Объединение аддитивного производства и искусственного интеллекта: Предвидение будущего, которое ближе, чем мы думаем
Безумное внимание СМИ к искусственному интеллекту (ИИ) затмевает прошлую шумиху вокруг появления аддитивного производства (АП). Независимо от того, смотрите ли вы в будущее со страхом или волнением, от волны грядущих перемен никуда не деться. В то время как мы снова слышим такие слова, как «революция», к которым многие стали невосприимчивы, д-р Омар Фергани считает, что сейчас мы находимся в решающей точке объединения аддитивного производства и ИИ. В этой статье он объясняет, почему аддитивное производство находится в особенно выгодном положении для использования потенциала искусственного интеллекта, способного трансформировать многие области нашей отрасли, от проектирования деталей до эксплуатации 3D-принтеров, управления качеством и т. д. Подобно появлению электричества или интернета, слияние искусственного интеллекта и больших данных не просто шаг к улучшению. Напротив, он представляет собой фундаментальный сдвиг, который меняет основы наших отраслей и общества. По мере того, как мы используем это беспрецедентное объединение, мы не просто создаем более совершенные инструменты, мы переосмысливаем саму суть того, как мы работаем, думаем и живем. В этой статье мы подробно рассмотрим, как искусственный интеллект повлияет на индустрию аддитивного производства, от новой волны передовых возможностей проектирования до автономного управления 3D-принтерами. обеспечения качества и повторяемости деталей. Мы поделимся мнениями, полученными от тех, кто находится на переднем крае объединения ИИ и аддитивного производства, чьи голоса не так часто можно услышать в СМИ, но кто обещает трансформировать нашу отрасль с помощью своих исследований. Мы также предложим расширенные сценарии использования, понимание существующих продуктов и услуг, а в конечном итоге, надеемся, что представим четкую картину для экспертов по аддитивному производству, а также лиц, принимающих корпоративные решения и инженеров. Рис. 1 ИИ окажет влияние на индустрию аддитивного производства: от новой волны передовых возможностей проектирования до автономного управления 3D-принтерами. обеспечения качества деталей и их повторяемости (Connect world/ Shutterstock.com) Правда о ИИ: глубокая трансформация За последние несколько лет мы стали свидетелями первых проблесков этой трансформации, когда первые модели ИИ научились распознавать лица, интерпретировать языки и даже сочинять музыку, просеивая горы данных. Но это лишь поверхностная часть того, что возможно в будущем. С каждым днем ИИ становится все более искусным в обучении на основе всех типов данных, предоставляя информацию, которую до сих пор было невозможно сгенерировать. Я считаю, что новая индустриальная эра, в которую войдут искусственный интеллект и качественные большие данные, а также впечатляющие вычислительные возможности облачных и квантовых вычислений, сделают так, что переход от пара к электричеству покажется незначительным по сравнению с ним. От здравоохранения до производства, от транспорта до сельского хозяйства будут использовать ИИ, поэтому ни один из секторов экономики не останется незатронутым. Профессии, которые когда-то казались прочно относящимися к сфере человеческого творчества и интуиции, теперь находятся на грани автоматизации. Сейчас мы находимся еще на одном поворотном этапе, когда потенциал ИИ увеличивается за счет его интеграции с другой революционной технологией, с которой мы все гораздо лучше знакомы, которой является аддитивное производство. В лице аддитивного производства мы находим технологию, которая созрела для трансформационного воздействия ИИ. Несмотря на то, что отрасль находится в относительном зачаточном состоянии, тем не менее аддитивное производство уже показала свой потенциал, предлагая беспрецедентные возможности в проектировании и производстве, оптимизируя использование ресурсов и сокращая отходы. Однако, мы не должны быть настолько очарованы его потенциалом, чтобы упускать из виду серьезные проблемы, стоящие на его пути. Первая проблема представляет собой рентабельность и производительность. Традиционные методы производства, оттачиваемые десятилетиями, позволяют создавать изделия в таких масштабах и с такой скоростью, которые в настоящее время не могут обеспечить современные процессы аддитивного производства. Рис. 2 Прогнозирование коэффициента сопротивления является одним из ключевых показателей аэродинамической эффективности при проектировании автомобилей. Инженеры и