Nachricht

Jun 11, 2023

AM, Lernen Sie KI kennen

Sind Sie bereit für weitere Umwälzungen in einer sich schnell verändernden Fertigungsindustrie? Warum künstliche Intelligenz und maschinelles Lernen das nächste große Ding im 3D-Druck sind Künstliche Intelligenz (KI) hat das

Sind Sie bereit für weitere Umwälzungen in einer sich schnell verändernden Fertigungsindustrie? Warum künstliche Intelligenz und maschinelles Lernen das nächste große Ding im 3D-Druck sind

Künstliche Intelligenz (KI) hat das Potenzial, die Möglichkeiten des 3D-Drucks erheblich zu verbessern. Zu den möglichen Vorteilen gehören eine verbesserte Designoptimierung, eine effizientere Materialnutzung, eine schnellere und genauere Qualitätskontrolle und die Möglichkeit, eine vorausschauende Wartung durchzuführen. Insgesamt wird erwartet, dass die Integration von KI und 3D-Druck zu effizienteren und kostengünstigeren Herstellungsprozessen sowie zu neuen Innovationen bei Materialien, Design und Anwendungen führen wird.

Der vorherige Absatz stammt von ChatGPT, einem KI-gestützten Online-Dienst, der intelligent und angemessen auf die Frage reagierte: „Wie wird sich KI auf den 3D-Druck auswirken?“

Die Antwort des Bots war langatmig und musste daher etwas gekürzt werden, aber die KI wird mich und unzählige andere wahrscheinlich irgendwann arbeitslos machen, ebenso wie andere Formen der Automatisierung. Im Moment bin ich jedoch zuversichtlich, dass ich ein besserer Autor bin als eine Sprachmodell-KI-Engine, die erst ein paar Monate Erfahrung im digitalen Bereich hat. Und vor diesem Hintergrund verspreche ich, dass die restlichen Wörter in diesem Artikel alle von Menschen stammen.

Abgesehen von der Weiterentwicklung der Schreibfähigkeiten glänzen KI und maschinelles Lernen (ML) bei mühsamen, sich wiederholenden Aufgaben, bei denen sich ein menschlicher Arbeiter schnell nach dem Wochenende sehnt. Eine davon ist das Durchsuchen riesiger Datensätze. „Stellen Sie sich die Möglichkeit vor, eine riesige Tabelle voller Lücken und Rauschen zu analysieren und diese Informationen dann in ein robustes Modell umzuwandeln, das Menschen für die Entscheidungsfindung verwenden können. Das macht unsere Software.“

Das sagte Stephen Warde, verantwortlich für das Produktmarketing bei Intellegens Ltd., „einem Spin-off“ der Physikabteilung der englischen Universität Cambridge. Heute verbringen Wardes Kollegen ihre Tage damit, fortschrittliche ML-Analyseplattformen zu entwickeln, die die additive Fertigung (AM) und andere datenhungrige Technologien bald intelligenter, schneller und viel unabhängiger von zeitaufwändigen Versuchs- und Verbesserungsexperimenten und Prototyping machen werden.

ML und sein großer Bruder, die KI, sind nichts Neues. Tatsächlich stammt der erste dieser Begriffe aus dem Jahr 1959, als der IBM-Mitarbeiter Arthur Samuel Computern von der Größe von Garagen für zwei Autos beibrachte, Dame zu spielen. Doch ML leidet seit langem unter einem schwerwiegenden Mangel – dem Schließen von Lücken –, der erst kürzlich durch die Arbeit von Intellegens und anderen behoben wurde.

