banner

Nachricht

May 27, 2023

Mit künstlicher Intelligenz die digitale Fertigung steuern

Bilder zum Herunterladen auf der Website des MIT News-Büros werden nichtkommerziellen Unternehmen, der Presse und der Öffentlichkeit unter einer Creative Commons-Lizenz „Namensnennung, nicht kommerziell, keine Bearbeitung“ zur Verfügung gestellt. Sie dürfen die bereitgestellten Bilder nicht verändern, außer sie auf die richtige Größe zuzuschneiden. Bei der Reproduktion von Bildern muss eine Kreditlinie in Anspruch genommen werden; Wenn dies unten nicht angegeben ist, nennen Sie die Bilder „MIT“.

Vorheriges Bild Nächstes Bild

Wissenschaftler und Ingenieure entwickeln ständig neue Materialien mit einzigartigen Eigenschaften, die für den 3D-Druck verwendet werden können, aber herauszufinden, wie man mit diesen Materialien druckt, kann ein komplexes und kostspieliges Rätsel sein.

Oftmals muss ein erfahrener Bediener manuelles Ausprobieren anwenden und möglicherweise Tausende von Drucken erstellen, um die idealen Parameter zu ermitteln, mit denen ein neues Material konsistent und effektiv gedruckt werden kann. Zu diesen Parametern gehören die Druckgeschwindigkeit und die Materialmenge, die der Drucker aufträgt.

MIT-Forscher haben nun künstliche Intelligenz genutzt, um dieses Verfahren zu rationalisieren. Sie entwickelten ein maschinelles Lernsystem, das Computer Vision nutzt, um den Herstellungsprozess zu überwachen und dann Fehler im Umgang mit dem Material in Echtzeit zu korrigieren.

Mithilfe von Simulationen brachten sie einem neuronalen Netzwerk bei, Druckparameter so anzupassen, dass Fehler minimiert werden, und wendeten diesen Controller dann auf einen echten 3D-Drucker an. Ihr System druckte Objekte genauer als alle anderen 3D-Druck-Controller, mit denen sie es verglichen hatten.

Die Arbeit vermeidet den unerschwinglich teuren Prozess, Tausende oder Millionen realer Objekte zu drucken, um das neuronale Netzwerk zu trainieren. Und es könnte Ingenieuren ermöglichen, neuartige Materialien einfacher in ihre Drucke zu integrieren, was ihnen bei der Entwicklung von Objekten mit besonderen elektrischen oder chemischen Eigenschaften helfen könnte. Es könnte Technikern auch dabei helfen, spontan Anpassungen am Druckprozess vorzunehmen, wenn sich Material- oder Umgebungsbedingungen unerwartet ändern.

„Dieses Projekt ist wirklich die erste Demonstration des Aufbaus eines Fertigungssystems, das maschinelles Lernen nutzt, um eine komplexe Steuerungspolitik zu erlernen“, sagt der leitende Autor Wojciech Matusik, Professor für Elektrotechnik und Informatik am MIT und Leiter der Computational Design and Fabrication Group (CDFG). ) innerhalb des Labors für Informatik und künstliche Intelligenz (CSAIL). „Wenn Sie Fertigungsmaschinen haben, die intelligenter sind, können sie sich in Echtzeit an die sich ändernde Umgebung am Arbeitsplatz anpassen, um die Erträge oder die Genauigkeit des Systems zu verbessern. Sie können mehr aus der Maschine herausholen.“

Die Co-Hauptautoren der Forschung sind Mike Foshey, Maschinenbauingenieur und Projektmanager am CDFG, und Michal Piovarci, Postdoc am Institut für Wissenschaft und Technologie in Österreich. Zu den Mitautoren des MIT gehören Jie Xu, ein Doktorand der Elektrotechnik und Informatik, und Timothy Erps, ein ehemaliger technischer Mitarbeiter der CDFG.

Parameter auswählen

Die Bestimmung der idealen Parameter eines digitalen Fertigungsprozesses kann einer der teuersten Teile des Prozesses sein, da so viel Versuch und Irrtum erforderlich ist. Und sobald ein Techniker eine Kombination findet, die gut funktioniert, sind diese Parameter nur für eine bestimmte Situation ideal. Sie hat nur wenige Daten darüber, wie sich das Material in anderen Umgebungen, auf anderer Hardware verhält oder ob eine neue Charge andere Eigenschaften aufweist.

Auch der Einsatz eines maschinellen Lernsystems ist mit Herausforderungen verbunden. Zunächst mussten die Forscher in Echtzeit messen, was auf dem Drucker geschah.

Zu diesem Zweck entwickelten sie ein Bildverarbeitungssystem mit zwei Kameras, die auf die Düse des 3D-Druckers gerichtet waren. Das System bestrahlt das Material beim Auftragen mit Licht und berechnet anhand der durchgelassenen Lichtmenge die Dicke des Materials.

