|
随着汽车行业的飞速发展，对增材制造原型部件的需求比以往任何时候都高。然而，南极熊在德国跨国汽车公司——宝马最近发表的一项研究中发现，为了使更大的3D打印量成为现实，AM工艺链仍然需要在产出数量、生产速度和经济可行性方面进行优化和进一步发展。
在确定需要进一步优化和提高增材制造技术及其工艺链的效率后，宝马公司对人工智能（AI）在自动识别3D打印部件方面的复杂性和经济价值进行了研究。
本文概述了目前可用的增材制造工艺链的状况、使用人工智能进行零件识别的复杂性，以及使用基于人工智能的平台（如AM-VISION，荷兰3D打印、后处理和自动化公司AM-Flow的自动机器学习零件识别系统）来进一步实现整个3D打印工艺链工业化的经济可行性。
△宝马集团内部的各部分AM组件。图片来自Philip Obst。
汽车行业的AM工艺链
这篇研究论文由来自宝马、AM-Flow和杜伊斯堡-埃森大学（UDE）的作者联手编撰，强调了增材制造的技术进步是如何实现更高的生产速度、更多的材料选择，以及在类似于传统产品的部件中可供调整的强大机械性能。因此，AM技术正越来越多地被汽车等行业采用，以促进测试和验证车辆部件领域的新用例。
研究人员说，3D打印所带来的更大的几何自由使他们有可能生产出具备新结构、形状和高度个性化的系列部件，并提供了大规模生产向装配线及时交付的可能性。
然而，他们发现增材制造工艺链仍然需要进一步优化和发展，以提高产出数量、生产速度，并在经济上可行。根据该研究，目前许多可用的3D打印技术的工艺链仍然包括大量的劳动密集型工作和步骤，导致人员成本高，产品产量低，这也会导致整个工艺链的瓶颈和停工期。
研究人员观察到，为了解决这些问题，增材制造领域正在向自动化和工业化转变，新技术、应用专利、跨行业合作和政府资助的项目都是证明。他们还指出，整个增材制造自动化市场预计将在这十年内增长23%，潜在收入达150亿美元。
△使用惠普MJF技术简化的整体AM工艺链，人工识别部件的操作时间百分比（AM-Flow的时间测量）。图片来自Philip Obst
用人工智能克服生产力极限
据作者介绍，由于机器容量、运行时间和后处理步骤，以及机器清洁、准备和上传等手工操作，目前的增材制造工艺链在大生产量方面达到了生产率的极限。研究人员特别指出的这些手工操作之一是通过给部件贴标签来识别和分配给客户，以便进一步进行物流运输。
尽管部件识别是整个工艺链中的一个小部分，但与冷处理等其他步骤相比，它仍然是一个不能扩展的工艺步骤，需要大量的手工作业。研究人员以惠普公司的Multi Jet Fusion（MJF）技术为例，观察到为了实现每个零件的最低成本，在专业软件的支持下，零件往往被紧密地嵌套。这就导致了在一次制造作业中出现大量不同的部件，这意味着单个部件的可追踪性可能会丢失，而分配给客户的订单则需要在生产后完成，这通常是一个手动步骤。
目前有几种方法可以根据几何形状自动识别部件，如称重、云计算扫描、图像识别和计算机断层扫描。然而，这些技术在准确性和成本方面都各有其缺点。不过研究人员表示，由于模仿人类战略思维的深度学习算法的发展，人工智能领域的创新已经使灵活性和自动化的必要结合变得可行。
一段时间以来，人工智能已经在3D打印领域被用于部件筛选、生成复杂的设计和监测质量控制。尽管如此，研究人员表示，到目前为止，市场上还没有能够解决不同几何形状的自动组件识别的复杂问题的自动化解决方案。
△AM-VISION的功能原理和程序。图片来自Philip Obst
评估AM-VISION识别AM组件的情况
AM-VISION是一个工业系统，用于根据其独特的几何形状识别增材制造的部件。该系统由Formnext 2020创业挑战赛的获胜者之一AM-Flow开发，是他们公司3D打印和后处理软件产品的旗舰产品。
AM-VISION使用3D形状识别，能够根据几何形状快速、可靠地识别3D打印部件。一旦这些零件被识别，它们就可以被公司的其他软件AM-SORT、AM-PICK和AM-ROUTE分类、处理、拣选和运输。早在去年10月份，AM-VISION公司筹集了400万美元的A轮融资，以建立其基于人工智能的机器人解决方案套件，并催化3D打印自动化的"跃级变化"。
研究人员对AM-VISION系统进行了一系列评估，还调查了该软件的经济可行性。对含有高几何形状组合的构建工作的测试研究证明，该系统在识别和标记过程中节省了时间，与人工操作相比，部件的处理速度提高了50%。
△用于比较手动和自动组件识别的输入值。图片来自Philip Obst
通过将生产线上的最终机器设置与自动单向传送带相结合，AM-Flow估计处理时间可以提高6到10倍，而如果构建作业包含高度多样化的几何形状，部件的识别率则在80%到95%之间。
然而，对仅由一个表面上的精细压花和雕刻图案不同的面板的研究表明，人工智能还不足以在这种规模下进行区分。因此，研究人员建议，人工智能驱动的3D打印部件识别的商业案例取决于诸如每天生产的部件、故障成本、全时当量和劳动力成本等因素，以便计算出与人工操作的成本对比。
△AM-Flow的硬件解决方案旨在扩展后期制作处理。照片来自AM-Flow
AM工艺链的未来产业化
从他们的研究中，研究人员观察到，虽然生产过程本身通常是数字化和自动化的，但在后期处理阶段需要高比例的手工工作。他们还强调，在增加产出数量方面的新发展和改进导致了在部件识别方面的更高努力，而迄今为止，在这一领域部署人工智能是有效的。
这项研究证实，AM-Flow的AM-VISION系统能够根据零件几何形状的部分表示，对高混合增材制造部件进行可靠的对象检测，这导致了吞吐时间的减少和随后的成本节约。说到这里，作者强调了为自动识别选择正确的应用领域的重要性，因为相同的零件、仅有细微差别的零件以及制造量太小的零件对这项技术来说还不具有经济可行性。
在测试过程中，AM-VISION系统经历了对其深度学习算法的不断改进，这有助于区分镜像反转的汽车部件。研究人员建议，在未来，使用云计算来测量尺寸精度可以帮助实现自动质量控制，激光三角测量也可以。有了这些补充，他们相信3D打印的系列部件可以通过精细的图案、序列号或编码在几何形状中的小型数据矩阵代码来识别。
研究人员总结说："目前可用AM-VISION进行大批量的自动识别，已经是向大规模的AM生产迈出的又一步"。
关于这项研究的详细信息可以在题为："Complexity andeconomical value of Artificial Intelligence for automated and industrializedrecognition of additive manufactured components"的论文中找到。本研究由P. Obst, W. Nasser, S. Rink, G. Kleinpeter, B. Szost, D. Rietzel,and G. Witt共同撰写。
| 
京公网安备11010802043351