隨著汽車行業(yè)的飛速發(fā)展，對增材制造原型部件的需求比以往任何時(shí)候都高。然而，南極熊在德國跨國汽車公司——寶馬最近發(fā)表的一項(xiàng)研究中發(fā)現(xiàn)，為了使更大的3D打印量成為現(xiàn)實(shí)，AM工藝鏈仍然需要在產(chǎn)出數(shù)量、生產(chǎn)速度和經(jīng)濟(jì)可行性方面進(jìn)行優(yōu)化和進(jìn)一步發(fā)展。

在確定需要進(jìn)一步優(yōu)化和提高增材制造技術(shù)及其工藝鏈的效率后，寶馬公司對人工智能（AI）在自動(dòng)識(shí)別3D打印部件方面的復(fù)雜性和經(jīng)濟(jì)價(jià)值進(jìn)行了研究。

本文概述了目前可用的增材制造工藝鏈的狀況、使用人工智能進(jìn)行零件識(shí)別的復(fù)雜性，以及使用基于人工智能的平臺(tái)（如AM－VISION，荷蘭3D打印、后處理和自動(dòng)化公司AM－Flow的自動(dòng)機(jī)器學(xué)習(xí)零件識(shí)別系統(tǒng)）來進(jìn)一步實(shí)現(xiàn)整個(gè)3D打印工藝鏈工業(yè)化的經(jīng)濟(jì)可行性。

△寶馬集團(tuán)內(nèi)部的各部分AM組件。圖片來自Philip Obst。

汽車行業(yè)的AM工藝鏈

這篇研究論文由來自寶馬、AM－Flow和杜伊斯堡－埃森大學(xué)（UDE）的作者聯(lián)手編撰，強(qiáng)調(diào)了增材制造的技術(shù)進(jìn)步是如何實(shí)現(xiàn)更高的生產(chǎn)速度、更多的材料選擇，以及在類似于傳統(tǒng)產(chǎn)品的部件中可供調(diào)整的強(qiáng)大機(jī)械性能。因此，AM技術(shù)正越來越多地被汽車等行業(yè)采用，以促進(jìn)測試和驗(yàn)證車輛部件領(lǐng)域的新用例。

研究人員說，3D打印所帶來的更大的幾何自由使他們有可能生產(chǎn)出具備新結(jié)構(gòu)、形狀和高度個(gè)性化的系列部件，并提供了大規(guī)模生產(chǎn)向裝配線及時(shí)交付的可能性。

然而，他們發(fā)現(xiàn)增材制造工藝鏈仍然需要進(jìn)一步優(yōu)化和發(fā)展，以提高產(chǎn)出數(shù)量、生產(chǎn)速度，并在經(jīng)濟(jì)上可行。根據(jù)該研究，目前許多可用的3D打印技術(shù)的工藝鏈仍然包括大量的勞動(dòng)密集型工作和步驟，導(dǎo)致人員成本高，產(chǎn)品產(chǎn)量低，這也會(huì)導(dǎo)致整個(gè)工藝鏈的瓶頸和停工期。

研究人員觀察到，為了解決這些問題，增材制造領(lǐng)域正在向自動(dòng)化和工業(yè)化轉(zhuǎn)變，新技術(shù)、應(yīng)用專利、跨行業(yè)合作和政府資助的項(xiàng)目都是證明。他們還指出，整個(gè)增材制造自動(dòng)化市場預(yù)計(jì)將在這十年內(nèi)增長23％，潛在收入達(dá)150億美元。

用人工智能克服生產(chǎn)力極限

據(jù)作者介紹，由于機(jī)器容量、運(yùn)行時(shí)間和后處理步驟，以及機(jī)器清潔、準(zhǔn)備和上傳等手工操作，目前的增材制造工藝鏈在大生產(chǎn)量方面達(dá)到了生產(chǎn)率的極限。研究人員特別指出的這些手工操作之一是通過給部件貼標(biāo)簽來識(shí)別和分配給客戶，以便進(jìn)一步進(jìn)行物流運(yùn)輸。

盡管部件識(shí)別是整個(gè)工藝鏈中的一個(gè)小部分，但與冷處理等其他步驟相比，它仍然是一個(gè)不能擴(kuò)展的工藝步驟，需要大量的手工作業(yè)。研究人員以惠普公司的Multi Jet Fusion（MJF）技術(shù)為例，觀察到為了實(shí)現(xiàn)每個(gè)零件的最低成本，在專業(yè)軟件的支持下，零件往往被緊密地嵌套。這就導(dǎo)致了在一次制造作業(yè)中出現(xiàn)大量不同的部件，這意味著單個(gè)部件的可追蹤性可能會(huì)丟失，而分配給客戶的訂單則需要在生產(chǎn)后完成，這通常是一個(gè)手動(dòng)步驟。

目前有幾種方法可以根據(jù)幾何形狀自動(dòng)識(shí)別部件，如稱重、云計(jì)算掃描、圖像識(shí)別和計(jì)算機(jī)斷層掃描。然而，這些技術(shù)在準(zhǔn)確性和成本方面都各有其缺點(diǎn)。不過研究人員表示，由于模仿人類戰(zhàn)略思維的深度學(xué)習(xí)算法的發(fā)展，人工智能領(lǐng)域的創(chuàng)新已經(jīng)使靈活性和自動(dòng)化的必要結(jié)合變得可行。

