Mokslininkai ir inžinieriai nuolat kuria naujas medžiagas, pasižyminčias unikaliomis savybėmis, kurias galima naudoti 3D spausdinimui, tačiau išsiaiškinti, kaip spausdinti su šiomis medžiagomis, gali būti sudėtinga ir brangiai kainuojanti mįslė.
Dažnai ekspertas operatorius turi rankiniu būdu bandyti ir klysti, galbūt atlikdamas tūkstančius atspaudų, kad nustatytų idealius parametrus, pagal kuriuos būtų galima veiksmingai spausdinti naują medžiagą. Šie parametrai apima spausdinimo greitį ir tai, kiek medžiagos spausdintuvas nusodina.
Dabar MIT mokslininkai panaudojo dirbtinį intelektą, kad supaprastintų šią procedūrą. Jie sukūrė mašininio mokymosi sistemą, kuri, naudodama kompiuterinę regą, stebi gamybos procesą ir realiuoju laiku ištaiso klaidas, susijusias su medžiagos apdorojimu
Jie naudojo modeliavimą, kad išmokytų neuroninį tinklą, kaip reguliuoti spausdinimo parametrus, kad būtų kuo mažiau klaidų, ir tada pritaikė šį valdiklį tikram 3D spausdintuvui. Jų sistema spausdino objektus tiksliau nei visi kiti 3D spausdinimo valdikliai, su kuriais ją lygino
Darbe išvengta pernelyg brangaus proceso, kai reikia spausdinti tūkstančius ar milijonus tikrų objektų, kad būtų galima apmokyti neuroninį tinklą. Be to, tai galėtų leisti inžinieriams lengviau įtraukti naujas medžiagas į savo spaudinius, o tai padėtų kurti objektus, pasižyminčius ypatingomis elektrinėmis ar cheminėmis savybėmis. Tai taip pat galėtų padėti technikams iš karto koreguoti spausdinimo procesą, jei netikėtai pasikeistų medžiagos ar aplinkos sąlygos.
„Šis projektas iš tiesų yra pirmasis gamybos sistemos, kuri naudoja mašininį mokymąsi sudėtingai valdymo politikai išmokti, sukūrimo pavyzdys”, – sako vyriausiasis autorius Wojciechas Matusikas, Masačusetso technologijos instituto (MIT) elektros inžinerijos ir informatikos profesorius, vadovaujantis Kompiuterių mokslo ir dirbtinio intelekto laboratorijos (CSAIL) Kompiuterinio projektavimo ir gamybos grupei (CDFG). „Jei turėsite protingesnes gamybos mašinas, jos galės realiuoju laiku prisitaikyti prie besikeičiančios darbo vietos aplinkos ir taip padidinti našumą ar sistemos tikslumą. Iš mašinos galima išspausti daugiau.”
Tyrimo bendraautoriai yra Mike’as Foshey, CDFG mechanikos inžinierius ir projektų vadovas, ir Michalas Piovarci, Austrijos mokslo ir technologijų instituto doktorantas. MIT bendraautoriai yra Jie Xu, elektros inžinerijos ir kompiuterių mokslo magistrantas, ir Timotis Erpsas, buvęs CDFG techninis bendradarbis.
Parametrų parinkimas
Idealių skaitmeninio gamybos proceso parametrų nustatymas gali būti viena brangiausių proceso dalių, nes reikia daug bandymų ir klaidų. Ir kai technikas randa gerai veikiantį derinį, tie parametrai yra idealūs tik vienoje konkrečioje situacijoje. Ji turi nedaug duomenų apie tai, kaip medžiaga elgsis kitoje aplinkoje, su kita technine įranga arba ar nauja partija pasižymės kitokiomis savybėmis.
Naudojant mašininio mokymosi sistemą taip pat susiduriama su sunkumais. Pirma, tyrėjams reikėjo išmatuoti, kas vyksta spausdintuve realiuoju laiku
Tam jie sukūrė mašininio matymo sistemą, naudodami dvi kameras, nukreiptas į 3D spausdintuvo antgalį. Sistema apšviečia medžiagą, kai ji nusodinama, ir pagal tai, kiek šviesos praeina, apskaičiuoja medžiagos storį.
„Regėjimo sistemą galima įsivaizduoti kaip akis, stebinčias procesą realiuoju laiku, – sako Foshey.
Valdiklis apdorotų vaizdus, gautus iš regos sistemos, ir, atsižvelgdamas į pastebėtas klaidas, pakoreguotų padavimo greitį ir spausdintuvo kryptį.
