นักวิทยาศาสตร์และวิศวกรกำลังพัฒนาวัสดุใหม่ๆ อย่างต่อเนื่องด้วยคุณสมบัติพิเศษเฉพาะที่สามารถใช้สำหรับการพิมพ์ 3 มิติได้ แต่การหาวิธี พิมพ์ด้วยวัสดุเหล่านี้อาจเป็นปัญหาที่ซับซ้อนและมีค่าใช้จ่ายสูง
บ่อยครั้ง ผู้ปฏิบัติงานที่เชี่ยวชาญต้องใช้การลองผิดลองถูกด้วยตนเอง ซึ่งอาจทำให้พิมพ์ได้เป็นพันๆ ชิ้น เพื่อกำหนดพารามิเตอร์ในอุดมคติที่พิมพ์วัสดุใหม่ได้อย่างมีประสิทธิภาพอย่างสม่ำเสมอ พารามิเตอร์เหล่านี้รวมถึงความเร็วในการพิมพ์และปริมาณวัสดุที่เครื่องพิมพ์ฝากไว้
นักวิจัยของ MIT ได้ใช้ปัญญาประดิษฐ์เพื่อปรับปรุงขั้นตอนนี้ พวกเขาพัฒนาระบบแมชชีนเลิร์นนิงที่ใช้คอมพิวเตอร์วิทัศน์เพื่อดูกระบวนการผลิต แล้วแก้ไขข้อผิดพลาดในการจัดการวัสดุในแบบเรียลไทม์
พวกเขาใช้การจำลองเพื่อสอนเครือข่ายประสาทเทียมถึงวิธีการปรับพารามิเตอร์การพิมพ์เพื่อลดข้อผิดพลาด จากนั้นจึงนำตัวควบคุมนั้นไปใช้กับเครื่องพิมพ์ 3 มิติจริง ระบบของพวกเขาพิมพ์วัตถุได้แม่นยำกว่าตัวควบคุมการพิมพ์ 3 มิติอื่นๆ ทั้งหมดที่พวกเขาเปรียบเทียบ
งานนี้หลีกเลี่ยงกระบวนการราคาแพงในการพิมพ์วัตถุจริงหลายพันหรือล้านชิ้นเพื่อฝึกโครงข่ายประสาทเทียม และช่วยให้วิศวกรสามารถรวมวัสดุใหม่เข้ากับงานพิมพ์ได้ง่ายขึ้น ซึ่งจะช่วยให้พวกเขาพัฒนาวัตถุที่มีคุณสมบัติพิเศษทางไฟฟ้าหรือทางเคมี นอกจากนี้ยังสามารถช่วยช่างเทคนิคในการปรับเปลี่ยนกระบวนการพิมพ์ได้ทันทีหากวัสดุหรือสภาพแวดล้อมเปลี่ยนแปลงโดยไม่คาดคิด
“โครงการนี้เป็นการสาธิตครั้งแรกของการสร้างระบบการผลิตที่ใช้แมชชีนเลิร์นนิงเพื่อเรียนรู้นโยบายการควบคุมที่ซับซ้อน” Wojciech Matusik ผู้เขียนอาวุโส ศาสตราจารย์ด้านวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ของ MIT ซึ่งเป็นผู้นำกลุ่ม Computational Design and Fabrication Group (CDFG) กล่าว ) ภายในห้องปฏิบัติการวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ (CSAIL) “หากคุณมีเครื่องจักรในการผลิตที่ชาญฉลาดกว่า พวกเขาสามารถปรับตัวให้เข้ากับสภาพแวดล้อมที่เปลี่ยนแปลงในสถานที่ทำงานแบบเรียลไทม์ เพื่อปรับปรุงผลผลิตหรือความแม่นยำของระบบ คุณสามารถบีบออกจากเครื่องได้มากขึ้น”
ผู้เขียนร่วมในการวิจัยนี้คือ Mike Foshey วิศวกรเครื่องกลและผู้จัดการโครงการใน CDFG และ Michal Piovarci ซึ่งเป็น postdoc ที่สถาบันวิทยาศาสตร์และเทคโนโลยีในออสเตรีย ผู้เขียนร่วมของ MIT ได้แก่ Jie Xu นักศึกษาระดับบัณฑิตศึกษาด้านวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์ และ Timothy Erps อดีตพนักงานด้านเทคนิคของ CDFG
