Применение цифровых двойников в аддитивных технологиях
Сегодня благодаря поступательному развитию производственных технологий предприятия имеют у себя в распоряжении сложное высокотехнологичное оборудование, в частности 3D-принтеры. Данное оборудование может решить определённые специальные задачи, которые не под силу выполнить обычными инструментами, но при этом оно требует к себе более внимательного отношения на этапах организации производства и эксплуатации. В связи с этим возникает задача оптимального выбора параметров печати на стадии подготовки управляющей программы, а также поддержание данных режимов в процессе формирования объекта. В НГТУ им. Р. Е. Алексеева на кафедре «Технология и оборудование машиностроения» на базе лаборатории «Нанотехнологии в машиностроении» данная задача решается с помощью применения метода цифрового двойника, в основе которого лежит система из искусственных нейронных сетей [1, 2]. Выбранный подход является одним из наиболее динамично развивающихся и больше всех соответствует концепции цифрового производства на предприятиях. Разрабатываемый цифровой двойник представляет из себя связанную аппаратно-программную систему, которая представлена на рис. 1. Согласно схеме разработчик программы для 3D-принтера использует данные о 3D-модели конечного изделия, и в CAM-системе нарезает её на слои и отдельные единичные валики, которые преобразуются в траектории перемещения источника энергии или узлов 3D-принтера. Затем разработчик в CAM-системе обращается к модулю цифрового двойника, а именно к входящей в него искусственной нейронной сети (рис. 2), и обеспечивает её информацией об изделии в виде следующих параметров: поле допуска на размеры, материал, механические свойства (предел прочности, предел текучести, относительное удлинение, твёрдость и аналогичные параметры); информацией о сырье; предварительно полученной информацией в CAM-системе: координаты траекторий, высота слоя, ширина единичного валика и др. При этом система искусственных нейронных сетей способна назначать параметры, управляющие процессом 3D-печати в зависимости от применяемой технологии и оборудования аддитивного производства, а также моделировать сигнал, аналогичный тому, который фиксируется с датчиков, прошедший через аналогово‑цифровые преобразователи. Это происходит на базе ранее полученного опыта, сформированного посредством обучения с использованием больших данных о процессе 3D-печати на данном и аналогичном оборудовании. Рис. 1. Общая структура взаимодействия с цифровым двойником Рис. 2. Искусственная нейронная сеть цифрового двойника для подготовки управляющей программы на стадии разработки В случае, если совокупность входных параметров искусственной нейронной сети не позволяет вычислить выходные параметры, система искусственных нейронных сетей даёт обратную связь разработчику, содержащую информацию об ошибках, предложения по изменению входных параметров. При наступлении этапа, когда ошибки отсутствуют, с помощью программных средств CAM-системы параметры, назначенные цифровым двойником, включаются в текст управляющей программы для 3D-принтера. Представленная на рисунке искусственная нейронная сеть также является частью цифрового двойника. Она призвана анализировать данные с датчиков, информацию об изделии, данные о сырье, текущих параметрах 3D-печати, имеющиеся в управляющей программе, и способна формировать в виде команд решение о корректировке того или иного параметра в процессе производства объекта. Это необходимо для поддержания параметров, необходимых для обеспечения готового изделия теми характеристиками и свойствами, которые были заданы разработчиком на стадии проектирования. Все данные о параметрах 3D-печати, состоянии оборудования передаются посредством промышленного интернета вещей IIoT в облачное хранилище или на собственные хранилища предприятия с целью дообучения цифрового двойника, а также обмена данными с аналогичными системами. Рис. 3. Искусственная нейронная сеть цифрового двойника для управления режимами 