طريقة مطورة حديثًا ستضمن معايير جودة عالية في عمليات التصنيع الإضافي

Additive manufacturing processes continue to improve thanks to innovative efforts and growing adoption. This week marks a major milestone for the industry as a group of researchers from the University of Illinois Urbana-Champaign published a paper in the Journal of Intelligent Manufacturing that demonstrates a new method of training deep machine learning models to detect defects more effectively. Here’s what you need to know.

التصنيع الإضافي هو المستقبل

وفقًا لدراسة نشرتها شركة BCG، سيستمر سوق الطباعة ثلاثية الأبعاد في التوسع. يتوقع التقرير أن يصل سوق التصنيع الإضافي إلى أكثر من 95 مليار دولار بحلول عام 2030. يُعزى هذا النمو إلى انخفاض التكاليف، وزيادة التوافر، وتقليل الحواجز التقنية، وتكامل الذكاء الاصطناعي.

ومن الجدير بالذكر أن عمليات وأجهزة الطباعة ثلاثية الأبعاد الحالية يمكنها إنشاء مكونات أكثر تعقيدًا من سابقتها. تمكّن هذه الأجهزة المهندسين من تطوير ابتكارات لم يسبق لها مثيل. بالطبع، كلما زادت تعقيد الطبعات، يصبح اكتشاف العيوب أصعب، خاصةً عندما نتحدث عن طبعات ذات آليات داخلية.

تقليل الفشل في عمليات التصنيع الإضافي

إن فشل طباعة ثلاثية الأبعاد في منتج استهلاكي هو أمر مختلف. قد يكلف ذلك الشركة والمستهلك المال والوقت. أما عندما تكون القطعة المطبوعة ثلاثيًا مكونًا حيويًا في تطبيقات الطيران أو الطبية، فالوضع مختلف تمامًا. هنا تكون المخاطر أعلى بكثير، ويجب أن يكون التحكم في الجودة استثنائيًا.

ضروري للجودة

عند طباعة أشكال ثلاثية الأبعاد معقدة تحتوي على ميزات داخلية معينة، قد يكون من المستحيل إجراء فحص جودة مناسب دون التسبب في تأخيرات هائلة واستخدام مسح التصوير المقطعي المحوسب بالأشعة السينية (CT). في الماضي، أدى هذا الأمر إلى تقييد استخدام المكونات المطبوعة ثلاثيًا في بعض التطبيقات.

هذه الفحوصات مكلفة وتستغرق وقتًا طويلاً. وبالتالي، هناك طلب كبير على استراتيجية أكثر موثوقية وفعالية لتحديد ما إذا كانت الطباعة ثلاثية الأبعاد تحتوي على عيوب. توصل الباحثون إلى أنهم يمكنهم الاستفادة من الثروة الضخمة من مسحات CT المتاحة عبر قواعد البيانات لإنشاء مكتبة للخصائص المحتملة للفشل.

دراسة جديدة تكشف عن خيار أفضل

في ورقتهم “اكتشاف وتصنيف العيوب المخفية في الأجزاء المصنعة بالإضافة باستخدام التعلم العميق والتصوير المقطعي بالأشعة السينية” يشرح الباحثون كيف برمجوا خوارزمية ذكاء اصطناعي فعّالة للغاية يمكنها اكتشاف العيوب داخل الطبعات بدقة دون الحاجة لاستخدام الأشعة السينية. أظهرت دراستهم نتائج مثيرة للإعجاب، مما يمنح الأمل في أن يصبح التصنيع الإضافي ثلاثي الأبعاد في المستقبل هو المعيار الصناعي.

طباعة الأجزاء التجريبية

احتاج الفريق إلى إنشاء طبعات معقدة يمكنها الصمود تحت الضغط والحرارة. لذلك، قرروا أن الفوهة ذات البنية الداخلية ثلاثية الأبعاد ستكون أفضل موضوع للاختبار. ومن المثير للاهتمام أن الفوهات المطبوعة ثلاثيًا تحظى بشعبية كبيرة لأنها يمكن أن تمتلك خصائص تصميمية محددة تساعد على توجيه التدفق وتعديل الضغط في سيناريوهات معينة.

على وجه التحديد، أنشأ الفريق 227 فوهة تعتمد على الراتنج لتصنيع الإضافة في الدراسة. من النظرة الأولى، بدت جميع هذه الوحدات نظيفة تمامًا. ومع ذلك، احتوت بعض الفوهات على عيوب مُصممة خصيصًا ستُستخدم لاحقًا لتحديد ما إذا كانت الخوارزمية تعمل بشكل صحيح. تم إنشاء هذه العيوب لتتواجد عميقًا داخل الفوهة، مما يضمن أن تكون الدراسة صعبة على الذكاء الاصطناعي لتجاوزها.

