Интеграция ИИ и машинного обучения для оптимизации параметров Dml

Интеграция искусственного интеллекта (ИИ) и машинного обучения (ML) в Direct Metal Laser Sintering (DMLS) представляет собой сдвиг парадигмы в аддитивном производстве. DMLS, процесс синтеза на порошковой основе, использует мощный лазер для выборочного плавления и плавления металлических порошков в плотные, сложные геометрии. Несмотря на свою свободу проектирования и механические преимущества, процесс печально известен своей чувствительностью к вариациям параметров. Традиционно операторы полагаются на эмпирические испытания и ошибки, чтобы найти подходящую мощность лазера, скорость сканирования, интервал между люками, толщину слоя и характеристики порошка. Этот ручной подход требует много времени, дорог и часто не может достичь воспроизводимых результатов в различных материалах или условиях машины. AI и ML предлагают решение, основанное на данных, которое может учиться на прошлых сборках, прогнозировать оптимальные параметры и даже адаптироваться в режиме реального времени. Рассматривая процесс DMLS как сложную, многовариантную систему, модели ML раскрывают скрытые корреляции и позволяют производителям последовательно производить высококачественные детали, сокращая время отходов и цикла.

Понимание DMLS и его проблем

Прямой лазерный спекание металла (DMLS) является одной из наиболее широко используемых технологий металлического аддитивного производства. Он строит детали из слоя тонкого металлического порошка, слой за слоем, с использованием волоконного лазера. На процесс влияют десятки параметров, каждый из которых взаимодействует нелинейным образом. Ключевые параметры включают:

• Лазерная мощность (W): Определяет ввод энергии на единицу площади. Недостаточная мощность приводит к неполному плавлению; избыточная мощность вызывает испарение или пористость замочной скважины.
• Скорость сканирования (мм/с): Влияет на геометрию бассейна расплава и скорость охлаждения. Слишком быстро приводит к плохой связи; слишком медленно увеличивает тепловое напряжение и искажение.
• Толщина слоя (мкм): Балансы увеличивают скорость и разрешение. Более толстые слои снижают точность и могут вызывать эффекты лестницы или расслоение.
• Расстояние между лазерными сканами:] Расстояние между лазерными сканами должно быть оптимизировано для обеспечения полного синтеза без чрезмерной переплавки.
• Порошковые свойства: Распределение размеров частиц, морфология и текучесть влияют на однородность и плотность слоя.

Традиционный подход к оптимизации параметров использует методы проектирования экспериментов (DOE) или однофакторного (OFAT) времени. Для этого требуются десятки тестовых купонов, деструктивный анализ и обширная микроскопия. Даже тогда настройки часто действительны только для конкретной машины, партии материала и геометрии. Масштабирование производства или введение новых сплавов требует повторения всего процесса. Эта неэффективность является основным барьером для принятия DMLS для производства большого объема. Кроме того, аномалии в процессе, такие как брызги, повреждение ограждения или тепловой дрейф, остаются незамеченными, что приводит к утилизации деталей. ИИ и ML обеспечивают путь для преодоления этих ограничений, используя данные датчиков, журналов и метрологии для создания прогнозных моделей.

Роль ИИ и машинного обучения

ИИ и ML преуспевают в распознавании шаблонов в высокоразмерных данных. В DMLS входное пространство включает все параметры процесса, показания датчиков и свойства материала. Выходное пространство включает в себя показатели качества деталей, такие как плотность, шероховатость поверхности, остаточное напряжение и механическая прочность. Модели ML могут отображать эти входы на выходы без необходимости явных физических уравнений. Наиболее распространенными подходами являются:

Надзорное обучение для прогнозирования моделирования

Надзорные алгоритмы, такие как случайные леса, машины опорных векторов (SVM) и нейронные сети, обучаются на меченых наборах данных. Эти метки поступают из постстроительных измерений: рентгеновская компьютерная томография (КТ) для пористости, тестов на растяжение или оптической микроскопии. После обучения модель может предсказать качество новой комбинации параметров за миллисекунды. Это резко сокращает количество необходимых экспериментальных сборок.