3D-принтера на стадии формирования объекта Таким образом, с помощью разрабатываемого цифрового двойника могут быть расширены возможности CAM-систем при подготовке управляющих программ и оборудования для 3D-печати изделий, реализованы процессы назначения рекомендуемых параметров 3D-печати и поддержания режимов 3D-печати на уровне, необходимом и достаточном для получения характеристик конечного изделия, заданных разработчиком. Кроме предлагаемого цифрового двойника в данном направлении имеются разработки и других коллективов и предприятий. В частности, компания General Electric разработала своего цифрового двойника на основе искусственных нейронных сетей [3], который используется при управлении режимами 3D-печати в процессе селективного лазерного сплавления. Основные данные, которыми оперирует система, это фото и видео изображения температурного пятна, которые благодаря системам компьютерного зрения обрабатываются и используются для обучения. Также имеются разработки для технологии электродугового выращивания объектов по технологии WAAM. Здесь внедрением искусственных нейронных сетей занимается коллектив СПбПУ им. Петра Великого [4]. В основе предложенной системы лежит мониторинг режимов 3D-печати при помощи датчиков и использование данной информации при обучении нейронной сети. При этом следует отметить, что представленные аналоги не могут быть применены при подготовке управляющей программы. Данный этап несёт в себе высокий риск ошибки, которая может перейти на производственную площадку, и здесь также необходимо решение по оптимальному выбору режимов. Предложенный НГТУ им. Р. Е. Алексеева цифровой двойник, состоящий из системы искусственных нейронных сетей, способен работать на обозначенном проблемном этапе. При этом система работает с характеристиками будущего объекта, что даёт возможность через режимы в определённом диапазоне управлять механическими свойствами и геометрической точностью конечного изделия. А благодаря широкому набору фиксируемых параметров цифровой двойник обладает гибкостью и может быть применён на широком спектре технологий 3D-печати. ■ 1. Кабалдин Ю. Г. Интеллектуальное управление гибридной технологией, включающей 3D-печать и механическую обработку на станках с ЧПУ в условиях цифровых производств [Текст] / Ю. Г. Кабалдин, П. В. Колчин, Д. А. Шатагин, А. В. Киселёв // Автоматизация. Современные технологии. 2018. № 8. С. 79–85. (ВАК) Д.т.н., профессор Ю.Г. Кабалдин, к.т.н. Д.А. Шатагин, П.В. Колчин, М.С. Аносов, А.В. Киселёв Источник 
Далее сформированная управляющая программа передаётся в систему управления 3D-принтера, откуда поступают команды на исполнительные органы оборудования. С их помощью формируется изделие с заданными свойствами, при этом сам 3D-принтер оснащён системой датчиков, которые фиксируют состав и концентрацию газовой атмосферы, положение рабочих органов, а также вибрацию, температуру, акустическую эмиссию, время, фото, видео- и аудиосигналы от исполнительных органов процесса 3D-печати и формируемого объекта. Вся полученная с датчиков информация о текущем состоянии параметров проходит через аналогово‑цифровые преобразователи и передаётся на вход искусственной нейронной сети (рис. 3), которая подключена к 3D-принтеру.
Литература
2. Кабалдин Ю. Г. Искусственный интеллект и кибер-физические механообрабатывающие системы в цифровом производстве: монография/Ю. Г. Кабалдин, Д. А. Шатагин, М. С. Аносов, П. В. Колчин, А. М. Кузьмишина; под ред. Ю. Г. Кабалдина; Нижегород. гос. техн. ун-т им. Р. 3. Е. Алексеева. — Нижний Новгород, 2018. — 271 с.
4. Laser Focus: Computer Vision and Machine Learning Are Speeding Up 3D Printing [Электронный ресурс] URL: speeding‑3d-printing/(дата обращения: 17.02.2018)
5. Аддитивное электродуговое выращивание с использованием сварочной проволоки (Wire and arc additive manufacturing — WAAM) URL: (waam)/(дата обращения: 17.02.2018)
Нижегородский государственный технический университет им. Р.Е. Алексеева
e-mail: posledny@mail.ru; uru.40@mail.ru, тел: +7-910-140-06-04