конструкторы часто тратят значительное количество дней на итерации по определению коэффициента сопротивления в качестве входной переменной. Традиционно они полагаются на высокопроизводительные вычислительные системы (HPC), основанные на CFD-решениях, которые могут генерировать данные для одной конструкции в течение нескольких часов. С помощью искусственного интеллекта производители автомобилей могут получить те же результаты за считанные секунды, что значительно сокращает время итераций при проектировании и открывает новые возможности для совместной работы. Это позволяет инженерам, которые рассчитывают аэродинамику и дизайнерам сидеть в одной комнате и приходить к оптимальному решению по конструкции в режиме реального времени. Тот же принцип используется компанией Navasto при проектировании сложных теплообменников и других компонентов, изготовленных методом аддитивного производства. Искусственный интеллект, обученный на исторических данных компании, приближаются к универсальному ИИ, который в ближайшем будущем может облегчить такие рабочие процессы, как "Сделай мне машину" (любезно предоставлено компанией Navasto). Для тех отраслей промышленности, которые зависят от объема производства, это несоответствие они не могут игнорировать. Нынешние медленные темпы аддитивного производства рискуют препятствовать более широкому внедрению их в те секторы производств, где время имеет решающее значение. Но дело не только в скорости или объеме. Перспективы развития аддитивного производства заключаются в демонстрации точности, эффективности использования материалов, в перспективе объединения деталей и в индивидуальности производства. Однако, как в случае с любыми другими новыми технологиями, это обещание сопровождается вопросами о качестве, воспроизводимости и в конечном счете экономической конкурентоспособности процесса. В то время как один компонент, изготовленный методом аддитивного производства, может соответствовать всем стандартам качества, но нужна критически важная гарантия, что следующие тысяча или десять тысяч деталей будут соответствовать тем же стандартам. Изменчивость таких факторов, как качество материала, калибровка оборудования и условия окружающей среды, может привести к появлению несоответствий в конечном продукте. Для таких отраслей, как аэрокосмическая промышленность или здравоохранение, где незначительный дефект может иметь серьезные последствия, эта непредсказуемость является проблемой. Наконец, как в случае с любой новой технологией, призрак стандартизации вырисовывается во всей своей красе. Индустрия аддитивного производства все еще относительно молода, с множеством 3D-принтеров, материалов и процессов, соперничающих за доминирование. Без универсальных стандартов существует риск создания разрозненных экосистем, где функциональная совместимость становится проблемой. Производителям, регулирующим органам и потребителям необходимы четкие рекомендации о том, что представляет собой качество, безопасность и надежность в области аддитивного производства. Проектирование для аддитивного производства и не только В отрасли аддитивного производства широко распространено понимание того, что простой перенос конструкций из традиционных процессов, таких как литье под давлением, в аддитивное производство не дает желаемого результата. Без использования проектирования для аддитивного производства, мы не реализуем весь его потенциал. Это приводит к тому, что изменения в аддитивном производстве происходят не так быстро, как могло быть, поскольку производители не видят достаточного количества компонентов, предназначенных для аддитивного производства (DfAM). Здесь происходит нечто большее, чем проектирование для аддитивного производства (DfAM). ИИ, а также, возможности суррогатных моделей глубокого обучения (DLS) не следует недооценивать при разработке деталей для аддитивного производства. Это не просто технологический сдвиг, но также переосмысление того, как мы разрабатываем, оцениваем и внедряем инновации. Традиционно путь создания продукта был итеративным. Проектировщики, используя CAD, создавали проекты, которые эксперты по моделированию оценивали, критиковали и дорабатывали с помощью аналитического анализа CAE. Приходилось проводить оценки и корректировки, часто согласовывая несопоставимые форматы файлов и ориентируясь в сложностях мощных, но дорогостоящих в вычислительном отношении инструментов. Управляемые искусственным интеллектом суррогатные модели, обученные на качественных физических данных с использованием традиционных CAE-моделей, позволяют