Усиление обучения для адаптивного контроля

Усиление обучения (RL) рассматривает процесс DMLS как последовательную проблему решения. RL агент наблюдает состояние (например, температура бассейна расплава, толщина слоя) и выбирает действия (например, регулировать мощность лазера или скорость сканирования) для максимизации вознаграждения (например, конечная плотность или геометрическая точность). На протяжении многих смоделированных или реальных сборок агент узнает оптимальные политики. RL особенно перспективна для управления в режиме реального времени, потому что она может компенсировать нарушения, такие как неровности порохового слоя или тепловые градиенты.

Ключевые алгоритмы на практике

• Глубокие нейронные сети (DNN): Используется для моделирования сложных нелинейных отношений.Свёрточные сети могут обрабатывать изображения тепловой камеры для прогнозирования дефектов.
• Гауссова регрессия процессов (GPR): Предсказывает прогнозы с оценками неопределенности, что позволяет байесовской оптимизации эффективно искать пространство параметров.
• Генетические алгоритмы (GA): оптимизация на основе населения, которая развивает наборы параметров в направлении цели, часто в сочетании с суррогатными моделями.

Исследование 2023 года, проведенное исследователями из Техасского университета, показало, что глубокая нейронная сеть, обученная на более чем 5000 журналах датчиков DMLS, может предсказать пористость деталей с точностью 94%, превосходя традиционные модели регрессии.Подобная работа в Fraunhofer ILT использовала обучение усилению, чтобы сократить время сборки на 20% при сохранении плотности выше 99,5%.

Сбор и подготовка данных

Основой любого успешного ML-приложения являются высококачественные данные. В DMLS данные могут собираться из нескольких источников:

• Датчики in-situ: Камеры мониторинга бассейна расплава, пирометры и фотодиоды фиксируют тепловые сигнатуры. Акселерометры и датчики акустического излучения обнаруживают механические аномалии, такие как столкновения с охлаждением.
• Журналы машин: Каждый раз, когда параметр меняется, события включения/выключения лазера и коды ошибок регистрируются в журнале контроллера.
• Пост-строительная характеристика: Измерения размеров, шероховатость поверхности (Ra), плотность (через Архимед или КТ) и механическое тестирование (твердость, растяжение) обеспечивают наземные ярлыки истинности.

Предварительная обработка данных и разработка функций

Сырье данных датчиков часто содержит шум, недостающие значения и смещенные временные метки. Шаги предварительной обработки включают фильтрацию (например, скользящее среднее, денозирование вейвлетов), нормализацию и синхронизацию со слоями сборки. Особенности инженерной экстракции соответствующей статистики: средняя температура бассейна расплава на слой, стандартное отклонение мощности лазера, переходные пики во время лазерного включения / выключения и т. Д. В некоторых реализациях методы уменьшения размерности, такие как анализ основных компонентов (PCA), используются для сжатия сигналов высокочастотного датчика в управляемые входы для модели ML.

Размер и качество набора данных

Для контролируемого обучения рекомендуется по крайней мере сотни различных наборов параметров с соответствующими измерениями истинности земли. Увеличение данных - с помощью синтетического моделирования или моделирования - может помочь, когда экспериментальные данные скудны. Однако необходимо соблюдать осторожность, чтобы избежать переобучения. Перекрёстная валидация и тестирование на невидимых комбинациях параметров необходимы для оценки обобщения.

Моделирование и проверка

Обучение модели ML для оптимизации параметров DMLS включает в себя несколько этапов:

1. Определить цель: Например, максимизировать плотность деталей, минимизировать остаточное напряжение или достичь целевой поверхности отделки.Множественные цели могут быть объединены с помощью функции взвешенных затрат.
2. Обычно 70% обучения, 15% валидации, 15% теста. Тестовый набор должен быть репрезентативным для реальных условий.
3. Выберите алгоритм и гиперпараметры: Нейронные сети требуют архитектурных решений (слои, нейроны, функции активации). Модели на основе деревьев требуют глубины дерева и количества оценщиков. Автоматизированные инструменты, такие как Optuna или Hyperopt, могут настраивать их.
4. Обучите и контролируйте: Используйте раннюю остановку для предотвращения переобучения, основанную на потере проверки. Для задач регрессии общие показатели включают среднюю абсолютную ошибку (MAE), корневую среднюю квадратную ошибку (RMSE) и R-квадрат.
5. Проверка на тестовом наборе: Производительность конечной модели измеряется на невидимых данных.Физические эксперименты должны подтвердить, что оптимальный набор предсказанных параметров модели фактически дает предсказанное качество.