เล่นวีดีโอ
การเลือกพารามิเตอร์
การกำหนดพารามิเตอร์ในอุดมคติของกระบวนการผลิตดิจิทัลอาจเป็นหนึ่งในส่วนที่แพงที่สุดของกระบวนการ เนื่องจากจำเป็นต้องมีการลองผิดลองถูกอย่างมาก และเมื่อช่างพบชุดค่าผสมที่ทำงานได้ดี พารามิเตอร์เหล่านั้นก็เหมาะอย่างยิ่งสำหรับสถานการณ์เฉพาะอย่างใดอย่างหนึ่งเท่านั้น เธอมีข้อมูลเพียงเล็กน้อยว่าวัสดุจะมีการทำงานอย่างไรในสภาพแวดล้อมอื่น บนฮาร์ดแวร์ที่แตกต่างกัน หรือหากชุดงานใหม่แสดงคุณสมบัติต่างกัน
การใช้ระบบแมชชีนเลิร์นนิงก็เต็มไปด้วยความท้าทายเช่นกัน ประการแรก นักวิจัยจำเป็นต้องวัดสิ่งที่เกิดขึ้นบนเครื่องพิมพ์แบบเรียลไทม์
ในการทำเช่นนี้ พวกเขาได้พัฒนาระบบวิชันซิสเต็มโดยใช้กล้องสองตัวที่มุ่งไปที่หัวฉีดของเครื่องพิมพ์ 3 มิติ ระบบจะส่องแสงไปที่วัสดุเมื่อมีการสะสม และคำนวณความหนาของวัสดุโดยพิจารณาจากปริมาณแสงที่ผ่านเข้ามา
“คุณสามารถนึกถึงระบบการมองเห็นเป็นชุดของตาที่เฝ้าดูกระบวนการในแบบเรียลไทม์” Foshey กล่าว
จากนั้นผู้ควบคุมจะประมวลผลภาพที่ได้รับจากระบบวิชันซิสเต็ม และปรับอัตราการป้อนและทิศทางของเครื่องพิมพ์ตามข้อผิดพลาดที่เห็น
แต่การฝึกอบรมตัวควบคุมบนโครงข่ายประสาทเทียมเพื่อทำความเข้าใจกระบวนการผลิตนี้ต้องใช้ข้อมูลมาก และจะต้องมีการพิมพ์หลายล้านชิ้น ดังนั้น นักวิจัยจึงสร้างเครื่องจำลองขึ้นมาแทน
การจำลองที่ประสบความสำเร็จ
ในการฝึกผู้ควบคุม พวกเขาใช้กระบวนการที่เรียกว่าการเรียนรู้แบบเสริมแรง ซึ่งโมเดลเรียนรู้ผ่านการลองผิดลองถูกพร้อมรางวัลตอบแทน โมเดลได้รับมอบหมายให้เลือกพารามิเตอร์การพิมพ์ที่จะสร้างวัตถุบางอย่างในสภาพแวดล้อมจำลอง หลังจากแสดงผลลัพธ์ที่คาดหวัง แบบจำลองจะได้รับรางวัลเมื่อพารามิเตอร์ที่เลือกลดข้อผิดพลาดระหว่างการพิมพ์และผลลัพธ์ที่คาดหวังให้น้อยที่สุด
ในกรณีนี้ “ข้อผิดพลาด” หมายถึงโมเดลจ่ายวัสดุมากเกินไป วางไว้ในพื้นที่ที่ควรเปิดทิ้งไว้หรือไม่จ่ายเพียงพอ โดยปล่อยให้มีจุดเปิดที่ควรเติม เนื่องจากตัวแบบทำการพิมพ์จำลองมากขึ้น ปรับปรุงนโยบายการควบคุมเพื่อเพิ่มรางวัลให้สูงสุด แม่นยำยิ่งขึ้น