сократить время моделирования от нескольких часов до нескольких секунд (Рис. 2). Используя генеративную природу глубокого обучения, они могут адаптировать и выполнять итерации до тех пор, пока не определят оптимальную форму на основе требований к проектированию продукта, как правило, на основе критериев внутреннего напряжения, усталости, тепловых характеристик, снижения веса или любой из этих комбинаций. Д-р Маттиас Бауэр, генеральный директор и соучредитель Navasto, одного из ведущих поставщиков быстрого ИИ, прокомментировал: «В области инженерии ИИ значительно ускорил процессы. Я предвижу, что уже через год все решения по проектированию и моделированию будут нуждаться в этой технологии, а неспособность внедрить ИИ приведёт к риску отставания». Компании, занимающиеся аддитивным производством, получат существенную выгоду. Используя технологии проектирования с быстрым ИИ, они смогут в полной мере использовать проектирование присущее для аддитивного производства. Потенциал разработки высокопроизводительных систем очевиден, так моделирование с использованием искусственного интеллекта позволит инженерам легче создавать теплообменники, легкие конструкции и гидродинамические применения. Когда речь заходит о использования сетчатых структур при проектировании д-р Тодд Доринг, генеральный директор ABEMIS, недавно пролил свет на актуальную проблему, с которой часто сталкиваются инженеры. «Определение правильной мета-геометрии для конкретного применения часто является сложной задачей, поскольку может существовать большое количество параметров, условий и ограничений». Эта сложность долгое время была узким местом, особенно при работе с передовыми материалами и сложной геометрией, которые не поддаются простой классификации или моделированию. Рис.3 Будущее в уменьшении веса для аддитивного производства: совместная инновация Abemis и Navasto объединяет модели искусственного интеллекта для проектирования и прогнозирования. Это комбинированное решение вычисляет механические характеристики гиперструктур за миллисекунды, что позволяет использовать алгоритмы оптимизации в режиме реального времени для итераций проекта. Результатом является определение оптимальных, наиболее легких конструкций, отвечающих требованиям к эксплуатационным характеристикам, что создает основу для систематического и быстрого достижения эффективности веса в будущих проектах аддитивного производства (предоставлено Abemis/Navasto) Тем не менее, команда д-ра Доринга нашла революционное решение, используя возможности искусственного интеллекта своего партнера компанию Navasto. Команда успешно разработала высокопроизводительное, сверхлегкое, гасящее вибрацию крепление для камеры, ранее эта задача была трудновыполнимой из-за ограничений при вычислениях. (Рис. 3). «Если раньше мы полагались на эмпирическое понимание поведения мета-решетки или на CAE-симуляцию, которая требовала многодневных вычислений на мощных машинах, то теперь мы можем получить результат за считанные секунды с помощью ИИ-симуляций", - уточнил он. Это реальное приложение служит убедительным примером того, чего можно достичь с помощью быстрого ИИ даже при самых сложных сценариях. Д-р Доринг подытожил: «Такое ускорение является революционным, поэтому я убежден, что оно проложит путь к широкому использованию метаматериалов и оптимизированных компонентов гиперструктур, которые требуют больших вычислительных ресурсов для генерации с использованием стандартных процедур на основе анализа конечных элементов (FEA)». Вопреки представления о том, что разработка продуктов на основе искусственного интеллекта, находится в далеком будущем, однако реальность такова, что переход происходит быстрее, чем многие ожидают. Ведущие конструкторские отделы аэрокосмической и автомобильной промышленности ведут конкурентную гонку за освоение технологий искусственного интеллекта, в частности суррогатных моделей глубокого обучения. Их цели ясны, значительно сократить время выхода нового продукта на рынок, тем самым повысить ключевые показатели эффективности (KPI). Возьмем, к примеру, компанию SimScale. Этот лидер в области облачных технологий моделирования уже сотрудничает с компанией Navasto, предлагая инженерные решения, ускоренные искусственным интеллектом. Сегодня инженеры могут использовать эти инструменты для ускорения процессов проектирования и моделирования, тем самым получая конкурентное преимущество (Рис. 4). Рис.4 От часов к секундам: Облачное моделирование SimScale объединяет усилия с компанией Navasto для создания инструмента прогнозирования