„Historisch gesehen schneiden Engines für maschinelles Lernen nicht besonders gut ab, wenn die zu ihrem Training verwendeten Daten unvollständig sind“, sagte Warde. „Viele von uns hier haben einen Hintergrund in Physik, Materialwissenschaften und chemischen Formulierungen und wir sind uns bewusst, dass spärliche Daten ein limitierender Faktor sein können. Aus diesem Grund war unser Team motiviert, eine Methode des maschinellen Lernens zu entwickeln, mit der sich erfolgreich brauchbare Modelle aus nicht optimalen Datensätzen erstellen lassen.“

Diese Arbeit brachte Intellegens in den additiven Bereich, wo die Alchemite-Engine des Unternehmens zur Parameteroptimierung verwendet werden kann. „Hersteller sammeln typischerweise große Datenmengen über ihre Prozesse, die von ihnen verwendeten Pulver, Lasereinstellungen usw. Maschinelles Lernen hilft ihnen, all diese Informationen zu analysieren, damit sie verstehen, was in der Baukammer vor sich geht, und so die Eingaben auf die gewünschten Ergebnisse zuschneiden.“

Warde räumt ein, dass der Einsatz dieser Technologie insgesamt noch in den Kinderschuhen steckt, sagte aber, dass er großes Interesse seitens des kommerziellen Sektors sehe und dass Additivhersteller bereits ML-Software nutzen, um den Bedarf an kostspieligen Experimenten bei der Entwicklung neuer Materialien und Prozesse zu reduzieren.

Benoit Soete, Business Development Manager bei Oqton Inc., einem Softwareanbieter mit US-Niederlassungen in Valencia, Kalifornien und Cary, NC, ist gleichermaßen optimistisch, was die wachsende Rolle von KI in der additiven Fertigung angeht. „Ich konzentriere mich hier auf zahnmedizinische Anwendungen und kann Ihnen sagen, dass der Einsatz von KI in Dentallaboren und Produktionszentren immer häufiger vorkommt“, sagte er.

Kronen und Brücken, Teilprothesengerüste, Aligner-Modelle und Nachtschienen – das sind einige der typischen Dentalkomponenten, die auf Metall- und Polymer-3D-Druckern hergestellt werden. Was die Massenanpassung angeht, ist die Dentalindustrie ein leuchtendes Beispiel dafür, wohin sich AM entwickelt, aber die Verarbeitung all dieser einzigartigen Konstruktionen ist sowohl zeitaufwändig als auch umständlich.

Laut Soete müssen erfahrene Techniker „eine Million Mal klicken“, um Teile auszurichten, Stützen und Beschriftungen hinzuzufügen, zu verschachteln und sonst unzählige Stunden damit zu verbringen, die enorme Anzahl an Dentalprodukten vorzubereiten, die jeden Tag hergestellt werden. Glücklicherweise beseitigt KI bereits einen Großteil dieser Langeweile und ermöglicht Zahntechnikern, mehr wertschöpfende Tätigkeiten auszuführen.

„Oqton macht den Datenaufbereitungsprozess in diesem und anderen Marktsektoren hochgradig automatisiert“, sagte Soete. „Da sich die KI weiter verbessert, wird sie mehr Verantwortung übernehmen, indem sie beispielsweise Bauparameter basierend auf der Teileklassifizierung berechnet und Vorschläge macht, die ein Mensch dann akzeptieren oder überschreiben kann. Möglicherweise müssen sie von Zeit zu Zeit ein paar Anpassungen vornehmen, aber letztendlich gelangen sie viel schneller zu einer druckbaren Datei, als dies zuvor möglich war.“

Diese letzte Aussage ist entscheidend. Wie im ChatGPT-Schreibbeispiel angedeutet, hat die KI noch einen langen Weg vor sich, bevor sie mit der menschlichen Intelligenz konkurrieren kann. Und wie Soete feststellte: „Jeder hat seine eigene Art, Dinge zu erledigen. Wenn Sie also automatisieren möchten, brauchen Sie ein System, das flexibel ist und sich an die Realität seines Besitzers anpassen kann.“

Es sollte auch die Fähigkeit haben, weiter zu lernen. Im Gegensatz zu Menschen, die oft vergessen, was sie letztes Jahr getan haben, und manchmal vergessen, was sie zum Frühstück gegessen haben, kann KI auf die gesamte Geschichte der Entscheidungsfindung zurückblicken und diese nutzen, um fundiertere Entscheidungen für die Zukunft zu treffen. Und wenn ein Mensch diese früheren Entscheidungen außer Kraft setzt, indem er ein Teil neu ausrichtet oder eine Stützstruktur ändert, wird sich das KI-Gehirn daran erinnern und sozusagen „mit dem Programm weitermachen“.