อย่างไรก็ตาม โลกแห่งความจริงนั้นยุ่งเหยิงกว่าการจำลอง ในทางปฏิบัติ สภาวะต่างๆ มักจะเปลี่ยนแปลงเนื่องจากความผันแปรเล็กน้อยหรือสัญญาณรบกวนในกระบวนการพิมพ์ ดังนั้นนักวิจัยจึงสร้างแบบจำลองตัวเลขที่ใกล้เคียงกับสัญญาณรบกวนจากเครื่องพิมพ์ 3 มิติ พวกเขาใช้โมเดลนี้เพื่อเพิ่มสัญญาณรบกวนในการจำลอง ซึ่งนำไปสู่ผลลัพธ์ที่สมจริงยิ่งขึ้น
“สิ่งที่น่าสนใจที่เราพบคือ การใช้โมเดลเสียงรบกวนนี้ เราสามารถถ่ายโอนนโยบายการควบคุมที่ได้รับการฝึกอบรมในการจำลองอย่างหมดจดไปยังฮาร์ดแวร์โดยไม่ต้องฝึกอบรมด้วยการทดลองทางกายภาพใดๆ” Foshey กล่าว “เราไม่ต้องปรับแต่งอุปกรณ์จริงในภายหลัง”
เมื่อพวกเขาทดสอบตัวควบคุม จะพิมพ์วัตถุได้แม่นยำกว่าวิธีการควบคุมอื่นๆ ที่พวกเขาประเมิน มันทำงานได้ดีโดยเฉพาะอย่างยิ่งในการพิมพ์ infill ซึ่งเป็นการพิมพ์ภายในของวัตถุ ตัวควบคุมอื่น ๆ บางตัวฝากวัสดุจำนวนมากจนวัตถุที่พิมพ์ออกมานูนขึ้น แต่ตัวควบคุมของนักวิจัยได้ปรับเส้นทางการพิมพ์เพื่อให้วัตถุอยู่ในระดับ
นโยบายการควบคุมของพวกเขายังสามารถเรียนรู้ว่าวัสดุแพร่กระจายอย่างไรหลังจากฝากและปรับพารามิเตอร์ตามนั้น
“เรายังออกแบบนโยบายการควบคุมที่สามารถควบคุมวัสดุประเภทต่างๆ ได้ทันที ดังนั้น หากคุณมีกระบวนการผลิตในภาคสนามและต้องการเปลี่ยนวัสดุ คุณจะไม่ต้องตรวจสอบกระบวนการผลิตอีกครั้ง คุณสามารถโหลดวัสดุใหม่และตัวควบคุมจะปรับโดยอัตโนมัติ” Foshey กล่าว
ตอนนี้พวกเขาได้แสดงให้เห็นถึงประสิทธิภาพของเทคนิคนี้สำหรับการพิมพ์ 3 มิติแล้ว นักวิจัยต้องการพัฒนาตัวควบคุมสำหรับกระบวนการผลิตอื่นๆ พวกเขายังต้องการดูวิธีการแก้ไขวิธีการสำหรับสถานการณ์ที่มีวัสดุหลายชั้นหรือพิมพ์วัสดุหลายรายการพร้อมกัน นอกจากนี้ วิธีการของพวกเขาสันนิษฐานว่าวัสดุแต่ละชนิดมีความหนืดคงที่ (“น้ำเชื่อม”) แต่การทำซ้ำในอนาคตอาจใช้ AI เพื่อรับรู้และปรับความหนืดแบบเรียลไทม์
ผู้เขียนร่วมเพิ่มเติมในงานนี้ ได้แก่ Vahid Babaei ซึ่งเป็นผู้นำกลุ่มการออกแบบและการผลิตด้วยปัญญาประดิษฐ์ที่สถาบัน Max Planck; Piotr Didyk รองศาสตราจารย์ที่มหาวิทยาลัยลูกาโนในสวิตเซอร์แลนด์; Szymon Rusinkiewicz, David M. Siegel ’83 ศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยพรินซ์ตัน; และ Bernd Bickel ศาสตราจารย์แห่งสถาบันวิทยาศาสตร์และเทคโนโลยีในออสเตรีย
งานบางส่วนได้รับการสนับสนุนโดยโครงการ FWF Lise-Meitner, ทุนเริ่มต้นของสภาวิจัยแห่งยุโรป และมูลนิธิวิทยาศาสตร์แห่งชาติของสหรัฐอเมริกา