一段時(shí)間以來，人工智能已經(jīng)在3D打印領(lǐng)域被用于部件篩選、生成復(fù)雜的設(shè)計(jì)和監(jiān)測質(zhì)量控制。盡管如此，研究人員表示，到目前為止，市場上還沒有能夠解決不同幾何形狀的自動(dòng)組件識(shí)別的復(fù)雜問題的自動(dòng)化解決方案。

評估AM－VISION識(shí)別AM組件的情況

AM－VISION是一個(gè)工業(yè)系統(tǒng)，用于根據(jù)其獨(dú)特的幾何形狀識(shí)別增材制造的部件。該系統(tǒng)由Formnext 2020創(chuàng)業(yè)挑戰(zhàn)賽的獲勝者之一AM－Flow開發(fā)，是他們公司3D打印和后處理軟件產(chǎn)品的旗艦產(chǎn)品。

AM－VISION使用3D形狀識(shí)別，能夠根據(jù)幾何形狀快速、可靠地識(shí)別3D打印部件。一旦這些零件被識(shí)別，它們就可以被公司的其他軟件AM－SORT、AM－PICK和AM－ROUTE分類、處理、揀選和運(yùn)輸。早在去年10月份，AM－VISION公司籌集了400萬美元的A輪融資，以建立其基于人工智能的機(jī)器人解決方案套件，并催化3D打印自動(dòng)化的＂躍級變化＂。

研究人員對AM－VISION系統(tǒng)進(jìn)行了一系列評估，還調(diào)查了該軟件的經(jīng)濟(jì)可行性。對含有高幾何形狀組合的構(gòu)建工作的測試研究證明，該系統(tǒng)在識(shí)別和標(biāo)記過程中節(jié)省了時(shí)間，與人工操作相比，部件的處理速度提高了50％。

通過將生產(chǎn)線上的最終機(jī)器設(shè)置與自動(dòng)單向傳送帶相結(jié)合，AM－Flow估計(jì)處理時(shí)間可以提高6到10倍，而如果構(gòu)建作業(yè)包含高度多樣化的幾何形狀，部件的識(shí)別率則在80％到95％之間。

然而，對僅由一個(gè)表面上的精細(xì)壓花和雕刻圖案不同的面板的研究表明，人工智能還不足以在這種規(guī)模下進(jìn)行區(qū)分。因此，研究人員建議，人工智能驅(qū)動(dòng)的3D打印部件識(shí)別的商業(yè)案例取決于諸如每天生產(chǎn)的部件、故障成本、全時(shí)當(dāng)量和勞動(dòng)力成本等因素，以便計(jì)算出與人工操作的成本對比。

AM工藝鏈的未來產(chǎn)業(yè)化

從他們的研究中，研究人員觀察到，雖然生產(chǎn)過程本身通常是數(shù)字化和自動(dòng)化的，但在后期處理階段需要高比例的手工工作。他們還強(qiáng)調(diào)，在增加產(chǎn)出數(shù)量方面的新發(fā)展和改進(jìn)導(dǎo)致了在部件識(shí)別方面的更高努力，而迄今為止，在這一領(lǐng)域部署人工智能是有效的。

這項(xiàng)研究證實(shí)，AM－Flow的AM－VISION系統(tǒng)能夠根據(jù)零件幾何形狀的部分表示，對高混合增材制造部件進(jìn)行可靠的對象檢測，這導(dǎo)致了吞吐時(shí)間的減少和隨后的成本節(jié)約。說到這里，作者強(qiáng)調(diào)了為自動(dòng)識(shí)別選擇正確的應(yīng)用領(lǐng)域的重要性，因?yàn)橄嗤牧慵H有細(xì)微差別的零件以及制造量太小的零件對這項(xiàng)技術(shù)來說還不具有經(jīng)濟(jì)可行性。

在測試過程中，AM－VISION系統(tǒng)經(jīng)歷了對其深度學(xué)習(xí)算法的不斷改進(jìn)，這有助于區(qū)分鏡像反轉(zhuǎn)的汽車部件。研究人員建議，在未來，使用云計(jì)算來測量尺寸精度可以幫助實(shí)現(xiàn)自動(dòng)質(zhì)量控制，激光三角測量也可以。有了這些補(bǔ)充，他們相信3D打印的系列部件可以通過精細(xì)的圖案、序列號(hào)或編碼在幾何形狀中的小型數(shù)據(jù)矩陣代碼來識(shí)別。

研究人員總結(jié)說：＂目前可用AM－VISION進(jìn)行大批量的自動(dòng)識(shí)別，已經(jīng)是向大規(guī)模的AM生產(chǎn)邁出的又一步＂。

關(guān)于這項(xiàng)研究的詳細(xì)信息可以在題為：＂Complexity andeconomical value of Artificial Intelligence for automated and industrializedrecognition of additive manufactured components＂的論文中找到。本研究由P． Obst， W． Nasser， S． Rink， G． Kleinpeter， B． Szost， D． Rietzel，and G． Witt共同撰寫。