인공 지능을 사용하여 디지털 제조 제어 연구원들은 3D 프린팅 프로세스를 모니터링하고 조정하여 실시간으로 오류를 수정하도록 머신 러닝 모델을 훈련시킵니다. 날짜: 2022년 8월 2일 원천: 매사추세츠 공과 대학 요약: 새로운 컴퓨터 비전 시스템은 3D 프린팅 프로세스를 관찰하고 오류를 피하기 위해 속도와 프린팅 경로를 조정합니다. 시스템을 시뮬레이션으로 훈련하면 연구원들은 새로운 재료에 대한 3D 프린팅 매개변수 설정과 관련된 값비싼 시행착오를 피할 수 있습니다.
과학자와 엔지니어는 3D 인쇄에 사용할 수 있는 고유한 특성을 가진 새로운 재료를 지속적으로 개발하고 있지만 이러한 재료로 인쇄하는 방법을 찾는 것은 복잡하고 비용이 많이 드는 난제일 수 있습니다.
종종 전문 작업자는 새로운 재료를 지속적으로 효과적으로 인쇄하는 이상적인 매개변수를 결정하기 위해 수동 시행착오(수천 번 인쇄 가능)를 사용해야 합니다. 이러한 매개변수에는 인쇄 속도와 프린터에 부착되는 재료의 양이 포함됩니다.
MIT 연구원들은 이제 이 절차를 간소화하기 위해 인공 지능을 사용했습니다. 그들은 컴퓨터 비전을 사용하여 제조 공정을 관찰한 다음 실시간으로 재료를 처리하는 방식의 오류를 수정하는 기계 학습 시스템을 개발했습니다.
그들은 시뮬레이션을 사용하여 신경망에 인쇄 매개변수를 조정하여 오류를 최소화하는 방법을 가르친 다음 해당 컨트롤러를 실제 3D 프린터에 적용했습니다. 그들의 시스템은 그들이 비교한 다른 모든 3D 프린팅 컨트롤러보다 더 정확하게 물체를 프린팅했습니다.
이 작업은 신경망을 훈련하기 위해 수천 또는 수백만 개의 실제 개체를 인쇄하는 엄청나게 비싼 프로세스를 피합니다. 또한 엔지니어는 새로운 재료를 인쇄물에 더 쉽게 통합할 수 있으므로 특수한 전기적 또는 화학적 특성을 가진 물체를 개발하는 데 도움이 될 수 있습니다. 또한 재료 또는 환경 조건이 예기치 않게 변경되는 경우 기술자가 즉석에서 인쇄 프로세스를 조정하는 데 도움이 될 수 있습니다.
CDFG(Computational Design and Fabrication Group)를 이끌고 있는 MIT의 전기 공학 및 컴퓨터 과학 교수인 선임 저자 Wojciech Matusik은 "이 프로젝트는 기계 학습을 사용하여 복잡한 제어 정책을 학습하는 제조 시스템을 구축하는 첫 번째 시연"이라고 말했습니다. ) 컴퓨터 과학 및 인공 지능 연구소(CSAIL) 내에서. "보다 지능적인 제조 기계가 있다면 실시간으로 작업장의 변화하는 환경에 적응하여 시스템의 수율이나 정확도를 향상시킬 수 있습니다. 기계에서 더 많은 것을 짜낼 수 있습니다."
공동 리드 저자는 CDFG의 기계 엔지니어이자 프로젝트 관리자인 Mike Foshey와 오스트리아 과학 기술 연구소의 박사후 연구원인 Michal Piovarci입니다. MIT 공동 저자에는 전기 공학 및 컴퓨터 과학 대학원생인 Jie Xu와 CDFG의 전 기술 직원인 Timothy Erps가 있습니다. 이 연구는 Association for Computing Machinery의 SIGGRAPH 컨퍼런스에서 발표될 예정입니다.
매개변수 선택
디지털 제조 프로세스의 이상적인 매개변수를 결정하는 것은 많은 시행착오가 필요하기 때문에 프로세스에서 가장 비용이 많이 드는 부분 중 하나가 될 수 있습니다. 그리고 기술자가 잘 작동하는 조합을 찾으면 해당 매개변수는 하나의 특정 상황에만 이상적입니다. 그녀는 재료가 다른 환경, 다른 하드웨어에서 어떻게 작동하는지 또는 새 배치가 다른 속성을 나타내는지에 대한 데이터가 거의 없습니다.
