基本を超えて：機械学習とAM

インダストリー4.0の時代では、製造業はますます機械学習と人工知能の世界に向かっています。生産プロセスを強化するためにデータ駆動型システムを開発できる世界。また、積層造形は、機械学習のメリットを活用して、効率を高め、製品の品質を高め、AMワークフローを最適化することができます。

機械学習による効率の向上

アディティブマニュファクチャリングが最終用途の生産に向けてスケールアップするにつれて、機械学習の進歩は自動運転車の見通しだけにとどまりません。機械学習を積層造形内で使用して、製造プロセス中の試行錯誤の方法を部分的に排除することにより、効率を高めることができます。

部品の向きや支持構造の設計などの多数の要因が、部品の材料構造に影響を及ぼし、ビルドの失敗につながる可能性があります。これは必然的に、ビルドの失敗の背後にある理由がいくつかの変数に起因する可能性があることを意味します。通常、信頼性の高い印刷プロセスを実現するために、試行錯誤のアプローチが適用されてきました。ただし、これには最適なプロセスに到達する前に多くの障害が発生するため、試行錯誤のアプローチでは必然的に効率が低下します。機械学習は、機械が変数とパラメーターを事前に決定するのに役立つシステムを開発することにより、生産への試行錯誤のアプローチを回避するのに役立ち、それによって生産プロセスを最適化します。

米国海軍の海軍研究局（ONR）は最近、データ会社のSenvolと提携して、AMプロセスパラメータと材料性能の関係を分析できる機械学習ソフトウェアを開発しました。目的は、ONRが従来の材料試験への依存を減らすことを可能にすることです。

また、コロラド州のADAPTセンターによる研究では、機械学習によって部品の内部形状を特定し、新しい部品の正しいパラメータを予測して、印刷プロセスを最適化する方法の調査がすでに始まっています。

機械学習を使用して品質プロセスを強化する

機械学習を実装して、生産プロセスに品質管理の別のレイヤーを追加することもできます。これは、機械が最終的に自己修正して自分自身を監視できるようになるためです。機械学習テクノロジーを使用すると、大量のデータを分析して使用し、各生産段階のリアルタイムのステータスを提供できます。マシンはアルゴリズムを使用して本番データのパターンを見つけることができ、この構成から予測モデルを構築し、実際のデータとの比較を通じて洗練されます。

昨年、GEは、金属3D印刷の機械と材料の性能を向上させるために、機械知能とデジタルツインを使用する研究を発表しました。 GEは、機械学習の研究を通じて、品質プロセスの問題を検出することで材料の無駄を減らし、最終的な目標は100％の歩留まりを目指しています。 GEの研究は、パーツビルドの各レイヤーを完全に可視化し、ビルド自体の問題を認識するようにマシンをトレーニングすることを目的としています。これにより、ユーザーはビルドの仕組みと構造を確認できるだけでなく、プロセスの早い段階で問題を特定できます。

機械学習の他のユースケース

スペアパーツ

アディティブマニュファクチャリングは、スペアパーツの在庫の保管と維持に高いコストがかかるため、スペアパーツ業界にとって理想的なソリューションであることが証明されています。アディティブマニュファクチャリングは、メーカーが必要なときにスペアパーツをオンデマンドで製造および供給で​​きるようにすることで、この問題を解決します。

それでも、機械学習はこのソリューションをさらに一歩進めて、予測機能を向上させると同時に、生産プロセスの効率を向上させることができます。たとえば、ディスクリート製造の場合、企業は予知保全モデルを利用して特定の部品の寿命を予測できます。機械学習を使用して、事前設定されたデータスケジュールを使用して顧客が部品を交換する必要がある時期を特定し、メーカーが交換部品を事前に送付できるようにすることもできます。したがって、製造業者は、機械学習を使用してコストを削減し、顧客満足度を高めることを検討する必要があります。

機械学習–AMの大きな可能性

機械学習は、生産プロセスを強化し、意思決定を導き、最終的にビジネスモデルを変革する可能性を秘めています。 AMの機械学習のアプリケーションは、設計プロセスの強化から効率の向上、さらには印刷プロセスが開始される前の3Dオブジェクトの印刷可能性の決定に至るまで、数多くあります。ただし、機械学習とAIシステムの実装にも独自の課題がないわけではなく、ソフトウェアとハ​​ードウェアの両方のインフラストラクチャへの戦略的な計画と投資が必要です。しかし、インダストリー4.0の時代では、AMでの機械学習、AI、ビッグデータの使用は氷山の一角に過ぎないことは明らかです。