МАШИННОЕ ОБУЧЕНИЕ В АДДИТИВНОМ ПРОИЗВОДСТВЕ

АННОТАЦИЯ

В статье рассматривается вопрос применения методов машинного обучения в контексте аддитивного производства, представляя обзор современных технологий и их применение для оптимизации процессов и улучшения качества производства. Особое внимание уделено использованию машинного обучения для предсказания и управления качеством производимых изделий, оптимизации параметров процесса печати, анализа и оптимизации структуры материалов, а также автоматизации и управления производственными процессами.

Ключевые слова: машинное обучение, аддитивное производство, модель, производственный процесс.

Технология аддитивного производства (AП), также известная как 3D-печать, становится новой и революционной тенденцией в производстве во всем мире. Эта технология не только производит революцию в традиционных производственных процессах, но и позволяет внедрять инновации в производство благодаря своему уникальному методу изготовления продукции по частям, по строкам или по слоям на основе данных 3D-модели. Надежность деталей, полученных с помощью 3Д печати, была в центре внимания исследователей при реализации аддитивного производства как инструмента для производства конечных деталей. Машинное обучение (МО) находит применение в различных аспектах AП для улучшения всего процесса проектирования и производства. Применение машинного обучения в области аддитивного производства имеет большой потенциал.

Так в исследование [1] рассматривается вопрос применения ансамблевых методов машинного обучения для прогнозирования механических свойств печатных деталей в аддитивном производстве.

Ансамблиевым методом в машинном обучение является метод, при котором несколько моделей обучаются для решения одной и той же проблемы и объединяются для получения лучших результатов.

В ходе исследования на основе заранее сформированного набора данных, образцов полимолочной кислоты (PLA) технологией послойного осаждения (FDM), было произведено машинное обучение ансамблиевым методом на основе алгоритмов: регрессии с усилением градиента, регрессии с экстремальным градиентным усилением, адаптивной регрессии усиления, случайная лесная регрессии, а также чрезвычайно рандомизированной древовидной регрессии. Данные включали в себя толщину слоя при печати, скорость печати, температуру сопла, угол заполнения, шероховатость поверхности. Моделирование показало, что каждая из моделей имеет свои преимущества в определенных аспектах. Так алгоритм регрессии с экстремальным градиентным усилением продемонстрировал большую точность прогнозирования для шероховатости поверхности, а алгоритм чрезвычайно рандомизированной древовидной регрессии — для прочности на разрыв.

Ансамблевые модели показали заметную точность, измеренную с помощью средней абсолютной ошибки, средней квадратичной ошибки и средней абсолютной процентной ошибки. Эти результаты продемонстрировали эффективность ансамблевых методов машинного обучения в выявлении сложных корреляций в наборе данных, что делает их лучшими вариантами для точных прогнозов в контексте образцов PLA.

Благодаря рассмотренному методу машинного обучения производители могут сократить расходы и повысить производительность за счет оптимизации процессов и устранения проб и ошибок. Точное прогнозирование сокращает потери материалов и времени, что приводит к более экологичным методам производства. При обучении новых инженеров и операторов процессу FDM интерпретируемые модели могут быть полезным учебным инструментом.

Машинное обучение находит применение при аддитивном производстве изделий из металлов методом селективного лазерного плавления.

В исследовании [2] рассматривается как метаданные могут проектировать усталостно-стойкие конструкции с использованием физически обоснованных моделей, таких как теория функционала плотности, циклическая пластичность и механика разрушения, которые обучают алгоритмы машинного обучения. В качестве образцов были использованы Ti-6Al-4V, полученные методом селективного лазерного плавления. Предлагается использовать метод обучения с подкреплением.

Обучение с подкреплением — это метод машинного обучения, при котором происходит обучение модели, которая не имеет сведений о системе, но имеет возможность производить какие-либо действия в ней. Действия переводят систему в новое состояние и модель получает от системы некоторое вознаграждение.

Предлагаемое решение не подразумевает разделения данных для обучения и проверки, поскольку будут использоваться синтетические данные для обучения и экспериментальные данные для тестирования и проверки. Стратегия машинного обучения, применяемая здесь, представляет собой многослойную стратегию глубоко взаимосвязанных схем регрессии, которые применяют многомерную интеграцию с помощью алгоритма Метрополиса-Гастингса.

Согласно исследованию, установлено что:

1. Процесс проектирования усталости может начинаться до обработки посредством механистического машинного обучения и объединения глубоких нейронных слоев различных схем регрессии с численными методами высокоразмерных интегралов, которые в значительной степени охватывают многомасштабную мультифизику.

2. Представленная методология машинного обучения эффективна в определенном заранее определенном окне процесса, соответствующем граничным условиям задачи.

3. Большего контроля над свойствами можно добиться, ориентируясь на строго количественные сопряжения процесса и свойств, а также на более высокую эффективность производства при использовании энергии и материалов.

4. Материалы, устойчивые к усталостным повреждениям, могут быть спроектированы заранее для реального производства на основе исторических метаданных производственных процессов и характеристик повреждений в процессе эксплуатации.

Исследование, проведенное в работе [3] предлагает использование машинного обучения для обнаружения локального накопления тепла в режиме реального времени при аддитивном производстве металлов. Сильное накопление тепла может значительно повысить условия предварительного нагрева ванны расплава и, таким образом, увеличить вероятность образования пор.

