出典: 揚子江デルタG60レーザーアライアンス
上海工程科学大学、英国ウォーリック大学、上海振幅レーザー技術有限公司の研究者らが、積層造形における機械学習の応用、設計とプロセスに関する研究を検討しました。 「積層造形における機械学習のレビュー：設計とプロセス」と題された関連論文が、The International Journal of Advanced Manufacturing Technology に掲載されました。
付加製造 (AM) は、その独自の製造方法により、インダストリー 4.0 の文脈において、製造業の複雑さ、柔軟性、インテリジェンスのレベルをさらに高めることができます。しかし、AM システムの複雑さと、データ集約型の製造分野としての性質により、高品質の製品を生産する上で課題が生じます。デジタル技術とコンピュータ技術の発展に伴い、データ駆動型機械学習 (ML) は、品質管理、プロセス最適化、複雑なシステムモデリングに効果的な方法を提供するため、自動機械製造で広く使用されるようになりました。
図 1 機械学習、IoT、ビッグデータ、デジタルツイン、ブロックチェーン技術を使用した積層製造ソリューションのシステム。
この記事では、AM プロセスを支援するために ML を活用するさまざまな段階を簡潔にまとめています。これは、積層造形設計 (DfAM) とパラメータ最適化の前処理段階から、欠陥検出の処理段階、部品品質評価の後処理段階まで、各段階で従来の方法よりも ML を使用する利点を示しています。 DfAM の目標は、複数の変数間の相互作用を考慮しながら製品設計を最適化することです。 ML の非線形機能は DfAM で効果的に活用できます。欠陥検出は、部品の再現性、耐久性、信頼性を確保するように設計されています。センサーと ML を組み合わせることで部品の品質が保証されます。最後に、部品の品質が評価され、さまざまな AM サブシステムが部品の微細構造の観点から検査されます。このレビューでは、AM プロセス フローに関連するさまざまな問題を解決するために ML をどのように適用できるかについて説明します。本書では、さまざまな段階でのさまざまな ML モデルの適用を包括的かつ体系的にまとめ、将来 AM を支援する新しい ML テクノロジの可能性を研究し、AM における現在の ML 適用の限界と将来の開発方向をまとめています。
図 2 AM における 3 つの一般的なプロセス機器の概要と一般的な用語。下の 2 つの画像は、航空宇宙からバイオプリンティングまで幅広いアプリケーションを示しており、ML と高度な製造を組み合わせることで生じる幅広い影響を強調しています。
図 3 ML を AM に統合する 3 つのプロセスのアプリケーションの概要。
図 4 AM の主なデータ ソースを処理の入力データとして ML に取り込むプロセスの概要。 図5は、赤外線カメラで撮影した溶融池の画像に基づいて、SVMを使用して溶融池の形態を分類するプロセスを示しています。 図6 格子設計とDIC実験テスト。
図 7 赤外線熱画像技術により溶融プールの画像を収集し、溶融プールの輪郭を抽出します。
図8 コンピュータ断層撮影法を使用してインコネル 718 AM 試験片で検出された 1 つのキーホール欠陥と 2 つの融合穴欠落欠陥の例。この画像は、キーホールと 2 つの最大の融合不全穴を拡大表示しており、後者の不規則な形態を強調しています。 図 9 では、OT 画像と CT 画像を ML データとして使用し、LPBF で発生する欠陥を予測しています。 図 10 AM における TL のアプリケーション (プロセス最適化、形状偏差予測、溶融プール サイズ予測、欠陥検出など)。
図11 さまざまな欠陥を持つサンプルの検出。 図12 機械学習に基づく金属レーザー粉末床溶融積層造形法の品質再現性に関する研究