на основе искусственного интеллекта. Это партнерство дает реальный продукт для оперативного применения, значительно ускоряя время моделирования и позволяя проводить проектные итерации в реальном времени в современных условиях (представлено SimScale) Для отрасли аддитивного производства появление инструментов проектирования, интегрированных с искусственным интеллектом, имеет особое значение. Традиционное программное обеспечение для автоматизированного проектирования (CAD) развивалось таким образом, чтобы обеспечить проектирование сложные сетчатых структур. Однако всегда оставалась проблема понимания физического поведения этих сложных геометрических форм. Традиционные подходы часто требуют значительной зависимости от экспериментальных данных, сбор которых отнимает много времени и ресурсов. Суррогатные модели, управляемые искусственным интеллектом, могут значительно сократить это время, позволяя быстро исследовать большие проектные объемы, которые ранее считались слишком сложными или трудоемкими для исследования. Преодолевая ограничения, связанные со сложным физическим поведением или необходимостью использования громоздких экспериментальных данных, с помощью моделирования с ускорением ИИ отрасль может быстро проверять сложные проекты, тем самым раскрывая истинный потенциал проектирования, который предлагает аддитивное производство. Ускоренные темпы внедрения этих технологий создают эффект домино во всех секторах. По мере того, как все больше компаний внедряют инструменты на основе ИИ, те, кто откладывает их, рискуют устареть, как отметил д-р Маттиас Бауэр. Технология больше не является просто развитием, она становится необходимым условием для сохранения конкурентоспособности. Интеграция искусственного интеллекта в разработку изделий, в частности в аддитивные технологии, не авантюрное будущее, а современная реальность. Компании и отрасли, которые осознают это и оперативно принимают меры, получают значительные преимущества, от сокращения времени вывода продукции на рынок, до раскрытия ранее немыслимых возможностей проектирования. Программное обеспечение с возможностью автономного управления 3D-принтеров Из всех процессов металлического аддитивного производства технология SLM выделяется, пожалуй, как наиболее коммерчески успешная и широкодоступная технология. Тем не менее, нынешнее оборудование, похоже, достигло своих эксплуатационных пределов. Современные 3D-принтеры технологии SLM увеличиваются в размерах, а некоторые из них вмещают до двадцати лазеров в объеме 1 x 1 x 1 м. Возникшие в результате этого усложнения в оборудовании, хотя и повышает его возможности, но в то же время создают проблемы при эксплуатации. «Сложное взаимодействие между компонентами в 3D-принтерах бросает вызов повторяемости в производительности и стабильности производства». Кроме того, создание траекторий, имеющих решающее значение для работы 3D-принтера, не всегда может привести к желаемой точности. Рис.5 Возможности разработанные AMAIZE в решении проблемы неоптимального управления температурным режимом позволяют перейти от итеративного проектирования и создания структур поддержек к сложной геометрии, которая может быть спроектирована с первого раза. На рисунке показаны тепловые профили, прогнозируемые искусственным интеллектом, как ключевые факторы, обеспечивающие точное использование стратегий коррекции, обеспечивающие максимальное применение управляющей программы и раскрывающие потенциал 3D-принтера (Труба предоставлена Финским центром технических исследований VTT) Многие программы, которые используют в настоящее время, не учитывают сложную взаимосвязь между воздействием источника энергии на материалы и особенность геометрической конструкции, в результате чего в процессе производства могут возникать неравномерные тепловые напряжения, приводящие к деформации, изменению микроструктур, а также к снижению механической прочности конечного изделия. Эта неэффективность приводит к более высокому проценту брака и более частым отклонениям в произведенных деталях. В дополнение к этим проблемам, совокупная сложность, возникающая между управляющей программы 3D-принтера и программного обеспечения, а также ограниченный упреждающий контроль могут создать дополнительную проблему для инженеров при получении сертификации деталей. Прогнозирование эксплуатационных характеристик деталей, особенно крупных, критических и сложных, особенно сложно, учитывая нюансы взаимодействия компонентов 3D-принтера и программных протоколов. Любая непредсказуемость чревата увеличением этапов квалификации