„Diese Funktion hilft auch, wenn etwas Neues auftaucht, auf das die KI-Engine möglicherweise nicht trainiert wurde, da sie ziemlich schnell erkennen kann, was der Kunde zuvor gefragt hat, und ihre Logik entsprechend anpassen kann“, fügte er hinzu.

Materialise NV aus Leuven, Belgien, trinkt sein eigenes AI Kool-Aid. Materialise, ein Unternehmen, das für seine lange AM-Geschichte bekannt ist, ist teils Servicebüro und teils Softwareentwickler und hat daher die Möglichkeit, seine Branchenlösungen aus erster Hand zu bewerten. CTO Bart Van der Schueren wies darauf hin, dass einer dieser Bereiche die Zahnmedizin sei, und wiederholte viele der gerade erwähnten KI- und ML-Anwendungsfälle.

Die Automatisierung der Bauvorbereitungsphase – ob zahnmedizinisch oder anderweitig – ist eindeutig eine wesentliche Anwendung für KI. Angesichts der einzigartigen Fähigkeit von AM, Teile Schicht für Schicht zu erstellen, ist es vielleicht wichtiger, die Geheimnisse dieses Prozesses zu lüften. Dies würde es den Herstellern ermöglichen, bessere Teile zu bauen, den Durchsatz zu steigern und nagende Zweifel zu beseitigen, die nur durch teure, zeitaufwändige CT-Scans und andere zerstörungsfreie Inspektionstechnologien ausgeräumt werden können.

Eine Möglichkeit, dies zu erreichen, besteht darin, 3D-Drucker mit Bild- und Wärmekameras auszustatten, während des Baus Bilder zu sammeln und dann mithilfe von KI Ereignisse wie Hohlräume, Spritzer, Risse und unvollständiges Schmelzen zu bewerten, die zu Verformungen oder fehlerhaften Teilen führen können.

„Nehmen wir an, dass die Nachbeschichterklinge nach der Hälfte eines Druckauftrags einen Streifen Pulver über eine Schicht zieht“, sagte Van der Schueren. „Wenn es in einer Region zwischen Teilen auftritt, ist es Ihnen wahrscheinlich egal. Und selbst wenn es direkt über dem Werkstück passiert, ist es Ihnen möglicherweise egal, vorausgesetzt, es korrigiert sich innerhalb der nächsten paar Schichten.

„Wenn nicht, könnte KI eingesetzt werden, um den Prozess zu stoppen, anstatt ihn fortzusetzen. Dadurch wird Zeit mit einem Teil verschwendet, das im Papierkorb landet, und möglicherweise wird die Beschichterklinge oder andere Maschinenkomponenten beschädigt“, fuhr er fort. „Trotzdem ermöglicht uns die Erfassung und automatische Kennzeichnung solcher Anomalien, potenzielle Probleme besser zu verstehen.“

Der Einsatz von KI zur Erkennung von Fehlern stellt bereits eine enorme Verbesserung dar, wird jedoch noch wertvoller, wenn Fehler kategorisiert und dann verhindert werden, entweder durch Korrekturmaßnahmen am nächsten Werkstück oder durch Prozessanpassungen vor Ort. Letzteres könnte diejenigen beunruhigen, die noch nicht darauf vertrauen, dass ein Computeralgorithmus Entscheidungen trifft, die sich auf die Teilequalität auswirken könnten, obwohl die Steuerungen für die elektrische Entladungsbearbeitung (EDM) in den letzten Jahrzehnten – einmal – „Fuzzy-Logik“ auf Elektrodenpfade und -parameter angewendet haben Würde eine solche Technologie in einem größeren Umfang beherrscht, hätte sie tiefgreifende Auswirkungen auf andere Herstellungsprozesse: Bearbeitung, Laserschneiden, Roboterschweißen und 3D-Druck gleichermaßen.