머신 러닝 시스템을 사용하는 것 역시 도전 과제로 가득 차 있습니다. 먼저 연구원들은 프린터에서 일어나는 일을 실시간으로 측정해야 했습니다.
이를 위해 그들은 3D 프린터의 노즐을 겨냥한 두 대의 카메라를 사용하여 머신 비전 시스템을 개발했습니다. 시스템은 재료가 증착될 때 빛을 비추고 통과하는 빛의 양에 따라 재료의 두께를 계산합니다.
Foshey는 "비전 시스템은 프로세스를 실시간으로 관찰하는 일련의 눈으로 생각할 수 있습니다."라고 말합니다.
그런 다음 컨트롤러는 비전 시스템에서 수신한 이미지를 처리하고 오류에 따라 공급 속도와 프린터 방향을 조정합니다.
그러나 이 제조 프로세스를 이해하기 위해 신경망 기반 컨트롤러를 훈련시키는 것은 데이터 집약적이며 수백만 장의 인쇄물을 만들어야 합니다. 그래서 연구원들은 대신 시뮬레이터를 만들었습니다.
성공적인 시뮬레이션
컨트롤러를 훈련시키기 위해 그들은 모델이 시행착오를 통해 보상을 통해 학습하는 강화 학습이라는 프로세스를 사용했습니다. 모델은 시뮬레이션된 환경에서 특정 개체를 생성하는 인쇄 매개변수를 선택하는 임무를 받았습니다. 예상 출력이 표시된 후 모델은 선택한 매개변수가 출력과 예상 결과 사이의 오류를 최소화할 때 보상을 받았습니다.
이 경우 "오류"는 모델이 재료를 너무 많이 분배하여 열려 있어야 하는 영역에 배치했거나 충분히 분배하지 않아 채워야 하는 빈 부분을 남겼음을 의미합니다. 모델이 더 많은 시뮬레이션된 인쇄를 수행함에 따라 , 보상을 극대화하기 위해 제어 정책을 업데이트하여 점점 더 정확해졌습니다.
그러나 현실 세계는 시뮬레이션보다 더 복잡합니다. 실제로 조건은 일반적으로 인쇄 과정에서 약간의 변동이나 소음으로 인해 변경됩니다. 그래서 연구원들은 3D 프린터의 노이즈를 근사하는 수치 모델을 만들었습니다. 그들은 이 모델을 사용하여 시뮬레이션에 노이즈를 추가하여 보다 사실적인 결과를 얻었습니다.
Foshey는 "우리가 발견한 흥미로운 점은 이 노이즈 모델을 구현함으로써 시뮬레이션에서 순수하게 훈련된 제어 정책을 물리적 실험 없이 하드웨어로 전송할 수 있다는 것입니다."라고 말합니다. "나중에 실제 장비를 미세 조정할 필요가 없었습니다."
컨트롤러를 테스트했을 때 평가한 다른 제어 방법보다 더 정확하게 개체를 인쇄했습니다. 특히 물체의 내부를 인쇄하는 Infill 인쇄에서 우수한 성능을 보였다. 일부 다른 컨트롤러는 너무 많은 재료를 증착하여 인쇄된 개체가 부풀어올랐지만 연구원의 컨트롤러는 개체가 수평을 유지하도록 인쇄 경로를 조정했습니다.
그들의 제어 정책은 재료가 증착 된 후 퍼지는 방법을 배우고 그에 따라 매개 변수를 조정할 수도 있습니다.
"또한 다양한 유형의 재료를 즉석에서 제어할 수 있는 제어 정책을 설계할 수 있었습니다. 따라서 현장에 제조 프로세스가 있고 재료를 변경하려는 경우 재검증할 필요가 없습니다. 새로운 재료를 로드하기만 하면 컨트롤러가 자동으로 조정합니다."라고 Foshey는 말합니다.
이제 3D 프린팅을 위한 이 기술의 효과를 보여주었으므로 연구원들은 다른 제조 공정을 위한 컨트롤러를 개발하기를 원합니다. 또한 여러 겹의 재료가 있거나 한 번에 여러 재료가 인쇄되는 시나리오에 대해 접근 방식을 수정할 수 있는 방법을 알고 싶습니다. 또한, 그들의 접근 방식은 각 재료에 고정된 점도("시루프니스")가 있다고 가정했지만 향후 반복에서는 AI를 사용하여 실시간으로 점도를 인식하고 조정할 수 있습니다.