Tačiau neuroniniu tinklu pagrįstam valdikliui išmokyti suprasti šį gamybos procesą reikia daug duomenų, be to, reikėtų padaryti milijonus atspaudų. Todėl tyrėjai vietoj to sukūrė simuliatorių
Sėkmingas modeliavimas
Norėdami apmokyti savo valdiklį, jie naudojo vadinamąjį pastiprinto mokymosi procesą, kurio metu modelis mokosi bandymų ir klaidų metodu, gaudamas atlygį. Modeliui buvo pavesta parinkti spausdinimo parametrus, kurie imituojamoje aplinkoje sukurtų tam tikrą objektą. Parodžius tikėtiną rezultatą, modelis buvo apdovanojamas, kai jo parinkti parametrai sumažindavo jo spausdinimo ir laukiamo rezultato paklaidą.
Šiuo atveju „paklaida” reiškia, kad modelis išleido per daug medžiagos, įdėdamas ją į vietas, kurios turėjo likti neužpildytos, arba išleido per mažai, palikdamas atviras vietas, kurios turėjo būti užpildytos. Kadangi modelis atliko daugiau imituojamų spaudinių, jis atnaujino savo valdymo politiką, kad maksimaliai padidintų atlygį ir taptų vis tikslesnis
Tačiau realus pasaulis yra netvarkingesnis nei modeliavimas. Praktikoje sąlygos paprastai keičiasi dėl nedidelių spausdinimo proceso svyravimų ar triukšmo. Taigi tyrėjai sukūrė skaitmeninį modelį, aproksimuojantį 3D spausdintuvo keliamą triukšmą. Šį modelį jie panaudojo į modeliavimą įtraukdami triukšmą, todėl rezultatai tapo tikroviškesni.
„Įdomu tai, kad, įdiegę šį triukšmo modelį, galėjome perkelti valdymo politiką, kuri buvo išmokyta tik modeliavimo būdu, į techninę įrangą, nevykdydami jokių fizinių eksperimentų”, – sako Foshey. „Vėliau mums nereikėjo atlikti jokio derinimo su faktine įranga.”
Kai jie išbandė valdiklį, jis spausdino objektus tiksliau nei bet kuris kitas jų įvertintas valdymo metodas. Ypač gerai jis veikė spausdinant užpildus, t. y. spausdinant objekto vidų. Kai kurie kiti valdikliai įterpdavo tiek daug medžiagos, kad atspausdintas objektas išsipūsdavo, tačiau tyrėjų valdiklis pakoregavo spausdinimo kelią taip, kad objektas išliktų lygus.
Jų valdymo politika netgi gali sužinoti, kaip medžiagos pasklinda po įterpimo, ir atitinkamai pakoreguoti parametrus.
„Taip pat galėjome sukurti valdymo politiką, kuri galėtų kontroliuoti įvairių tipų medžiagas „iš karto”. Taigi, jei gamybos procesas vyktų lauke ir norėtumėte pakeisti medžiagą, nereikėtų iš naujo patvirtinti gamybos proceso. Galėtumėte tiesiog įkelti naują medžiagą ir valdiklis automatiškai prisitaikytų”, – sako Foshey.
Dabar, kai jie įrodė šio metodo efektyvumą 3D spausdinimui, tyrėjai nori sukurti kitų gamybos procesų valdiklius. Jie taip pat norėtų išsiaiškinti, kaip šį metodą būtų galima modifikuoti scenarijams, kai yra keli medžiagos sluoksniai arba vienu metu spausdinamos kelios medžiagos. Be to, jų metodas rėmėsi prielaida, kad kiekviena medžiaga turi fiksuotą klampumą („sirupiškumą”), tačiau ateityje būtų galima naudoti dirbtinį intelektą klampumui atpažinti ir koreguoti realiuoju laiku.
Kiti šio darbo bendraautoriai: Vahidas Babaei, vadovaujantis Makso Planko instituto Dirbtinio intelekto projektavimo ir gamybos grupei, Piotras Didykas, Lugano universiteto Šveicarijoje docentas, Szymonas Rusinkiewiczius, Davidas M. Siegel „83 kompiuterių mokslo profesorius Prinstono universitete; ir Bernd Bickel, Austrijos Mokslo ir technologijų instituto profesorius.
Darbą iš dalies rėmė FWF Lise-Meitner programa, Europos mokslinių tyrimų tarybos pradinė dotacija ir JAV nacionalinis mokslo fondas.
