【行業新聞】通過機器學習(ML)提高積層製造的成功率

 

1. 積層製造 (AM) 使製造複雜形狀的產品成為可能

有些產品無法使用傳統方法製造，例如鑄造、成型、鍛造或機械加工。通過精確地沉積粉末層（金屬或聚合物）並將每一層的粉末顆粒熱熔到自身以及隨後的層中，可生產的實際工作部件的幾何形狀幾乎沒有限制。從針對效率進行最佳化的小型散熱器到將未來宇航員送入太空的巨大火箭發動機，AM 可以做到這一切。

 

2. 添加劑製造商無法忍受失敗

AM 希望達成的是像製造商希望的那樣快速、一致的生產這些零件。積層製造通常需要多次反覆測試來最佳化新的積層製造零件。即便設計和積層製程已經底定，仍然可以在製程中導入其他變數，例如一批新材料或不同的環境條件 ，然而這會影響製程的可重複性。在失敗的構建中會浪費高成本金屬粉末，這是製造商不能接受的。

 

3. 積層製造的挑戰

在工業中大規模採用積層製造的主要挑戰是速度和可靠性。如何快速最佳化積層製造零件的技術參數，從而縮短上市時間？克服這些挑戰變得更加困難，因為每個積層製程技術都有自己的一組技術參數，包括材料特性、製造設定和不斷變化的環境條件。 

• 材料數據管理

單看材料特性就有許多變數，像是合金的粉末化學成分差異很大，因為少量雜質會改變每批次的成分。舉例: Ti-6Al-4V 合金粉末中鈦濃度的變化百分比浮動範圍須控制在多少，才不會造成積層製程失敗？氧、鐵、碳和氮等雜質的含量如何影響最終積層製造零件的抗拉強度？ 

雷射驅動的積層製造機器的加工參數（邊界功率、邊界速度、掃描距離、掃描速度、掃描偏移、體積能量密度等）可能會發生變化，這增加了積層製造挑戰的複雜性。加上熱處理、非破壞檢測 (NDT) 檢查和機械測試變數，您很快就會面臨重大的數據管理挑戰。 

• 多變量的結果預測

當一個或多個變量在構建過程中發生變化時，您也可能在預測因果結果方面遇到挑戰。當存在這麼多的流程與屬性組合時，能夠預測會發生什麼對於確保高構建成功率起了重要作用。

產品簡介: 

• Ansys Granta 材料選擇與研究 | 軟體簡介
• Ansys | GRANTA Ml Pro快速入門材料數據庫系統

 

4. 處理 AM 數據的數據驅動方法

• 使用 Ansys Granta MI 管理材料數據

幫助工程師捕捉和管理他們的材料資訊才能讓製造商對積層製造過程充滿信心，這也是 Ansys Granta MI 的主要重點。它使公司能夠收集、組建和儲存他們自己的材料數據，這些數據是通過測試輸入的原材料和輸出的最終產品而收集的。以公司的專有材料知識產權來說，在微調積層製造技術裡的定制數據非常寶貴。Granta MI 還為公司提供了一個單一的材料資訊資料庫，“單一事實來源”可避免不同工程師採用不同資料數據工作的問題。

即使使用 Granta MI 的數據管理功能，現實世界的 AM 數據集通常還是存在某些不足，像是數據集的某些行或列中存在空隙，或同一屬性的不同測量值可能在大範圍分布。還有一個問題是，數據中可能存在差距，這些材料數據集也可能變得太大而無法有效的提取有用數據。

• Ansys 如何彌補 Granta MI 的不足?

Ansys 與 Intellegens 合作，整合其 Alchemite™ 算法，以統計填補空白並簡化數據。機器學習 (ML) 算法通常基於神經網路方法，從樣本數據（稱為訓練數據）構建模型。這些模型僅基於他們從這些數據中“學習”的內容而無需進一步顯式編程，支持的任務包括： 

• 預測其餘數據集缺少的值 

• 預測一組新輸入變因的輸出 

• 透過預測輸入哪些變因可最完整的實現期望輸出，以最佳化性能 

• 辨別數據中的離群值、異常值或群體

• 確定哪些輸入變因是哪些輸出的強大驅動力

機器學習使用現有的 AM 項目數據來構建預測模型，以辨別關鍵的過程與屬性關係、指導您的測試程序並提出最佳處理參數。簡而言之，即便是零散、範圍廣又大量的數據，Alchemite 也能從您的數據中發現價值。當您的數據太少時，ML 通過辨別缺失的關鍵參數來幫助您有效的集中數據收集工作。當數據過多時，Alchemite 可以選取對預測 AM 構建成功最為重要的關鍵參數。

 

5. 使用機器學習來辨識 AM 數據之間的偶然聯結

這種對積層製造數據的全新洞察力使工程師能夠控制積層製程技術並最佳化材料和零件性能。您可以通過大大減少數量的實驗測試週期來獲得結果，這有助於加快上市時間並為積層製造程序節省大量的端到端總成本。 為了使軟體易於學習和使用，Granta MI for AM 解決方案可整理成三個應用程序：訓練數據集應用程序、最佳化應用程序和可視化應用程序。以下為三個應用程序中的解決方案 :  

• 訓練數據集應用程序: 可幫助工程師為神經網路創建訓練數據集。只需單擊幾下，您就可以從 Granta MI 數據庫中取用關鍵數據，形成可用於訓練神經網路的複雜特徵矩陣。 
• 使用最佳化應用程序: 可獲取由神經網路創建的模型並對其進行詢問，以獲得有關積層製造過程特定問題的答案。例如“如何最大化某個屬性？”或“如何減少構建中的特定故障模式？” 等類似的問題，可以通過這個應用程序來回答。
• 可視化應用程序: 可讓您快速了解數據。圖表比複雜的數據資料更容易理解。在可視化應用程序中，工程師可以截取複雜數據集的一部分並以圖形方式顯示，以方便洞察數據。

 

6. 積層製造中機器學習的光明前景

2016 年 MIT Technology Review 調查的 375 家企業中，近 60% 的企業將機器學習納入其運營。根據行銷研究公司龍頭 PwC 的報告指出，直到 2025 年，被認證為“Digital Champions”的所有公司都計劃使用機器學習。

他們有充分的理由這麼做。根據 Ansys 的估計，將數據管理系統與 ML 相結合的積層製程技術，將導致建立正確積層製造處理參數所需的實驗數量減少 50-90%。這一優勢和其他優勢將導致全球積層製造市場的成本降低 10%。

為了使 AM 為工業製程繼續發展，製造商將必須依靠改進來減少構建失敗的數量並讓他們對自己的工作流程充滿信心。他們不能繼續在昂貴的金屬粉末上浪費經濟成本，而這些金屬粉末最終會被廢棄。Ansys 將繼續為 Granta MI 添加功能，並與 Intellegens 合作，使 ML 成為積層製程中更加重要的一部分，確保未來幾代工程師能夠享受到積層製造的優勢。