Desain

Membuat 3D printing lebih pintar dengan machine learning

Photo by ThisIsEngineering from Pexels

3-D printing dianggap sebagai masa depan manufaktur. Karena memungkinkan kita untuk membuat langsung objek yang telah didesain, artinya industri dapat memproduksi produk personalisasi di rumah, tanpa outsourcing. Tetapi 3-D printing memiliki tingkat kesalahan yang tinggi, seperti distorsi bentuk. Setiap printer berbeda, dan materi cetak dapat menyusut serta mengembang dengan cara yang tidak terduga. Pabrikan seringkali mengulangi cetakan sebelum mendapatkan hasil yang benar.

Apa yang terjadi pada hasil cetak yang tidak dapat digunakan? Mereka harus dibuang, Menimbulkan dampak lingkungan dan keuangan yang signifikan bagi industri.

Sebuah tim peneliti dari Department of Industrial and Systems Engineering Daniel J. Epstein mencoba mengatasi masalah ini, dengan serangkaian algoritma machine learning baru dan software yang disebut PrintFixer, untuk meningkatkan akurasi 3-D priting hingga 50 persen atau lebih, membuat prosesnya jauh lebih ekonomis dan berkelanjutan.

Karya tersebut diterbitkan dalam IEEE Transactions on Automation Science and Engineering, menjelaskan proses yang disebut “convolution modeling of 3-D printing.” yaitu serangkaian 15 artikel jurnal dari tim peneliti yang mencakup machine learning untuk 3-D printing.

Tim dipimpin oleh Qiang Huang, associate professor of industrial and systems engineering, chemical engineering and materials science, bersama dengan Ph.D. siswa Yuanxiang Wang, Nathan Decker, Mingdong Lyu, Weizhi Lin dan Christopher Henson kini menerima pendanaan $ 1,4 juta, termasuk hibah NSF $ 350,000 . Tujuan mereka adalah untuk mengembangkan model AI yang secara akurat memprediksi shape deviations pada semua jenis 3-D printing dan membuat 3-D printing lebih pintar.

“Sejauh ini kami menunjukkan dalam contoh cetakan dimana keakuratan dapat meningkat sekitar 50 persen atau lebih,” ucap Huang. “Dalam kasus di mana kami memproduksi objek 3-D mirip dengan kasus pelatihan, peningkatan akurasi keseluruhan bisa setinggi 90 persen.”

“Ini benar-benar dapat membuat industri delapan bangunan berulang untuk mendapatkan satu bagian yang benar, karena berbagai alasan,” ucap Huang, “dan ini untuk logam, jadi sangat mahal.”

Setiap objek cetak 3-D menghasilkan sedikit penyimpangan dari desain, baik karena bahan cetak melebar atau berkontraksi saat dicetak, atau karena cara printer berperilaku.

PrintFixer menggunakan data yang diperoleh dari pekerjaan 3-D printing terbaru untuk melatih AI-nya memprediksi di mana distorsi bentuk akan terjadi, dan memperbaiki kesalahan cetak sebelum terjadi.

Huang mengatakan kalau tim bertujuan untuk membuat model yang memproduksi hasil akurat menggunakan jumlah minimum dari data sumber 3-D printing.

“Dari hanya lima hingga delapan objek yang dipilih, kita dapat mempelajari banyak informasi berguna,” ucap Huang. “Kami dapat memanfaatkan sejumlah kecil data untuk membuat prediksi untuk berbagai objek.”

Tim melatih model untuk bekerja dengan akurasi yang sama di berbagai aplikasi dan material – dari logam untuk dirgantara, hingga plastik termal untuk penggunaan komersial. Para peneliti juga bekerja sama dengan klinik gigi di Australia untuk mencetak model gigi 3-D.

Sama seperti ketika manusia belajar bermain baseball, Anda akan belajar softball atau olahraga terkait lainnya jauh lebih cepat,” jelas Decker, yang memimpin pengembangan upaya pengembangan perangkat lunak dalam kelompok Huang. “Dengan cara serupa, AI kami dapat belajar lebih cepat ketika telah melihatnya beberapa kali.”

Jadi, Anda bisa melihatnya,” ucap Decker, “lalu lihat area mana yang akan lebih besar dari toleransi Anda, dan apakah Anda ingin mencetaknya.”

Dia mengatakan bahwa pengguna dapat memilih untuk mencetak dengan printer yang berbeda, berkualitas lebih tinggi dan menggunakan software untuk memprediksi apakah ia akan memberikan hasil yang lebih baik.

“Tetapi jika Anda tidak ingin mengubah printer, kami juga telah memasukkan fungsionalitas ke dalam paket software sehingga memungkinkan pengguna mengurangi kesalahan dan mengubah bentuk objek – untuk mengambil bagian yang terlalu kecil dan menambah ukurannya, selagi mengurangi bagian-bagian yang terlalu besar, ” ucap Decker. “Dan ketika mereka mencetak, pertama mereka harus mencetak dengan ukuran yang benar “

Tujuan tim adalah agar software tool ini tersedia untuk semua orang, mulai dari produsen komersial skala besar hingga penggemar hobi cetak 3-D. Pengguna dari seluruh dunia juga akan dapat berkontribusi untuk meningkatkan perangkat lunak AI melalui berbagi data hasil cetak dalam database.

“Katakanlah saya sedang bekerja dengan printer MakerBot 3-D menggunakan PLA (bioplastik yang digunakan dalam 3-D printing), saya dapat memasukkannya ke dalam database dan seseorang yang menggunakan model dan bahan yang sama dapat mengambil data saya dan belajar darinya , “ jelas Decker.

Begitu kita mendapatkan komunitas di seluruh dunia menggunakannya, Anda memiliki peluang yang sangat luar biasa untuk memanfaatkan banyak data, dan itu bisa menjadi hal bagus,” jelasnya.

Jurnal Referensi:

Qiang Huang, Yuanxiang Wang, Mingdong Lyu, Weizhi Lin. Shape Deviation Generator–A Convolution Framework for Learning and Predicting 3-D Printing Shape Accuracy. IEEE Transactions on Automation Science and Engineering, 2020; 1 DOI: 10.1109/TASE.2019.2959211

Tautan ke artikel asli: Making 3-D Printing Smarter With Machine Learning / University of Southern California oleh Greta Harrison

Diterjemahkan oleh saintifia dengan seizin dari yang bersangkutan, segala kesalahan translasi menjadi tanggungjawab kami.