ML は複雑なパターンを識別し、パラメータの関係を探索する上で大きな可能性を秘めており、AM の意思決定プロセスを強化するための新しい手段を提供します。これらのモデルは、材料特性、プロセスパラメータ、部品品質間の微妙な関係を正確に捉えます。この記事は、AM プロセスのさまざまな段階の観点から始まり、3 つの異なる段階におけるさまざまなアプリケーションをまとめています。前処理段階から、ML はプロセス最適化に統合され、構造の実現可能性を調査し、設計変数をトレーニングし、特定の条件下で最適なプロセス パラメータを予測します。処理段階では、センサーから収集したデータを ML モデルに入力して、パラメータと微細構造の関係を調べる従来の方法と比較することで、欠陥検出に ML を使用する利点が示されます。後処理段階では、ML は部品の微細構造を検査し、さまざまなパフォーマンス指標と部品の品質を評価できます。最後に、このレビューでは、AM におけるさまざまな新しい ML 技術の応用を検討し、ML 技術の現在の限界と将来の開発の潜在的な方向性を強調します。
今後は、ML と AM を組み合わせた研究がさらに進むでしょう。ただし、さまざまな AM の問題やアプリケーション シナリオには、構造化データや画像データなど、さまざまな種類のデータが関係します。さまざまな種類のデータを効果的に処理するには、さまざまな種類のアルゴリズムが必要です。したがって、ML を使用して AM の問題を解決するには、ML のメカニズムと AM のプロセスを正確に理解する必要があります。要約すると、現在の研究には次のような欠点があります。
1. 調査によると、ML は AM において主に PBF、DED、MEX プロセスで使用されています。将来的には、ML はさらに多くの AM プロセスに適用できる可能性があります。
2.AM は、複数のサブシステムと製造プロセスがさまざまな相互に関連する要因の影響を受ける、複雑なレイヤーごとの製造システムです。したがって、生データから特徴を抽出してデータ次元を削減したり、分解技術を使用して異種データを融合して ML モデルのパフォーマンスを向上させ、モデルの精度を改善したりするなど、共同分析のためにデータを統合する必要があります。
3. 研究者は、ML における透明性と精度の間でトレードオフを行う必要があります。 ML モデルによって生成された結果は、意思決定者が結果とその基本原理を理解できるように、解釈可能で処理しやすいものである必要があり、一部の従来の ML アルゴリズム (LR や SSL など) は解釈可能な結果を生成できます。 AM システムでは、説明可能な ML モデルにより、エンジニアは製造プロセスに対する理解を深め、対応する制御戦略を開発できるようになります。現在利用可能な実行可能な戦略の 1 つは、ML の結果を、関連するコンポーネント、プロセス、またはプロセス条件の高忠実度シミュレーションと組み合わせて、研究者が ML を理解できるようにすることです。
4. 前述のように、多くの研究では物理法則を ML に取り入れています。物理法則は、意思決定者がプロセス-構造-パフォーマンス (PSPP) 製造ステップ間に存在する関係をよりよく理解するのに役立ちます。したがって、複雑な AM システムの場合、将来の研究では物理法則を ML に組み込む方法についてさらに詳しく検討することができます。
図 13 材料押し出し積層造形のプロセス構造性能モデリングにおける機械学習の応用 論文リンク:
Chen, K., Zhang, P., Yan, H. et al. 積層造形における機械学習のレビュー：設計とプロセス。Int J Adv Manuf Technol 135, 1051–1087 (2024). https://doi.org/10.1007/s00170-024-14543-2
Pant, R.、Singh, R.、Gehlot, A. 他「機械学習、モノのインターネット、ビッグデータ、デジタルツイン、ブロックチェーン技術を使用した付加製造ソリューションの体系的レビュー：持続可能性に向けた技術的視点」Arch Computat Methods Eng (2024)。https://doi.org/10.1007/s11831-024-10116-4
https://doi.org/10.1016/j.matdes.2021.109606
Abdelhamid, Z.、Mohamed, H.、Kelouwani, S. 材料押し出し積層造形におけるプロセス・構造・特性モデリングにおける機械学習の利用：最先端のレビュー。J Braz. Soc. Mech. Sci. Eng. 46, 70 (2024). https://doi.org/10.1007/s40430-023-04637-5
|
設計、プロセス、パラメータ、金属 |
