研究人员训练机器学习模型来监控和调整 3D 打印过程，以实时纠正错误。科学家和工程师不断开发可用于3D 打印的具有独特性能的新材料，但弄清楚如何 使用这些材料进行打印可能是一个复杂且成本高昂的难题。

通常，专家操作员必须使用手动试错法(可能进行数千次打印)来确定始终有效地打印新材料的理想参数。这些参数包括打印速度和打印机沉积的材料量。

麻省理工学院的研究人员现在已经使用人工智能来简化这一过程。他们开发了一种机器学习系统，该系统使用计算机视觉来观察制造过程，然后实时纠正其处理材料的错误。

他们使用模拟来教神经网络如何调整打印参数以最小化错误，然后将该控制器应用于真正的 3D 打印机。他们的系统打印的对象比他们与之比较的所有其他 3D 打印控制器更准确。

这项工作避免了打印数千或数百万个真实物体来训练神经网络的昂贵过程。它可以让工程师更容易地将新材料融入他们的印刷品中，这可以帮助他们开发具有特殊电气或化学特性的物体。如果材料或环境条件发生意外变化，它还可以帮助技术人员即时调整打印过程。

“这个项目确实是第一个构建使用机器学习来学习复杂控制策略的制造系统的演示，”资深作者、麻省理工学院电气工程和计算机科学教授、计算设计和制造小组 (CDFG) 的负责人 Wojciech Matusik 说。 ) 在计算机科学和人工智能实验室 (CSAIL) 内。“如果你有更多的智能制造机器，它们可以实时适应工作场所不断变化的环境，从而提高系统的产量或准确性。你可以从机器中挤出更多的东西。”

该研究的共同主要作者 是 CDFG 的机械工程师兼项目经理 Mike Foshey 和奥地利科学技术研究所的博士后 Michal Piovarci。麻省理工学院的合著者包括电气工程和计算机科学专业的研究生 Jie Xu 和 CDFG 的前技术助理 Timothy Erps。

拣选参数

确定数字制造过程的理想参数可能是该过程中最昂贵的部分之一，因为需要大量的反复试验。一旦技术人员找到了一种效果很好的组合，这些参数只适用于一种特定情况。她几乎没有关于材料在其他环境、不同硬件上或新批次是否表现出不同特性的行为的数据。

使用机器学习系统也充满挑战。首先，研究人员需要实时测量打印机上发生的情况。

为此，他们开发了一个机器视觉系统，使用两个摄像头瞄准 3D 打印机的喷嘴。该系统在材料沉积时向材料照射光，并根据通过的光量计算材料的厚度。

“您可以将视觉系统视为一组实时观察过程的眼睛，”Foshey 说。

然后，控制器将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，调整进给速度和打印机的方向。

但是训练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，并且需要进行数百万次打印。因此，研究人员建造了一个模拟器。

成功模拟

为了训练他们的控制器，他们使用了一种称为强化学习的过程，在该过程中，模型通过试错来学习并获得奖励。该模型的任务是选择将在模拟环境中创建特定对象的打印参数。在显示预期输出后，当模型选择的参数将其打印与预期结果之间的误差最小化时，模型就会获得奖励。

在这种情况下，“错误”意味着模型分配了太多材料，将其放置在应该保持开放的区域，或者分配不足，留下了应该填充的开放点。随着模型执行更多模拟打印，它更新了控制策略以最大化奖励，变得越来越准确。

然而，现实世界比模拟更混乱。在实践中，条件通常会因打印过程中的细微变化或噪音而发生变化。因此，研究人员创建了一个近似 3D 打印机噪声的数值模型。他们使用该模型在模拟中添加噪声，从而产生更真实的结果。

“我们发现有趣的是，通过实施这个噪声模型，我们能够将纯粹在模拟中训练的控制策略转移到硬件上，而无需进行任何物理实验的训练，”Foshey 说。“之后我们不需要对实际设备进行微调。”

当他们测试控制器时，它比他们评估的任何其他控制方法更准确地打印对象。它在填充打印(即打印物体内部)方面表现尤其出色。其他一些控制器沉积了太多的材料，以至于打印出来的物体会鼓起来，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传播并相应地调整参数。

“我们还能够设计控制策略来动态控制不同类型的材料。因此，如果您在现场有一个制造过程并且您想更改材料，您就不必重新验证制造过程。你只需加载新材料，控制器就会自动调整，”Foshey 说。

既然他们已经展示了这种技术在 3D 打印中的有效性，研究人员希望为其他制造过程开发控制器。他们还想看看如何针对有多层材料或一次打印多种材料的情况修改该方法。此外，他们的方法假设每种材料都具有固定的粘度(“糖浆”)，但未来的迭代可以使用 AI 来实时识别和调整粘度。

标签：