通过机器学习增加增材制造的成功

作者:Ansys首席产品营销经理Scott Wilkins和首席产品经理Sak Arumugan万博

增材制造的挑战

在工业中大规模采用增材制造的关键挑战是速度和可靠性。如何快速优化增材制造零件的工艺参数，从而缩短产品上市时间?克服这些挑战变得更加困难，因为每个增材制造工艺都有自己的一套工艺参数，包括材料特性、制造设置和不断变化的环境条件。

即使仅仅关注材料属性也会导致大量的变量。合金的粉末化学性质变化很大，因为少量杂质会改变每批合金的成分。在增材制造失败之前，Ti-6Al-4V合金粉末中钛的浓度变化百分比是可以容忍的?氧、铁、碳和氮等杂质的含量如何影响增材制造零件的抗拉强度?

在激光驱动的AM机器中，加工参数的可能变化(边界功率、边界速度、舱口距离、舱口速度、舱口偏移量、体积能量密度等)增加了AM挑战的复杂性。再加上热处理、无损检测(NDT)检测和机械测试变量，您很快就会面临重大的数据管理挑战。

当一个或多个变量在构建过程中发生变化时，您还可能在预测因果结果方面遇到挑战。当存在如此多的过程属性组合时，能够预测将要发生的事情在确保高构建成功率方面扮演着重要的角色。

处理AM数据的数据驱动方法

在增材制造过程中建立信心的第一步是帮助工程师获取和管理他们的材料信息。这是主要的焦点万博Ansys Granta MI．它使公司能够收集、组织和存储他们自己的材料数据，这些数据来自对进口原材料和出口最终产品的测试。万博网这种定制数据在微调公司专有材料知识产权的增材制造过程中是无价的。Granta MI还为公司提供了一个材料信息的单一存储库——一个“单一的真实来源”——这避免了不同工程师处理不同数据的问题。

即使使用Granta MI的数据管理功能，现实世界的AM数据集通常是稀疏和有噪声的——“稀疏”意味着数据集的某些行或列中存在间隙，“噪声”意味着同一属性的不同测量值之间可能存在很大的差异。另一个问题是，即使数据中可能存在空白，这些材料数据集也可能变得太大，无法有效地提取有用的数据。

因此，A万博nsys与Intellegens合作，将其Alchemite™算法整合到统计中，以填补空白并减少数据中的噪声。机器学习(ML)算法通常基于神经网络方法，从样本数据(称为训练数据)中构建模型。这些模型仅基于他们从这些数据中“学到”的东西，而没有进一步的显式编程，这些模型支持的任务包括:

• 预测数据集其余部分的缺失值
• 预测一组新的输入变量的输出
• 通过预测哪些输入将最好地实现预期输出来优化性能
• 识别数据中的异常值、异常或集群
• 确定哪些投入是哪些产出的强大驱动因素

机器学习使用现有的增材制造项目数据来构建预测模型，以识别关键的过程属性关系，指导您的测试程序，并提出最佳的处理参数。简而言之，Alchemite可以从您的数据中提取价值，即使它是稀疏的、嘈杂的和高容量的。当您的数据太少时，ML可以通过识别缺失的关键参数来帮助您有效地集中数据采集工作。当您有太多数据时，Alchemite可以提取对预测AM构建成功至关重要的关键参数。了解更多关于Ansys解决方案如何为AM数据工作与万博我们的按需网络研讨会．

使用机器学习来识别AM数据之间的偶然联系

这种对增材制造数据的新见解使工程师能够控制增材制造过程并优化材料和零件性能。您可以通过大大减少的实验测试周期来获得结果，这有助于加快上市时间，并为增材制造项目节省大量的端到端总成本。

三款app解决方案

为了使软件易于学习和使用，用于AM解决方案的Granta MI已被提炼成三个应用程序:训练数据集应用程序，优化应用程序和可视化应用程序。

1. 训练数据集应用程序帮助工程师为神经网络创建训练数据集。只需点击几下，您就可以从Granta MI数据库中提取关键数据，形成可用于训练神经网络的复杂特征矩阵。
2. 使用优化应用程序，您可以使用神经网络创建的模型并对其进行查询，以获得有关AM过程的特定问题的答案。诸如“我如何最大化某个属性?”或“我如何减少构建中的特定故障模式?”都可以通过这款应用来回答。
3. 最后，可视化应用程序可以让你快速理解数据。图表比复杂的数据点表更容易理解。在可视化应用程序中，工程师可以截取复杂数据集的一小部分，并将其图形化显示，从而从数据中生成见解。

机器学习在增材制造中的光明前景

2016年《麻省理工科技评论》(MIT Technology Review)调查的375家企业中，近60%将机器学习纳入其运营。领先的营销研究公司普华永道(PwC)的一份报告指出，100%被认定为“数字冠军”(而不是“数字新手”)的公司计划到2025年使用机器学习。

他们这样做有充分的理由。根据Ansys的计算，将数万博据管理系统与机器学习相结合的增材制造工艺预计将使建立正确的增材制造工艺参数所需的实验次数减少50-90%。这和其他好处将导致全球增材制造市场成本降低10%。欲知详情，请浏览万博Ansys白皮书“机器学习如何帮助增材制造零件更快地推向市场。”

为了使增材制造作为一种工业制造工艺继续发展，制造商将不得不依靠改进来减少构建失败的数量，并使他们对自己的工作流程充满信心。他们不能继续把钱浪费在昂贵的金属粉末上，而这些粉末最终只能被扔进废料堆。万博Ansys将继续为Granta MI添加功能，并与Intellegens合作，使ML成为增材制造制造过程中更重要的一部分，确保增材制造的优势将为未来几代工程师提供。

如果你想知道这对你的公司有什么帮助，预定一次演示和我们的团队一起。