Để theo dõi và sửa đổi các quy trình sản xuất kỹ thuật số trong thời gian thực, các nhà nghiên cứu đã đào tạo một AI mới. Mặc dù các nhà khoa học và kỹ sư liên tục tạo ra các vật liệu mới với các tính năng đặc biệt có thể được sử dụng để in 3D, việc tìm ra cách in bằng chúng có thể là một thách thức và tốn kém.
Một mô phỏng dạy quy trình sản xuất kỹ thuật số cho AI
Để tìm ra các thông số tối ưu giúp tạo ra các bản in chất lượng cao một cách nhất quán trên vật liệu mới, một chuyên gia vận hành thường xuyên cần tiến hành các thử nghiệm thử và sai thủ công, đôi khi tạo ra hàng nghìn bản in. Tốc độ in và lượng vật liệu mà máy in gửi là một trong những biến số này.
Các nhà nghiên cứu của MIT hiện đã sử dụng trí tuệ nhân tạo để hợp lý hóa quá trình này. Họ đã tạo ra một hệ thống máy học để theo dõi quá trình sản xuất kỹ thuật số bằng cách sử dụng thị giác máy tính và sửa lỗi xử lý trong thời gian thực.
Họ đặt bộ điều khiển trên một máy in 3D thực sau khi sử dụng mô phỏng để dạy mạng lưới thần kinh cách thay đổi các thông số in để giảm lỗi. So với các bộ điều khiển in 3D khác, công nghệ của họ tạo ra các sản phẩm chính xác hơn.
Công việc này tránh được quy trình sản xuất kỹ thuật số in hàng chục nghìn hoặc hàng trăm triệu đối tượng thực tế để huấn luyện mạng lưới thần kinh. Ngoài ra, nó có thể giúp các kỹ sư kết hợp vật liệu mới vào thiết kế của họ dễ dàng hơn, cho phép họ tạo ra các sản phẩm có đặc tính điện hoặc hóa học độc đáo. Nếu những thay đổi không mong muốn xảy ra trong môi trường hoặc vật liệu in, điều đó cũng có thể giúp kỹ thuật viên điều chỉnh quy trình in nhanh chóng dễ dàng hơn.
AI trong sản xuất: Tương lai của ngành công nghiệp 4.0
“Dự án này thực sự là minh chứng đầu tiên về việc xây dựng một hệ thống sản xuất sử dụng máy học để tìm hiểu chính sách kiểm soát phức tạp. Nếu bạn có máy móc sản xuất thông minh hơn, chúng có thể thích ứng với môi trường thay đổi tại nơi làm việc trong thời gian thực để cải thiện năng suất hoặc độ chính xác của hệ thống. Bạn có thể khai thác được nhiều thứ hơn từ máy,” Wojciech Matusik, tác giả cấp cao và giáo sư về kỹ thuật điện và khoa học máy tính của MIT, người chỉ đạo Nhóm Chế tạo và Thiết kế Tính toán (CDFG) trong Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo, cho biết.
Các tác giả đồng chủ trì là Michal Piovarci, một postdoc tại Viện Khoa học và Công nghệ ở Áo, và Mike Foshey, một kỹ sư cơ khí và quản lý dự án của CDFG, Jie Xu, một sinh viên tốt nghiệp ngành kỹ thuật điện và khoa học máy tính, và Timothy Erps. , cựu cộng tác viên kỹ thuật của CDFG. Nghiên cứu sẽ được trình bày tại hội nghị SIGGRAPH của Hiệp hội Máy tính Máy tính.
Những thông số
Do có rất nhiều thử nghiệm và sai sót liên quan nên việc chọn thông số tối ưu cho quy trình sản xuất kỹ thuật số có thể là một trong những bước khó khăn nhất trong quy trình. Ngoài ra, khi kỹ thuật viên phát hiện ra sự kết hợp hoạt động tốt, các thông số đó chỉ tối ưu trong một trường hợp cụ thể. Cô ấy thiếu thông tin về cách thức hoạt động của chất này trong các môi trường khác nhau, trên các thiết bị khác nhau hoặc liệu một mẻ tươi có các đặc tính khác nhau hay không.
Ngoài ra, còn có những khó khăn khi sử dụng hệ thống học máy. Trước tiên, các nhà nghiên cứu phải thực hiện các phép đo thời gian thực về những gì đang xảy ra trên máy in.
Họ đã tạo ra một hệ thống thị giác máy với hai camera hướng vào đầu phun của máy in 3D để thực hiện điều này. Công nghệ này chiếu sáng vật liệu khi nó được lắng đọng và xác định độ dày của vật liệu dựa trên lượng ánh sáng đi qua.
Foshey giải thích: “Bạn có thể coi hệ thống thị giác như một đôi mắt đang theo dõi quá trình trong thời gian thực.