„Man kann sich das Vision-System als eine Reihe von Augen vorstellen, die den Prozess in Echtzeit beobachten“, sagt Foshey.

Der Controller würde dann die Bilder verarbeiten, die er vom Bildverarbeitungssystem erhält, und basierend auf jedem erkannten Fehler die Vorschubgeschwindigkeit und die Richtung des Druckers anpassen.

Das Training eines auf einem neuronalen Netzwerk basierenden Controllers, um diesen Herstellungsprozess zu verstehen, ist jedoch datenintensiv und würde die Anfertigung von Millionen von Drucken erfordern. Stattdessen bauten die Forscher einen Simulator.

Erfolgreiche Simulation

Um ihren Controller zu trainieren, nutzten sie einen Prozess namens Reinforcement Learning, bei dem das Modell durch Versuch und Irrtum mit einer Belohnung lernt. Das Modell hatte die Aufgabe, Druckparameter auszuwählen, die ein bestimmtes Objekt in einer simulierten Umgebung erzeugen würden. Nachdem die erwartete Ausgabe angezeigt wurde, wurde das Modell belohnt, wenn die von ihm gewählten Parameter den Fehler zwischen seiner Ausgabe und dem erwarteten Ergebnis minimierten.

In diesem Fall bedeutet ein „Fehler“, dass das Modell entweder zu viel Material ausgegeben hat und es in Bereichen platziert hat, die offen bleiben sollten, oder dass es nicht genug Material ausgegeben hat, sodass offene Stellen zurückblieben, die ausgefüllt werden sollten. Da das Modell mehr simulierte Drucke ausführte , hat es seine Kontrollpolitik aktualisiert, um die Belohnung zu maximieren und immer genauer zu werden.

Allerdings ist die reale Welt chaotischer als eine Simulation. In der Praxis ändern sich die Bedingungen typischerweise aufgrund geringfügiger Abweichungen oder Geräuschen im Druckprozess. Deshalb erstellten die Forscher ein numerisches Modell, das den Lärm des 3D-Druckers annähert. Sie nutzten dieses Modell, um der Simulation Rauschen hinzuzufügen, was zu realistischeren Ergebnissen führte.

„Das Interessante, was wir herausfanden, war, dass wir durch die Implementierung dieses Rauschmodells die Steuerungspolitik, die rein in der Simulation trainiert wurde, ohne Training und physikalische Experimente auf die Hardware übertragen konnten“, sagt Foshey. „Wir mussten im Nachhinein keine Feinabstimmungen an der eigentlichen Ausrüstung vornehmen.“

Als sie den Controller testeten, druckte er Objekte genauer als jede andere von ihnen evaluierte Steuerungsmethode. Besonders gut schnitt es beim Infill-Druck ab, bei dem das Innere eines Objekts gedruckt wird. Einige andere Controller trugen so viel Material auf, dass sich das gedruckte Objekt ausbeulte, aber der Controller der Forscher passte den Druckpfad so an, dass das Objekt eben blieb.

Ihre Kontrollpolitik kann sogar lernen, wie sich Materialien nach der Ablagerung ausbreiten, und die Parameter entsprechend anpassen.

„Wir waren auch in der Lage, Kontrollrichtlinien zu entwerfen, die verschiedene Arten von Materialien im Handumdrehen steuern konnten. Wenn Sie also einen Herstellungsprozess vor Ort hatten und das Material ändern wollten, müssten Sie ihn nicht erneut validieren.“ „Man konnte einfach das neue Material laden und die Steuerung passte sich automatisch an“, sagt Foshey.

Nachdem sie nun die Wirksamkeit dieser Technik für den 3D-Druck nachgewiesen haben, wollen die Forscher Steuerungen für andere Fertigungsprozesse entwickeln. Sie möchten auch sehen, wie der Ansatz für Szenarien geändert werden kann, in denen mehrere Materialschichten vorhanden sind oder mehrere Materialien gleichzeitig gedruckt werden. Darüber hinaus ging ihr Ansatz davon aus, dass jedes Material eine feste Viskosität („Sirupigkeit“) hat, aber eine zukünftige Iteration könnte KI verwenden, um die Viskosität in Echtzeit zu erkennen und anzupassen.

Weitere Co-Autoren dieser Arbeit sind Vahid Babaei, der die Gruppe „Artificial Intelligence Aided Design and Manufacturing“ am Max-Planck-Institut leitet; Piotr Didyk, außerordentlicher Professor an der Universität Lugano in der Schweiz; Szymon Rusinkiewicz, David M. Siegel '83 Professor für Informatik an der Princeton University; und Bernd Bickel, Professor am Institut für Wissenschaft und Technologie in Österreich.

Die Arbeit wurde teilweise durch das Lise-Meitner-Programm des FWF, ein Startstipendium des Europäischen Forschungsrats und die US-amerikanische National Science Foundation unterstützt.

Vorheriger Artikel Nächster Artikel

Auswahlparameter Erfolgreiche Simulation
AKTIE