Auch hier ist die KI noch nicht reif für die Hauptsendezeit, obwohl Bemühungen wie diese notwendige Schritte auf diesem Weg sind. Das liegt daran, dass sie ML mit dem versorgen, wonach es sich am meisten sehnt: Daten.

„Das ist eine der größten Herausforderungen für uns und andere, die diese Technologie entwickeln wollen, denn es stehen nicht genügend Informationen zur Verfügung, um die Modelle zu trainieren. Noch schlimmer ist, dass viele Unternehmen aus offensichtlichen Gründen der Vertraulichkeit auf ihren Daten sitzen. Deshalb suchen wir bei Materialise nach Möglichkeiten, wie diese Unternehmen aus ihren eigenen Daten lernen können, ohne sie weiterzugeben“, sagte Van der Schueren.

Dennoch können sich Besitzer und Betreiber von 3D-Druckern eines Tages auf hilfreiche Ratschläge und Vorschläge von ihren Maschinen und Softwaresystemen freuen, wenn diese immer intelligenter werden. Das sind großartige Neuigkeiten, aber James Page, Vizepräsident für Software bei Stratasys Ltd. mit Sitz in Eden Prairie, Minnesota, bemerkte: „Selbst wenn Sie den Prozess perfekt kontrolliert haben, kann es am Ende immer noch zu einem Teil kommen, das dies nicht tut Erfüllen Sie Ihre Spezifikationen.“

Page ist der Gründer von Riven, einem in Berkeley ansässigen Softwareentwickler, den Stratasys im Jahr 2022 übernommen hat. Er wies darauf hin, dass es viele Arten von AM und viele Möglichkeiten gibt, den Kreislauf zu schließen, und dass alle auf ihre eigene Weise komplex sind. Von der Pulverbettverdichtung und den thermischen Zyklen des Materials bis hin zur Unterstützung bei der Platzierung und der Entfernung nach dem Bau können diese und viele andere Faktoren dazu führen, dass ein fertiges Teil oft erheblich von seiner Konstruktionsabsicht abweicht, und keine noch so große KI kann dies verhindern. Rechts?

Nicht unbedingt. „Eines der Dinge, an denen wir gearbeitet haben, ist ein System, das Maß- und Geometriefehler automatisch korrigiert, unabhängig davon, ob sie durch Verzug, Differenzskalierung oder sogar Nachbearbeitung entstehen“, sagte Ward. „Wir verfügen jetzt über Algorithmen, die diese und andere Ursachen der Teilevariabilität korrigieren.“

Allerdings gibt es einen Vorbehalt: Die Korrekturmaßnahme erfordert ein Opferlamm. „Wir schließen den Kreis, indem wir ein Testteil drucken, es scannen und dann mithilfe von KI ermitteln, welche Verarbeitungsanpassungen erforderlich sind, um das Teil in die Spezifikation zu bringen und dort zu halten. Auf diese Weise werden bei der Herstellung von tausend Teilen alle mit einer viel höheren Genauigkeit gefertigt.“

Ward hat Einwände gegen die Charakterisierung des Opferlamms. Er sagte, es sei durchaus üblich – vor allem, wenn AM in die Endproduktion vordringt –, mehrere Iterationen eines Werkstücks zu drucken und dabei schrittweise die Bauparameter und Stützstrukturen anzupassen, bis der Prozess stabil sei. Der Einsatz einer Software, die diese Aufgabe zuverlässig automatisieren kann, ist ein großer Gewinn. Darüber hinaus wird der Tag kommen, an dem die KI intelligent genug sein wird, um auch den Testteil zu eliminieren.