Мониторинг процесса аддитивного производства металлов на месте стал важным как для производственных, так и для научно-исследовательских целей, учитывая проблемы с изменчивостью, которые препятствуют реализации полномасштабного производства и более широкому применению.

В этом исследовании основное внимание уделяется локальному накоплению тепла в напечатанных слоях. Эффекты накопления тепла в последовательных слоях не рассматриваются.

Экспериментальная работа была выполнена на машине TRUMPF TruPrint 3000 PBF-LB в лаборатории AM Carnegie Mellon Next Manufacturing Center.

В качестве метода машинного обучения было использовано обучения с подкреплением. Алгоритм разделен на три этапа: предварительная обработка изображения, отслеживание зоны сканирования (SZ) и обнаружение зоны накопления тепла, и отображение зон накопления тепла на геометрию автоматизированного проектирования (САПР). После завершения печати, анализируемые в реальном времени кадры могут быть подвергнуты постобработке для реконструкции САПР-геометрии напечатанной детали, иллюстрирующей расположение зон накопления тепла. Эффективность предлагаемого подхода подтверждена путем внедрения на печатной детали из сплава SS316L, которая разработана для включения разнообразного набора геометрических особенностей. Алгоритм смог обнаружить более 90 процентов локальных точек накопления тепла. Проблема данного метода состоит в аппаратных ограничениях ИК-томографии. Средние системы ИК-визуализации имеют компромисс между полем зрения и частотой кадров захвата. С одной стороны, требуемое поле зрения должно быть достаточно большим, чтобы охватить всю контролируемую деталь или элемент. С другой стороны, для отслеживания SZ в реальном времени необходима адекватная частота кадров. Низкая частота кадров, не соответствующая скорости сканирования лазера, может привести к низкому временному разрешению и, таким образом, пропуску локальных горячих точек, особенно на тонких геометрических элементах.

Применение машинного обучения в аддитивном производстве открывает новые горизонты для повышения эффективности и качества производственных процессов. Использование алгоритмов машинного обучения позволяет не только автоматизировать многие аспекты производства, но и значительно улучшить контроль качества и предсказуемость свойств конечных изделий. Несмотря на ряд текущих вызовов, таких как необходимость больших объемов данных и сложность интерпретации моделей, перспективы интеграции машинного обучения в аддитивное производство остаются весьма многообещающими. Дальнейшие исследования и развитие в этом направлении могут привести к созданию более интеллектуальных и адаптивных производственных систем, способных к самосовершенствованию и более эффективному использованию ресурсов.

Список литературы:

1. Jayanta Bhusan Deb, Shilpa Chowdhury, Nur Mohammad Ali An investigation of the ensemble machine learning techniques for predicting mechanical properties of printed parts in additive manufacturing [Текст] / Jayanta Bhusan Deb, Shilpa Chowdhury, Nur Mohammad Ali // Decision Analytics Journal. — September 2024. — № Volume 12, https://doi.org/10.1016/j.dajour.2024.100492
2. Mustafa Awd, Lobna Saeed, Sebastian Münstermann, Matthias Faes, Frank Walther Mechanistic machine learning for metamaterial fatigue strength design from first principles in additive manufacturing [Текст] / Mustafa Awd,  Lobna Saeed,  Sebastian Münstermann,  Matthias Faes,  Frank Walther // Materials & Design. — May 2024. — № Volume 241, https://doi.org/10.1016/j.matdes.2024.112889
3. David Guirguis, Conrad Tucker, Jack Beuth Machine learning for real-time detection of local heat accumulation in metal additive manufacturing [Текст] / David Guirguis, Conrad Tucker, Jack Beuth // Materials & Design. — May 2024. — № Volume 241, https://doi.org/10.1016/j.matdes.2024.112933
4. Yakubu Adekunle Alli,  Hazleen Anuar,  Mohd Romainor Manshor, Christian Emeka Okafor, Amjad Fakhri Kamarulzaman, Nürettin Akçakale, Fatin Nurafiqah Mohd Nazeri,  Mahdi Bodaghi,  Jonghwan Suhr, Nur Aimi Mohd Nasir Optimization of 4D/3D printing via machine learning: A systematic review [Текст] / Yakubu Adekunle Alli, Hazleen Anuar, Mohd Romainor Manshor, Christian Emeka Okafor, Amjad Fakhri Kamarulzaman,  Nürettin Akçakale, Fatin Nurafiqah Mohd Nazeri, Mahdi Bodaghi, Jonghwan Suhr, Nur Aimi Mohd Nasir // Hybrid Advances. — August 2024. — № Volume 6, https://doi.org/10.1016/j.hybadv.2024.100242
5. Xijun Zhang, Dianming Chu, Xinyue Zhao, Chenyu Gao, Lingxiao Lu, Yan He, Wenjuan Bai Machine learning-driven 3D printing: A review [Текст] / Xijun Zhang, Dianming Chu, Xinyue Zhao, Chenyu Gao, Lingxiao Lu, Yan He, Wenjuan Bai // Applied Materials Today. — August 2024. — № Volume 39, https://doi.org/10.1016/j.apmt.2024.102306