宝马研究探索人工智能在汽车中自动化AM零件识别价值
该论文概述了当前可用的增材制造工艺链的现状、使用 AI 进行零件识别的复杂性，以及使用基于 AI 的平台（例如 AM-VISION，一种自动化机器学习零件识别系统）的经济可行性。荷兰 3D 打印、后处理和自动化公司 AM-Flow，以进一步工业化整个 3D 打印工艺链。
宝马集团内部增材制造部件的分离。图片来自宝马集团。
汽车行业的增材制造工艺链
这份研究论文由 BMW、AM-Flow 和杜伊斯堡-埃森大学 (UDE) 的作者编写，重点介绍了增材制造的技术进步如何实现更高的生产速度、更多的材料选择以及可调节的稳健机械性能。与传统产品相似的零件。因此，该技术正越来越多地被汽车等行业采用，以促进测试和验证车辆部件领域的新用例。研究人员说，3D 打印带来的更大的几何自由度使得生产新结构、形状和高度个性化和个性化的组件成为可能，研究人员说，大规模生产的可能性正在出现，及时向装配线提供。
然而，他们发现增材制造工艺链仍需要进一步优化和开发，以提高产量、生产速度并在经济上可行。根据研究，目前许多可用的3D打印技术的工艺链仍然包括大量劳动密集型的工作和步骤，导致人员成本高，产品产量低。这也可能导致整个流程链中出现瓶颈和停机时间。研究人员观察到，为了解决这些问题，增材制造行业正在向自动化和工业化转变，新技术、应用专利、跨行业合作伙伴关系和政府资助项目证明了这一点。他们还指出，整个增材制造自动化市场预计将在未来十年内增长 23%，达到 150 亿美元的潜在收入。
使用 HP MJF 技术简化了整个 AM 工艺链，并具有用于手动组件识别的操作持续时间百分比（AM-Flow 时间测量）。图片来自菲利普·奥布斯特。
用 AI 克服生产力限制
这组作者说，由于机器容量、运行时间和后处理步骤以及机器清洁、准备和上传等手动操作，当前的增材制造工艺链达到了大批量生产的生产力极限。研究人员特别确定的这些手动操作之一是通过标记组件来识别组件并将其分配给客户以进行进一步的物流运输。 尽管零件识别是整个流程链中的一小部分，但与其他步骤（例如冷却）相比，它仍然是一个无法扩展的流程步骤，并且需要大量的手动工作。以惠普的 Multi Jet Fusion (MJF) 技术为例，研究人员观察到，为了实现最低的单件成本，组件通常在专业软件的支持下紧密嵌套。这会导致在一个构建作业中包含大量不同零件的批次，这意味着单个组件的可跟踪性可能会丢失，并且需要在生产后完成对客户订单的分配，这通常是一个手动步骤。
目前有几种方法可以根据几何形状自动识别组件，例如称重、点云扫描、图像识别和计算机断层扫描。然而，这些技术中的每一种在准确性和成本方面都有其缺点。不过，研究人员表示，由于开发了模仿人类战略思维的深度学习算法，人工智能领域的创新使得灵活性和自动化的必要组合成为可能。一段时间以来，人工智能已经在 3D 打印领域用于组件筛选、生成复杂设计和监控质量控制。尽管如此，研究人员表示，到目前为止，市场上还没有能够解决不同几何形状的自动化组件识别复杂性的自动化解决方案。
AM-VISION 的功能原理和程序。图片来自菲利普·奥布斯特。
评估 AM-VISION 以识别 AM 组件
AM-VISION 是一种工业系统，用于根据其独特的几何形状识别增材制造的组件。该系统由 AM-Flow 开发，AM-Flow 是 Formnext 2020 创业挑战赛的获胜者之一，是该公司 3D 打印和后处理软件产品的旗舰产品。AM-VISION 使用 3D 形状识别技术，能够根据几何形状快速可靠地识别 3D 打印部件。一旦识别出这些零件，就可以通过公司的其他软件程序 AM-SORT、AM-PICK 和 AM-ROUTE 对它们进行分类、处理、拣选和运输。 10 月，该公司在 A 轮融资中筹集了 400 万美元，以构建其基于 AI 的机器人解决方案套件，并推动 3D 打印自动化的“阶段性变革”。
研究人员对 AM-VISION 系统进行了一系列评估，并调查了该软件的经济可行性。对包含高度几何组合的构建作业的测试研究证明，该系统在识别和标记过程中节省了时间，与手动操作相比，组件的处理速度提高了 50%。
用于比较手动和自动组件识别的输入值。图片来自菲利普·奥布斯特。
通过将生产线上的最终机器设置与自动化单向传送带相结合，AM-Flow 估计处理时间可以缩短 6 到 10 倍，而组件识别率在 80% 到 95%构建作业包含高度多样性的几何图形。
然而，对仅在一个表面上精细压花和雕刻图案的面板的研究表明，人工智能还不足以在该规模上进行区分。因此，研究人员建议，人工智能驱动的 3D 打印零件识别的商业案例取决于每天生产的零件、故障成本、全职当量和劳动力成本等因素，以计算与手动操作的成本比较。
AM-Flow 的硬件解决方案旨在扩展后期制作处理。照片来自 AM-Flow。
增材制造工艺链的未来产业化
从他们的研究中，研究人员观察到，虽然生产过程本身通常是数字化和自动化的，但在后处理阶段需要“高比例”的手工工作。他们还强调，在增加输出数量方面的新发展和改进导致在组件识别方面更加努力，并且迄今为止在该领域部署人工智能是有效的。
研究证实，AM-Flow 的 AM-VISION 系统能够根据零件几何形状的部分表示，对高度混合的增材制造组件进行可靠的物体检测，从而减少生产时间并节省后续成本。说到这里，作者强调了为自动识别选择正确的应用领域的重要性，因为相同的部件、仅略有不同的部件以及制造量太小的部件对于这项技术来说在经济上尚不可行。在测试过程中，AM-VISION 系统的深度学习算法不断改进，有助于区分后视镜倒置汽车部件。研究人员建议，展望未来，使用点云来测量尺寸精度可以帮助实现自动化质量控制，激光三角测量也可以。通过这些添加，他们相信 3D 打印的系列组件可以通过精细的图案、序列号或编码到几何结构中的小数据矩阵代码来识别。
研究人员总结道：“目前可用的 AM-VISION 自动识别大量高混合已经是迈向大规模 AM 生产的又进一步。”
中国3D打印网编译文章！
(责任编辑：admin)
Xact Metal与Addiguru联合
NASA：持续推动太空3D打印
粘结剂喷射3D打印水雾化低
100多年历史上第一次，尼
强度961MPa，延伸率37.5%
被收购后，Dinsmore创始人
创想三维Sermoon 
国际增材制造标准
美国空军基地60MX
HII获得NAVSEA认
只需60天，85%部
Evove获690万美元