„In den letzten Jahren hat sich der 3D-Druck von seiner traditionellen Rolle als Prototyping- und Werkzeugtechnologie hin zu einer Technologie der Massenfertigung gewandelt“, sagte er. „Aber eine der Herausforderungen, mit denen die Fertigungsindustrie im Allgemeinen weiterhin konfrontiert ist, ist die Unfähigkeit von AM, strenge Maßtoleranzen einzuhalten. Mit den prädiktiven Modellen und Algorithmen, die wir auf den Markt bringen, werden wir das ändern und völlig neue Klassen von Teilen erschließen, die bisher mit additiven Verfahren nicht erreicht werden konnten.“

Das ganze Gerede darüber, was auf den AM-Hecht zukommt, ist aufregend, aber wie Trent Still gerne betont, nutzen viele derjenigen, die dies lesen, bereits jeden Tag KI, auch wenn sie es nicht als solche bezeichnen. Dennoch spricht der Senior Manager für technisches Marketing für Design und Fertigung bei Autodesk Inc. mit Sitz in San Francisco über Software für generatives Design, ein Tool, das mit AM einhergeht und in der Lage ist, so ziemlich alles zu bauen, was ihm in den Weg gestellt wird. Wie bei der KI ist auch diese aufstrebende Technologie auf dem besten Weg, noch viel intelligenter zu werden.

„Der nächste Schritt ist das, was wir generative Modellierung nennen. Dabei handelt es sich praktisch um ein fertigungsorientiertes Werkzeug, das es Industriedesignern ermöglicht, innerhalb von Sekunden zu optimalen Lösungen zu gelangen“, sagte er. „Früher erforderte das generative Design, dass man ein erfahrener Ingenieur oder Simulationsexperte war, um eine Modellierungsstudie zu erstellen, aber wir haben neue KI-gestützte Engines entwickelt, die im Laufe der Zeit lernen können, verschiedene Designanforderungen zu erfüllen.“

Ein Beispiel hierfür stammt von einem Aftermarket-Automobilteilelieferanten, der einen Abgaskrümmer herstellen musste, der mehrere Komponenten in einem „außergewöhnlich engen“ Motorraum verbindet. „Früher hätte es vielleicht einen Monat gedauert, eine Handvoll Prototypen zu modellieren, in 3D zu drucken und zu testen, aber die KI hat innerhalb weniger Stunden drei strukturell realisierbare Entwürfe erstellt.“

Das sind beeindruckende Fähigkeiten, aber sie kommen bei Weitem nicht mit dem Nordstern von KI und ML in Berührung, der darin besteht, dass sie verschiedene strukturelle, betriebliche und elektromechanische Anforderungen erfüllen und nicht nur ein optimales Produktdesign liefern, sondern dem Ingenieur auch sagen, wie und wo er fertigen soll Es.

Im Extremfall könnte KI sogar Produktionshallen entwerfen. „Nehmen wir an, Sie sind ein Tier-1-Hersteller, der eine milliardenschwere Anlage plant“, sagte Still. „Ein solches Unterfangen bedeutet, Tausende oder vielleicht Millionen sehr spezifischer Fragen zu beantworten, um zu einem optimierten Durchsatz für Ihre Fabrik zu gelangen. KI kann Herstellern helfen, fundiertere Entscheidungen für Problem Nr. 1.267 zu treffen, auch wenn sie sich derzeit nur mit Problem 37 befassen. Es wird uns auch ermöglichen, historisch isolierte Branchen wie Architektur, Ingenieurwesen und Baugewerbe zu vereinen und ihre Fähigkeit zum Austausch von Informationen und Erkenntnissen zu verbessern.“

Sakthivel Arumugam ist leitender Produktmanager am Standort von Ansys Inc. in Cambridge, Großbritannien. Der in Canonsburg, Pennsylvania, ansässige Softwareanbieter konzentriert sich auf technische Simulation, und wie bereits mehrfach angedeutet, wird KI zu einem integralen Bestandteil vieler Simulationssoftwaretools, sei es bei der Simulation der Ergebnisse von Entscheidungen, die während des Produktdesigns getroffen werden, oder bei der Simulation des Herstellungsprozesses oder die Simulation des Verhaltens von Materialien, Teilen und Baugruppen unter verschiedenen Betriebsbedingungen.