и усложнением процессов сертификации, что приводит к усложнению пути окончательного получения одобрения детали. Учитывая эти проблемы, потенциальная роль ИИ в этой сфере становится первостепенной. Может ли ИИ предложить решения для устранения сложностей между управляющей программой 3D-принтера и программного обеспечения, тем самым оптимизируя процессы получения квалификации и обеспечения более предсказуемых и эффективных результатов в производстве? Одним из разработчиком в этой области является компания 1000Kelvin, которая создала программную платформу управления для аддитивного производства следующего поколения с поддержкой искусственного интеллекта. Расположенная в Берлине и Лос-Анджелесе (штат Калифорния), компания тесно сотрудничает с ведущими производителями оборудования, такими как EOS и Nikon SLM Solutions, для масштабного внедрения своей технологии искусственного интеллекта AMAIZE. Д-р Катарина Айссинг, технический директор и соучредитель компании 1000Kelvin, является квантовым физиком-теоретиком, возглавляющим команду из семи математиков и физиков, работающих над разработкой AMAIZE. С первого дня, когда она узнала об аддитивном производстве, она была убеждена, что это идеальный вариант использования модели управления на основе глубокого обучения. «Модели, основанные на физике и численном моделирование сыграли важную роль в успехе нашей цивилизации. Интеграция этих моделей с подходом глубокого обучения открывает совершенно новые возможности с точки зрения точности и скорости», -заявила она. В ней будет учитываться десятки тысяч слоев и миллионы векторов в траектории движения инструмента. Использование симуляторов академического типа для понимания всех деталей, без преувеличения, займет тысячелетия. В компании 1000Kelvin мы уже несколько лет разрабатываем модель глубокого обучения, чтобы ускорить эти прогнозы, оптимизируя управление температурным режимом и позволяя нашим клиентам производить более качественные детали с использованием процесса SLM с минимальными итерациями» (Рис. 5). «Это чрезвычайно сложная технология, которая требует превосходного понимания физики процесса, компьютера с огромной мощностью, материальную платформу для тестирования и проверки этих крупномасштабных задач, экспертных моделей ИИ. С самого начала нам посчастливилось работать с ведущими компаниями в космической и промышленной отрасли, чтобы проверить нашу технологию на их чрезвычайно сложных деталях и добиться успеха с первого дня", - заявил Айссинг. Компания заключила долгосрочное стратегическое партнерство с Бранденбургским техническим университетом (BTU) в Берлине и кафедрой гибридного производства профессора Себастьяна Хертеля, тем самым обеспечив доступ к исследовательскому комплексу мирового класса, оборудованную семью промышленными установками SLM, оснащенные всеми видами технологий контроля и определения характеристик материалов. (Рис. 6). «В сотрудничестве с командой исследователей и разработчиков 1000Kelvin мы активно используем алгоритмы машинного обучения, реализованные в AMAIZE. Парадигмы обратного обучения, демонстрируемые этим искусственным интеллектом, являются не чем иным, как способ к трансформации. В настоящее время мы являемся инициаторами проекта, в котором эта вычислительная система используется для окончательного прогнозирования свойств материалов. Последствия применения этой технологии не просто нарастают, но также они представляют собой парадигматический сдвиг в этой области», – заявил Хертель. Доступ к этим продвинутым моделям откроет потенциал, который выходит за рамки простого достижения точных построений с первой попытки. Прогностические возможности технологии уже позволяют заказчикам из аэрокосмической отрасли, промышленного производства и сервисных бюро существенно снизить количество брака, искажений и создания необходимых поддержек. Простота использования программного обеспечения позволяет пользователям получать преимущества от использования ИИ сразу, а не в отдаленном будущем. Рис.6 Расположенный в часе езды к югу от Берлина первый исследовательский и производственный комплекс аддитивного производства в университете BTU, который полностью оснащен комплексным оборудованием и программной платформой 1000Kelvin с поддержкой искусственного интеллекта для генерации оптимальных файлов построения. BTU сотрудничает с 1000Kelvin для разработки возможностей мониторинга нового уровня для замкнутого цикла обратной связи и расширенных характеристик материалов. Эта передовая интегрированная среда призвана раскрыть новые возможности в