麻省理工学院(MIT)的研究人员训练了一个机器学习模型来监控和调整3D打印过程以实时纠正错误。可用于3D打印的新材料不断被开发出来，但弄清楚如何使用它们进行打印可能是一个复杂且成本高昂的难题。通常情况下，操作员必须使用手动试错法，可能会进行数千次打印，以确定理想参数以一致且高效地打印新材料。麻省理工学院的研究人员使用人工智能来简化这个过程。该机构的科学家开发了一种新的机器学习系统，该系统使用计算机视觉来观察制造过程，并可以实时纠正材料处理方式中的错误。他们使用模拟来教神经网络如何调整打印参数以最大程度地减少错误，然后将控制器应用于真正的3D打印机。新系统可以比其他现有的3D打印控制器更准确地打印物体。这项工作避免了打印数千或数百万真实对象来训练神经网络的昂贵过程。它可以让工程师更轻松地将新材料整合到他们的3D打印产品中，这可以帮助他们开发具有特殊电气或化学特性的产品。它还可以帮助技术人员在材料或环境条件发生意外变化时对打印过程进行调整。“这个项目实际上是构建使用机器学习来学习复杂控制策略的制造系统的第一个示范，”负责该项目的麻省理工学院电气工程和计算机科学教授WojciechMatusik说。制造设备，他们可以实时适应工作场所不断变化的条件，以提高输出或系统的准确性，然后您可以从机器中提取更多价值。”选择参数以确定数字制造过程的理想参数可能是该过程由于需要大量的反复试验，因此成为最昂贵的部件之一。一旦技术人员找到了一种效果很好的组合，这些参数仅适用于一种特定情况。他们几乎没有关于材料在其他环境中表现是否不同的数据，在不同的硬件上，或者在新的批次中。使用机器学习系统也充满了挑战。首先，研究人员需要实时测量3D打印机上发生的事情。为此，研究人员开发了一种机器视觉系统使用两个摄像头对准3D打印机的喷嘴。系统在材料沉积时将光线照射到材料上，并计算出材料的厚度材料基于通过的光量。“你可以把视觉系统想象成一双实时注视这个过程的眼睛，”Foshey说。然后控制器处理它从视觉系统接收到的图像，并根据它看到的任何错误调整打印机的进给速率和方向。但是训练一个基于神经网络的控制器来理解这个制造过程是数据密集型的，需要数百万次打印。因此，研究人员构建了一个模拟器。成功的模拟为了更好地训练控制器，他们使用了一种称为强化学习的过程，在该过程中，模型通过反复试验学习并获得奖励。该模型的任务是选择打印参数，以便在模拟环境中创建特定对象。在显示预期输出后，当模型选择的参数最小化其打印与预期结果之间的误差时，模型将获得奖励。在这种情况下，“错误”意味着模型要么分配了太多材料，将其放置在应该保持开放的区域，要么没有分配足够的材料，留下一个应该被填充的开放点。随着模型执行更多的模拟打印，它会更新其控制策略以最大化奖励，变得越来越准确。然而，现实世界比模拟世界更混乱。在实践中，条件通常会因印刷过程中的微小变化或噪音而有所不同。因此，研究人员创建了一个近似3D打印机噪音的数值模型。他们使用该模型为模拟添加噪声，从而产生更逼真的结果。“我们发现有趣的是，通过实施这种噪声模型，我们能够将纯粹在模拟中训练的控制策略转移到硬件，而无需任何物理实验训练，”Foshey说，“然后，我们不需要实际设备进行任何微调。”当控制器经过测试时，它比之前评估过的任何其他控制方法更准确地打印对象。它在打印对象内部的填充打印中效果特别好。其他一些控制器沉积了太多材料，导致打印物体被抬起，但研究人员的控制器调整了打印路径，使物体保持水平。他们的控制策略甚至可以了解材料在沉积后如何扩散并相应地调整参数。Auto-tuning”我们还能够设计出可以动态控制不同类型材料的控制策略。因此，如果您在现场有制造过程并且想要更改材料，则不必重新验证制造过程。你只需加载新材料并控制设备就会自动调整，”Foshey说。现在他们已经证明了这种技术对3D打印的有效性，研究人员希望为其他制造过程开发控制器。他们还想了解如何修改该方法以处理多层材料或同时打印多种材料。此外，他们的方法假设每种材料都有固定的粘度，但未来的迭代可以使用AI实时识别和调整粘度。麻省理工学院有在增材制造领域有着悠久的历史，并催生了几家主要的3D打印公司，例如DesktopMetal和VulcanForms。这项工作得到了FWF的部分支持Lise-Meitner计划、欧洲研究委员会启动基金和美国国家科学基金会。