Im Fall von Ansys gehen diese Fähigkeiten über die reine Simulation hinaus und umfassen die Erfassung, Analyse und Verwaltung von Konstruktionsdaten, einschließlich der Daten im Zusammenhang mit den in AM und anderen Prozessen verwendeten Rohstoffen. „Materialien sind ein wichtiger Faktor bei der Qualifizierung und Zertifizierung additiv gefertigter Teile, insbesondere im Luft- und Raumfahrt- und Verteidigungssektor“, sagte Arumugam. „Um diesen Markt zu unterstützen, verfügt Ansys über eine Geschäftseinheit, die sich ausschließlich einer Materialdatenverwaltungslösung namens Granta MI widmet.“

AM sei ein sehr datenintensiver Prozess, fügte er hinzu. Zunächst sind die Eigenschaften und Eigenschaften des Rohmaterials zu berücksichtigen, ob es sich um Metall oder Polymer handelt und ob es in Harz-, Pulver-, Draht-, Stab-, Blech-, Stangen- oder Filamentform in die Fabrikhalle gelangt.

Aber genauso wichtig ist, was danach kommt. Diese Eigenschaften ändern sich, wenn das Material schmilzt, aushärtet oder verschmilzt, und oft ändern sie sich noch einmal, wenn das Teil einer sekundären Wärmebehandlung oder Aushärtung unterzogen wird. Eine ohnehin schon komplexe Situation wird dadurch noch komplizierter, dass die Abmessungs- und mechanischen Eigenschaften des Produkts durch die zum Aufbau des Teils verwendete Strategie, sei es Laserleistung, Kreuzschraffur usw., noch weiter beeinflusst werden können. Es sei die Aufgabe von Granta MI, all diese Daten zu erfassen und zu verwalten, erklärte Arumugam.

„Kunden können Daten aus jedem Schritt des Druckprozesses sammeln und diese auf sehr organisierte und integrierte Weise in die Datenbank der Plattform eingeben. Und da alles miteinander verknüpft ist, wird es für den Benutzer dann einfacher, die Beziehung zwischen beispielsweise einer fertigen Materialeigenschaft und den Prozessparametern, der verwendeten Maschine und sogar dem Materiallieferanten zu verstehen.“

Wo passen ML und KI in diese Gleichung? Daten wie diese zu analysieren ist eine der langweiligen, sich wiederholenden Aufgaben, bei denen sich die KI auszeichnet. Aus diesem Grund ging Ansys eine Partnerschaft mit Intellegens ein und integrierte dessen Algorithmen in die Granta MI-Plattform.

„Dies ist eine weitere Erweiterung der Materialdatenanalyse“, sagte Arumugam.

„Hersteller können jetzt Daten über die Rohstoffe und die Beziehungen zwischen ihren Eigenschaften und dem Endprodukt sammeln, analysieren und speichern. Sie können diese Informationen nutzen, um qualitativ hochwertigere Teile herzustellen oder ihre Prozesse zu optimieren. Und wenn es Jahre später zu einem Produktfehler kommt, kann eine forensische Analyse durchgeführt werden, um die Ursache zu verstehen, und die daraus resultierenden Daten für kontinuierliche Verbesserungszwecke nutzen. Es ist eine große Aufgabe und viele Daten, aber KI hilft dabei, alles beherrschbar zu machen.“

Verbinde dich mit uns