технологии SLM (предоставлено Бранденбургским техническим университетом) Прогностический характер технологии имеет и другие преимущества, например, возможность предварительного исправления процесса пользователя с высоким уровнем прослеживаемости. Кроме того, технология искусственного интеллекта позволяет создать "священный грааль" цифрового производства, то есть концепцию построения цифровых материалов, основанных на глубоком понимании и контроле процессов, таким образом, можно не просто построить 3D-геометрию детали, но и придать ей желаемые свойства в нужном месте (Рис. 7). На этом фронте команда 1000Kelvin уже разрабатывает экспериментальную концепцию управления фазами во время использования титанового сплава Ti-6Al-4V в 3D-печати, хорошо известной проблемы в аэрокосмической промышленности. Сочетание возможности сокращения времени проектирования и количество итераций за счет автоматизации программного обеспечения, добиться точного построения с первой попытки, минимизировать потребность в поддержках при конструировании и настроить свойства материалов позволит раскрыть огромный рыночный потенциал технологии SLM. То, что еще год назад казалось невозможным, находится в пределах досягаемости. Будущее аддитивного производства на основе искусственного интеллекта приведет к увеличению автономности, а следовательно, к повышению производительности и качества. По мере развития и улучшения характеристик моделей ИИ они будут занимать центральное место в системах отрасли, делая будущие разработки еще более интересными и предоставляя мощные инструменты для ускорения масштабирования аддитивного производства. Рис.7 Цифровой материал станет ключевым инструментом для достижения постоянства свойств материала. На этом рисунке показано, как на нижних участках детали, подвергшихся более сильному тепловому воздействию, измеренному здесь с помощью системы мониторинга бассейна расплава, наблюдаются изменения микроструктуры, подтвержденные с помощью рентгенографии. Прогнозирование температурного профиля в масштабе стратегий сканирования является ключевой технологией, позволяющей разработать цифровую структуру материала (предоставлено Институтом конструкций и дизайна DLR) Гарантия качества: под контролем ИИ Развитие аддитивного производства, особенно в технологии SLM, зависит не только от совершенствования технологических процессов, но и от надежных механизмов контроля качества. Несмотря на свою эффективность, традиционные методы контроля, такие как рентгеновская томография и УЗИ, вносят задержки и неэффективность использования ресурсов в производственный цикл. Мониторинг на месте на основе искусственного интеллекта с использованием передовых алгоритмов машинного обучения и глубокого обучения предлагает революционное решение. Рис.8 Обнаружение дефектов на основе искусственного интеллекта используется в различных программных продуктах и системах мониторинга. Большой объем обучающих данных позволяет обнаруживать неудачные построения 3D-печати и различные другие дефекты. В настоящее время основное внимание уделяется прекращению выпуска несоответствующей продукции с целью экономии времени и материалов, а также снижению затрат на контроль качества, что часто требуется в высокотехнологичных промышленных применениях. Остаются проблемы с переносимостью этих решений из одной системы в другую с уровнем их надежности. Тем не менее, ожидается, что эти проблемы будут преодолены в ближайшее время из-за растущего объема доступных данных (представлено Materialise) Эти системы искусственного интеллекта в режиме реального времени предоставляют информацию о целостности и качестве изготавливаемой детали, что позволяет немедленно принимать корректирующие меры и оптимизировать ресурсы. Интегрируя данные датчиков и аналитику машинного обучения непосредственно в производственный процесс, ИИ создает основу не только для повышения надежности, но и для оперативной быстроты, необходимой в производственных экосистемах следующего поколения. Это, по сути, превращает аддитивное производство из парадигмы «построение затем контроль» в парадигму «построение и контроль одновременно», что знаменует собой значительный скачок как в производительности, так и в экономической эффективности. Более того, коммерчески доступные инструменты анализа изображений от таких компаний, как Materialize (Рис. 8), Zeiss (в сотрудничестве с EOS), Add guru и Additive Assurance, ускоряют этот трансформационный сдвиг. Используя различные методологии машинного обучения, эти инструменты предлагают готовые решения для обнаружения