Вот новый подход к управлению процессом аддитивного производства. Цели: отсутствие дефектов в готовой продукции и увеличение скорости производства в колоссальные десять раз.
Аддитивный подход обладает значительным потенциалом для серийного производства сложных высококачественных деталей. Однако для его широкого внедрения в промышленности производители должны быть уверены: уверены в том, что детали соответствуют стандартам качества, дефекты выявляются на ранней стадии, а время производства и материалы не расходуются впустую.
Многие подходы к контролю качества по-прежнему во многом зависят от ретроспективного осмотра, который выявляет проблемы только после того, как время, энергия и материалы уже были потрачены.
Именно поэтому Capgemini Engineering совместно со своим стратегическим партнером, всемирно известным университетом ETH Zurich, работает над трехлетним проектом по мониторингу условий производственной среды аддитивного производства и реагированию на них в режиме реального времени.
На периферии и в режиме реального времени
Большая часть базовых технологий, необходимых для мониторинга в реальном времени, уже существует. Оптические, тепловые и акустические датчики в сочетании с высокоскоростной обработкой уже применяются на практике, и многие современные подходы объединяют их с масштабной обработкой данных. Проблема этого метода заключается в том, что объемы данных действительно огромны — во многих случаях они слишком велики для обработки на скоростях, требуемых в таких условиях.
Подход, применяемый Capgemini Engineering и ETH Zurich, частично основан на предварительном знании физики и химии происходящих производственных процессов, что позволяет сузить операционные метрики данных до более управляемых уровней.
Но это только начало. Когда вы контролируете условия аддитивного производства и реагируете на них в режиме реального времени, ваши вычисления должны выполняться на месте, по мере укладки каждого слоя. Это означает, что алгоритмы и данные должны быть максимально перенесены на периферию, туда, где происходят основные действия, чтобы снизить как издержки на обработку данных, так и задержки производственного времени.
Более того, это происходит с каждым последующим аддитивным слоем. Таким образом, сами данные в определенном смысле тоже должны быть многоуровневыми: они должны оценивать происходящее на каждом проходе, определять, что является актуальным, что требует действий, и вносить необходимые корректировки в процесс «на лету», прямо на производственном участке.
Фактически, хотя нормой считается упоминание о том, что аддитивное производство происходит послойно, в данном случае это почти метафора. Рассматриваемая машина является ротационной, что, строго говоря, означает отсутствие сменяющих друг друга проходов: она просто продолжает работать. Это, в свою очередь, означает, что данные не линейны, а непрерывны и измеряются терабайтами в день, что многократно повышает потребность в минимально возможной задержке.
Потенциальные аномалии, оцениваемые в рамках проекта, включают пористость, дефекты типа «каверна» и недостаточный сплав. Если уровни слишком высоки и печать терпит неудачу, ее можно немедленно прервать; если дефекты исправимы, параметры лазера можно динамически регулировать для их устранения прямо в процессе изготовления. Это предотвращает напрасную трату дорогостоящих металлических порошков и машинного времени, потерянного на детали, предназначенные для утилизации.
Кроме того, в суровых условиях высокой температуры камеры печати алгоритмы должны уметь различать истинные структурные дефекты и безвредные отклонения процесса. Например, никто не хочет, чтобы детали ошибочно отбраковывались только потому, что сегодня температура окружающей среды выше, чем вчера.
Исследование возможностей искусственного интеллекта
Идея использования ИИ для контроля процессов в реальном времени не нова. Однако теперь, когда вычислительная мощность и емкость хранилищ выросли по экспоненте, а у нас появились облачные вычисления, это стало практической возможностью.
Чтобы воспользоваться преимуществами ИИ в этой области применения, он должен работать с данными, поступающими от различных датчиков (большинство из них являются видео или фотографическими), и обрабатывать эту информацию за очень короткое время цикла между слоями.
Сложность реализации заключается в том, чтобы заставить нейронные сети, от которых зависит ИИ, работать на периферии. В настоящее время команда проекта совместно с компанией в области ИИ, вышедшей из ведущего мирового университета США, работает над способом значительного сокращения количества слоев в нейронной сети, которые необходимы для работы. Это, безусловно, будет крайне актуально для периферийных вычислений.
Ноль дефектов, более низкие затраты и колоссальное ускорение производства
Слово «трансформационный» нынче употребляется часто, но в данном случае это оправданно. Совместная проектная команда ожидает, что этот подход, во-первых, сведет дефекты в готовой продукции к нулю, значительно снизив производственные затраты, а во-вторых, увеличит скорость производства в десять раз. Именно так: не на десять процентов, а в десять раз.
Для всех, кто производит детали машин с круговой симметрией, например, в аэрокосмической, морской, автомобильной или космической отраслях, это имеет огромное значение.
