增加增材制造与机器学习建立成功

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

增材制造的挑战

在工业中大规模采用AM的主要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，从而缩短上市时间?克服这些挑战变得更加困难，因为每个AM工艺都有自己的一组工艺参数，包括材料特性、制造设置和不断变化的环境条件。

即使只关注材料属性也会产生大量的变量。合金的粉末化学成分可以有很大的差异，因为少量的杂质可以改变每一批合金的成分。在AM构建失败之前，Ti-6Al-4V合金粉末中钛浓度的变化百分比是多少?杂质如氧、铁、碳和氮的水平如何影响所产生的AM部件的抗拉强度?

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、开口距离、开口速度、开口偏移量、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)检验和机械测试变量，很快您就面临着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，您可能还会遇到预测因果结果的挑战。当存在如此多的流程-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发挥了重要作用。

处理AM数据的数据驱动方法

建立AM流程信心的第一步是帮助工程师捕获和管理他们的材料信息。这是最主要的关注点万博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。万博网这种定制的数据是非常宝贵的微调AM过程为公司的专有材料知识产权。Granta MI还为公司提供了材料信息的单一存储库——“单一真相来源”——这避免了不同工程师使用不同数据的问题。

即使有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，而“噪声”意味着同一属性的不同测量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，这些重要的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，结合其Alchemite™算法，在统计上填补空白，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)构建模型。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:

• 预测数据集中其余部分的缺失值
• 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期望的输出来优化性能
• 识别数据中的异常值、异常值或集群
• 确定哪些输入是哪些输出的强大驱动因素

机器学习使用现有的AM项目数据来构建预测模型，以识别关键的工艺-属性关系，指导您的测试程序，并提出最佳的工艺参数。简而言之，Alchemite可以从数据中提取价值，即使数据稀疏、有噪声且容量很大。当数据太少时，ML通过识别缺失的关键参数，帮助您高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解决方案如何工作的AM数据与万博我们按需网络研讨会。

使用机器学习识别AM数据之间的偶然链接

这种对AM数据的新水平的洞察使工程师能够控制AM过程并优化材料和部件性能。您可以通过大大减少实验测试周期来实现结果，这有助于加快上市时间，并为AM程序节省大量的端到端总成本。

三app解决方案

为了使软件易于学习和使用，Granta MI AM解决方案已提炼成三个应用程序:一个训练数据集应用程序，一个优化应用程序和一个可视化应用程序。

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，就可以从Granta MI数据库中提取关键数据，形成复杂的特征矩阵，可用于训练神经网络。
2. 使用优化应用程序，您可以采用神经网络创建的模型，并询问它，以获得有关AM过程的特定问题的答案。诸如“我如何才能最大化某个属性?”或者“如何在构建中减少特定的失败模式?”可以通过这个应用程序来回答。
3. 最后，可视化应用程序可以让您快速了解您的数据。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部分，并以图形方式显示，以便从数据中产生见解。

增材制造中的机器学习前景

2016年《麻省理工科技评论》调查的375家企业中，近60%的企业将ML纳入了他们的运营中。领先的营销研究公司普华永道(PwC)的一份报告指出，100%被确定为“数字冠军”(而不是“数字新手”)的公司计划在2025年之前使用机器学习。

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ML相结合的AM工艺预计将导致建立正确AM处理参数所需的实验数量减少50-90%。这和其他好处将导致全球AM市场成本降低10%。如欲了解更多，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AM作为工业制造工艺继续增长，制造商将不得不依赖于减少制造失败数量的改进，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到废铁堆里。万博Ansys将继续为Granta MI添加功能，并与Intellegens合作，使ML成为AM构建过程中更重要的一部分，确保增材制造的好处将惠及未来几代工程师。

如果你想看看这是如何为你的公司工作的，预约演示和我们的团队一起。