Представляем новый подход к управлению процессом аддитивного производства. Цели: нулевой уровень дефектов в готовой продукции и увеличение скорости производства в колоссальные десять раз.
Аддитивное производство обладает значительным потенциалом для серийного выпуска сложных дорогостоящих деталей. Однако для его широкого внедрения в промышленности производители должны быть уверены в том, что детали соответствуют стандартам качества, дефекты обнаруживаются на ранних стадиях, а производственное время и материалы не расходуются впустую.
Многие методы контроля 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 научным 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 реальном времени
Большая часть базовых технологий, необходимых для мониторинга в реальном времени, уже существует. Оптические, тепловые и акустические датчики в сочетании с высокоскоростной обработкой уже задействованы, и во многих современных подходах они сочетаются 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 опирается на предварительные знания физики и химии протекающих производственных процессов, чтобы сузить операционные метрики данных до более управляемых уровней.
Но это только начало. Когда вы отслеживаете 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, где происходят основные процессы, чтобы снизить как накладные расходы на данные, так и задержки производственного времени.
Более того, это происходит с каждым последующим аддитивным слоем. Таким образом, сами данные также должны — в определенном смысле — подвергаться слоевой обработке: оцениваться происходящее при каждом проходе, определяться релевантность и возможность принятия мер, а также вноситься необходимые корректировки в процесс в режиме реального времени прямо на производственном участке.
Фактически, хотя нормой может считаться упоминание того, что аддитивное производство происходит слоями, в данном случае это почти фигура речи. Рассматриваемая машина имеет роторную конструкцию, что, строго говоря, означает отсутствие последовательных проходов: она просто продолжает работать. В свою очередь, это означает, что данные не линейны, а непрерывны и измеряются терабайтами в день, что многократно повышает потребность в минимально возможных задержках.
Потенциальные аномалии, оцениваемые в рамках проекта, включают пористость, дефекты типа «каверна» и недостаточный сплав. Если уровень слишком высок и печать терпит неудачу, ее можно немедленно прервать; если дефекты исправимы, параметры лазера можно динамически отрегулировать для устранения изъянов прямо в процессе сборки. Это предотвращает пустую трату дорогостоящих металлических порошков и машинного времени, потерянного на детали, предназначенные в брак.
Кроме того, алгоритмы должны уметь отличать эти истинные структурные дефекты от доброкачественных вариаций процесса в суровой высокотемпературной среде печатной камеры. Например, никто не хочет, чтобы детали браковались по ошибке только потому, что сегодня температура окружающей среды выше, чем вчера.
Изучение искусственного интеллекта
Идея использования ИИ для контроля процессов в реальном времени не нова. Однако теперь, когда вычислительная мощность и емкость хранилищ выросли экспоненциально, а у нас есть облачные вычисления, это стало практической возможностью.
Чтобы использовать преимущества ИИ в этой области применения, искусственный интеллект должен обрабатывать данные, получаемые с различных датчиков (в основном видео- или фотографических), и быть способным обрабатывать эту информацию за очень короткое время цикла между слоями.
Сложность реализации заключается в том, чтобы заставить нейронные сети, на которых зависит ИИ, работать на периферии. В настоящее время проектная группа совместно с ИИ-компанией, вышедшей из ведущего мирового университета США, работает над способом значительного сокращения необходимых слоев в нейронной сети. Конечно, это отлично подойдет для периферийных вычислений.
Нулевые дефекты, более низкие затраты и колоссально ускоренный выпуск продукции
Слово «трансформационный» в наши дни используется часто, но в данном случае оно вполне оправдано. Команда совместного проекта ожидает, что этот подход, во-первых, сведет к нулю дефекты в готовой продукции, значительно снизив производственные затраты, а во-вторых, увеличит скорость производства в десять раз. Совершенно верно: 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 огромные последствия.
