни видове материали в движение. Така че, ако сте имали производствен процес на място и сте искали да смените материала, няма да се налага да проверявате отново производствения процес. Можете просто да заредите новия материал и контролерът автоматично ще се настрои“, казва Фоши.

Сега, след като са показали ефективността на тази техника за 3D печат, изследователите искат да разработят контролери за други производствени процеси. Те също така биха искали да видят как подходът може да бъде модифициран за сценарии, при които има множество слоеве материал или множество материали, които се отпечатват наведнъж. В допълнение, техният подход предполага, че всеки материал има фиксиран вискозитет („сиропообразност“), но бъдеща итерация може да използва AI за разпознаване и коригиране на вискозитета в реално време.

Допълнителни съавтори на тази работа включват Вахид Бабаей, който ръководи Групата за проектиране и производство с изкуствен интелект в Института Макс Планк; Пьотр Дидик, доцент в университета в Лугано, Швейцария; Szymon Rusinkiewicz, David M. Siegel ’83 професор по компютърни науки в Принстънския университет; и Бернд Бикел, професор в Института за наука и технологии в Австрия.

Работата беше подкрепена отчасти от програмата на FWF Lise-Meitner, начален грант на Европейския съвет за научни изследвания и Националната научна фондация на САЩ.

.