дефектов в режиме реального времени в процессе построения. Они служат важнейшими инструментами принятия решений, позволяя производителям либо остановить неудачную работу, тем самым снизив ее стоимость, либо динамически усилить меры по контролю качества. Это еще больше укрепляет роль ИИ в переходе от построения с последующей проверкой к построению и проверке, добавляя еще один уровень производительности и экономичности. Эффективность мониторинга на месте с помощью искусственного интеллекта подкрепляется сигнатурами процессов, как данными, полученными от систем управления оборудования и множества датчиков. Эти сигнатурные процессы служат индикаторами работоспособности процесса SLM в режиме реального времени, обеспечивая детальный контроль структурной целостности и шероховатости поверхности. В идеале полностью реализованная система мониторинга на месте должна оперативно обнаруживать и устранять аномалии, тем самым автоматически калибруя параметры процесса SLM или даже сам 3D-принтер. Тем не менее, проблемы сохраняются. Корреляция этих сигнатур процесса с задаваемыми пользователем атрибутами качества для точного определения отклонений и дефектов остается открытым исследовательским вопросом. Выбор датчиков и методов мониторинга, особенно их пространственного и временного разрешения, является предметом постоянных дискуссий среди специалистов. Кроме того, проблема погрешности измерений часто недооценивается, что требует более строгого подхода к количественной оценке неопределенности. К дальнейшим сложностям относятся стандартизация измерений для обеспечения точности и интерпретация данных для оценки целостного состояния системы SLM. Существует очевидная потребность в более целенаправленных исследованиях для понимания тонкостей внедрения как осевого, так и вне осевого датчика и мониторинга процессов с учетом таких переменных, как точность, частота и пространственно-временное разрешение. В недавнем всестороннем обзоре д-р Тугрул Озел, профессор Рочестерского технологического института (RIT), штат Нью-Джерси, США, заявил: «Долгосрочные цели внутри процессного мониторинга могут включать использование машинного обучения и искусственного интеллекта для разработки самообучающихся и интеллектуальных процессов, а также перенос их с машины на машину» Роль больших языковых моделей (LLM) Большие языковые модели (LLM), такие как GPT-4, фундаментально меняют то, как люди взаимодействуют с технологиями, укрепляя метод естественного языка как новое человеко-машинное взаимодействие. Эволюция парадигм разработки программного обеспечения достигла той стадии, когда самым интуитивно понятным языком программирования все чаще становится сам язык пользователя. По мере того, как технология претерпевает быстрое развитие, эти модели не ограничиваются только языком, но становятся мультимодальными, способными понимать и обрабатывать различные типы данных. Их способность к тонкой настройке позволяет адаптироваться к специализированным задачам, что в контексте аддитивного производства позволяет компаниям уже использовать эти возможности для решения специфических отраслевых задач. Рис.9 Технология Text-to-3D компании Hyperganic использует такие крупные языковые модели, как GPT от OpenAI и Llama от Meta. Эти модели обучаются на специализированных данных и подсказках, что позволяет конечным пользователям генерировать дизайн с помощью естественного языка. Использование моделей на естественном языке может открыть беспрецедентные возможности проектирования. Хотя подход Hyperganic к программному проектированию исторически считался требующим специальных навыков программирования, а следовательно, потенциально сложным для использования, интеграция с большими языковыми моделями может поднять эту технологию на новую высоту. (предоставлено Hyperganic) В контексте аддитивного производства компании уже используют эти возможности для решения отраслевых задач. Например, Hyperganic активно изучает, как использовать LLM, чтобы сделать свою технологию алгоритмического инженерного проектирования более доступной, устраняя необходимость в специализированном программном обеспечении или навыках программирования, таким образом, расширяя свою пользовательскую базу. В недавней демонстрации доказательства концепции во время симпозиума CDFAM в Нью-Йорке компания Hyperganic продемонстрировала прямое взаимодействие человеческого языка, поддерживающего систематическое проектирование сложных сетчатых структур (Рис. 9). Несмотря на то, что LLM предлагают революционные возможности для взаимодействия человека