Khi bộ điều khiển đã xử lý các hình ảnh mà nó nhận được từ hệ thống thị giác, nó sẽ thay đổi hướng và tốc độ nạp của máy in để phản hồi lại bất kỳ lỗi nào mà nó tìm thấy.
Việc tạo ra hàng triệu bản in là cần thiết để đào tạo bộ điều khiển dựa trên mạng thần kinh để hiểu được quy trình sản xuất kỹ thuật số này, đây là một hoạt động sử dụng nhiều dữ liệu. Vì vậy, thay vào đó, các nhà nghiên cứu đã tạo ra một thiết bị mô phỏng.
Học tăng cường được sử dụng để huấn luyện bộ điều khiển
Họ đã sử dụng một kỹ thuật học tăng cường để huấn luyện người điều khiển, dạy cho mô hình bằng cách thưởng cho nó khi nó mắc lỗi. Mô hình được giao nhiệm vụ chọn cài đặt in để tạo ra một đối tượng cụ thể trong cài đặt ảo. Mô hình được trao giải khi các thông số được chọn đã giảm thiểu sai số giữa bản in của nó và kết quả dự đoán sau khi được đưa ra kết quả dự đoán.
Tác động môi trường của AI khiến các quy định trở nên quan trọng cho một tương lai bền vững
Một “lỗi” trong bối cảnh này có nghĩa là mô hình đã phân phối quá nhiều vật liệu, lấp đầy những khoảng trống đáng lẽ phải trống hoặc không đủ vật liệu, để lại những khoảng trống cần lấp đầy. Mô hình đã cải thiện chính sách kiểm soát của mình để tối đa hóa phần thưởng bằng cách chạy nhiều bản in mô phỏng hơn, tăng độ chính xác của nó.
Tuy nhiên, thế giới thực còn phức tạp hơn thế giới mô phỏng. Các điều kiện thường thay đổi do những dao động nhỏ hoặc tiếng ồn của quá trình in. Các nhà nghiên cứu đã phát triển một mô hình số đại diện gần đúng cho tiếng ồn của máy in 3D. Họ sử dụng phương pháp này để mô phỏng tiếng ồn, mang lại kết quả chính xác hơn.
“Điều thú vị mà chúng tôi nhận thấy là bằng cách triển khai mô hình tiếng ồn này, chúng tôi có thể chuyển chính sách điều khiển hoàn toàn được huấn luyện bằng mô phỏng sang phần cứng mà không cần huấn luyện bằng bất kỳ thử nghiệm vật lý nào. Sau đó, chúng tôi không cần thực hiện bất kỳ tinh chỉnh nào trên thiết bị thực tế,” Foshey nói.
Khi bộ điều khiển chạy thử, nó in các đối tượng chính xác hơn bất kỳ chiến lược điều khiển nào khác mà họ đã thử nghiệm. Nó hoạt động đặc biệt tốt khi in nội dung, bao gồm việc in nội thất của vật thể. Bộ điều khiển của các nhà nghiên cứu đã thay đổi đường dẫn in, do đó vật thể được giữ nguyên trong khi một số bộ điều khiển khác lắng đọng nhiều vật liệu đến mức vật thể in phồng lên.
Ngay cả sau khi vật liệu được ký gửi, chính sách kiểm soát của chúng vẫn có thể tìm hiểu cách chúng phân tán và điều chỉnh các thông số.
“Chúng tôi cũng có thể thiết kế các chính sách kiểm soát có thể kiểm soát nhanh chóng các loại vật liệu khác nhau. Vì vậy, nếu bạn có quy trình sản xuất tại hiện trường và muốn thay đổi vật liệu, bạn sẽ không phải xác nhận lại quy trình sản xuất. Bạn chỉ cần nạp vật liệu mới và bộ điều khiển sẽ tự động điều chỉnh,” Foshey giải thích.
Vai trò của AI trong chế tạo robot
Các nhà nghiên cứu dự định tạo ra các biện pháp kiểm soát cho các quy trình sản xuất kỹ thuật số khác khi họ đã chứng minh được tính hiệu quả của phương pháp này đối với in 3D. Họ cũng muốn xem xét chiến lược có thể được thay đổi như thế nào để phù hợp với các tình huống có nhiều lớp vật liệu hoặc nhiều vật liệu khác nhau được sản xuất đồng thời. Ngoài ra, phương pháp của họ giả định rằng mỗi vật liệu có độ nhớt không đổi (hoặc “độ nhớt”). Tuy nhiên, phiên bản mới hơn có thể sử dụng trí tuệ nhân tạo để phát hiện và tính toán độ nhớt theo thời gian thực cho các quy trình sản xuất kỹ thuật số.