и машины, растет обеспокоенность по поводу неправильного использования или чрезмерного расширения термина «ИИ» в маркировке продуктов, особенно в тех случаях, когда интеграция минимальна. Добавление взаимодействия чат-бота на базе GPT к продукту не обязательно делает его преобразующим решением ИИ, особенно в специализированных областях, таких как аддитивное производство, проектирование и инженерия. Прежде чем углубляться в детали, важно понять, что означает мульти-модальность в контексте LLM. Мульти-модальность относится к способности модели понимать, интерпретировать и генерировать несколько типов данных, таких как текст, графики, числовые данные и трехмерные конструкции, а не просто текст. Эта возможность жизненно важна для сложных задач в специализированных отраслях. Задача аддитивного производства заключается не только в добавлении взаимодействий на основе чата, но и в тщательной тонкой настройке модели для конкретных задач. Для такой тонкой настройки требуются высококачественные специализированные данные, которые часто требуют от модели освоения сложных концепций, таких как мульти-модальность, чтобы обеспечить полезную информацию или получить полезные результаты. Например, в аддитивном производстве простой функции чат-бота было бы совершенно недостаточно для таких задач, как оптимизация генеративного проектирования, которая может включать в себя интерпретацию файлов CAD, моделирование напряжений в материалах и ввод данных на естественном языке, а также все это в интегрированном виде. Учитывая эти сложности, появление решений Text-to-CAX (Computer-Aided Design, Manufacturing, and Engineering) уже не за горами. Однако это связано с некоторыми оговорками. Компании, которые отваживаются войти в эту сферу, должны быть готовы к значительным вложениям времени и ресурсов, чтобы получить ценное предложение, которое ожидается клиентами. Поэтому, несмотря на то что заманчиво вскочить на подножку поезда ИИ, просто интегрировав чат-бота в продукт, заинтересованным сторонам следует быть осторожными. Такой упрощенный подход рискует ослабить значение ИИ и может привести к разочарованию клиентов, особенно когда технология не справляется с существенными отраслевыми проблемами. Призыв к действию: захватить будущее аддитивного производства, управляемого искусственным интеллектом уже сейчас Объединение искусственного интеллекта и аддитивного производства представляет собой нечто большее, чем постепенную модернизацию, на мой взгляд это сейсмический сдвиг, который способен перестроить отрасли. Как мы выяснили в этой статье, ИИ больше не ограничивается академическими кругами или нишевыми приложениями. Это технология, которая проникает во все аспекты аддитивного производства, от проектирования и моделирования до обеспечения качества и не только, также уже используется ведущими компаниями в нашей отрасли. Мы находимся в решающем переломном моменте. Проблемы, стоящие перед аддитивным производством, как эффективность, качество и стандартизация являются незначительными. Они не являются непреодолимыми, особенно с инструментами искусственного интеллекта, имеющимися в нашем распоряжении. Такие компании, как Navasto и SimScale, уже используют искусственный интеллект для сокращения времени моделирования с нескольких часов до нескольких секунд, открывая огромный мир возможностей для проектирования для аддитивного производства (DfAM) и сокращая время выхода на рынок. Использование глубокого обучения для оптимизации управления температурным режимом и обеспечения прогнозируемых результатов с первого раза повышает качество деталей и снижает ее затраты, что позволяет аддитивному производству быть более конкурентоспособным. Многие компании, занимающиеся мониторингом, используют свое понимание данных и обучение с подкреплением для обеспечения контроля качества в процессе производства. А роль таких программ как LLM, GPT-4, только начинает осознаваться, так как их потенциал в упрощении сложных задач и демократизации технологий огромен. Настало время действовать. Всем заинтересованным сторонам в экосистеме аддитивного производства, от инженеров и дизайнеров до лиц, принимающих решения, инвесторов, рекомендуется признать трансформационный потенциал интеграции ИИ в свои процессы. Вопрос не в том, что произведет ли ИИ революцию в аддитивном производстве, я вижу, что это уже происходит. Я считаю, что те, кто использует синергетический потенциал ИИ и аддитивное производство, имеют возможность занять лидирующие позиции в отрасли, находящейся на пороге экстраординарных изменений. 