التعلم العميق للآلات

استفاد الباحثون من نهج ذكاء اصطناعي يُدعى التعلم العميق للآلات. هذا النوع من التعلم يستخدم محاكاة حاسوبية لتكرار ملايين السيناريوهات. كل سيناريو ينتج بيانات فريدة تساعد الذكاء الاصطناعي على تعلم التعرف على الوضع في المستقبل وكيفية الاستجابة.

في هذه الدراسة، بدأ المهندسون بتغذية خوارزمية الذكاء الاصطناعي ببيانات مسح CT المتوفرة على الإنترنت. ثم قاموا بمسح سلسلة من الطبعات لإنشاء 100,334 شريحة صورة مقطعية. شكلت هذه المجموعة من الصور المجموعة الضابطة الأولى. ومن الجدير بالذكر أن المجموعة ضمنت معدل عيوب بنسبة 13.6٪ في الطبعات.

نموذج Vision Transformer (ViT)

الخطوة التالية كانت بدء المحاكاة. جعل المهندسون الخوارزمية تُجري 50 ألف محاكاة عيوب اصطناعية استنادًا إلى البيانات التي أدخلوها. تشمل الأخطاء مجموعة متنوعة من الأشكال والأحجام والمواقع والعمق. ثم تم دمج هذه البيانات مع أجزاء خالية من العيوب لإنشاء قاعدة مقارنة.

حل قادر

بعد ذلك، قامت خوارزمية الذكاء الاصطناعي بمسح الـ227 جزءًا ثلاثيًا للبحث عن العيوب. ومن الجدير بالذكر أن أيًا من العيوب في الأجزاء لم تكن مماثلة لتلك الموجودة في الصورة المستخدمة لبرمجة الخوارزمية. وبالتالي، اضطر الذكاء الاصطناعي إلى اتخاذ قرارات استنادًا إلى نتائجه وبياناته فقط. أنجز هذه المهمة بكفاءة، مما يمثل تقدمًا كبيرًا في هذا القطاع.

النتائج

أثارت نتائج هذه الدراسة حماس الكثيرين في الصناعة. حددت خوارزمية الذكاء الاصطناعي بدقة 90٪ الأجزاء التي تحتوي على عيوب وتلك التي تم طباعتها بشكل صحيح. ومن المثير للإعجاب أن الذكاء الاصطناعي وجد حتى عيوبًا لم تكتشفها نماذج الذكاء الاصطناعي الأخرى المستخدمة حاليًا في القطاع الصناعي.

الفوائد التي يجلبها الذكاء الاصطناعي التعلم العميق لعمليات التصنيع الإضافي

هناك العديد من الأسباب التي تجعل هذا البحث قادرًا على إحداث ثورة في هذا القطاع. لقد ساعدت بروتوكولات التعلم العميق بالفعل في تعزيز الكفاءة والابتكار في قطاعات أخرى. الآن، يمكن استخدام هذه التقنية المتقدمة لتسريع نمذجة البيانات، مما يحسن السلامة ويساعد على إنشاء نماذج تعلم عميق أكثر تقدمًا يمكنها مواكبة عمليات الطباعة المعقدة المستخدمة اليوم.

الدقة

إحدى أكبر مزايا هذا البحث هي معدل الدقة بنسبة 90٪. بالنسبة للمصنعين، فإن وجود ذكاء اصطناعي يحدد 90٪ من العيوب في خط الإنتاج يمثل ترقية كبيرة. ستقضي هذه الخوارزمية على الحاجة إلى مسحات CT إلا على المكونات الأكثر حرجًا. وبالتالي، سيعزز هذا النهج الابتكار حيث يمكن إنشاء تصاميم أكثر تعقيدًا واختبارها عبر المحاكاة.

تكلفة أقل

سيقلل نموذج الذكاء الاصطناعي التعلم العميق هذا من التكلفة والوقت اللازمين لتدريب نماذج ذكاء اصطناعي متقدمة لاكتشاف أخطاء الطباعة ثلاثية الأبعاد. ستستمر هذه النماذج في التحسن مع توفر المزيد من البيانات. وبالتالي، يمثل معدل نجاح 90٪ نقطة انطلاق ممتازة للباحثين. قد تدفع الابتكارات المستقبلية هذا المعدل نحو 99٪، مما يقلل التكاليف للمصنعين عبر جميع القطاعات.

أنظمة مؤتمتة بالكامل

تسمح نماذج التعلم العميق المدمجة مع عمليات التصنيع الإضافي بأتمتة كاملة لعملية الإنشاء. بالفعل، هناك طابعات ثلاثية الأبعاد معدنية صناعية تنتج منتجات للعمليات المتقدمة. لم تكن هذه الأجهزة جيدة في اختبار ما تنتجه في الماضي، حيث كان ذلك عادةً يتطلب تدخلًا بشريًا.

قد تكون خوارزمية الذكاء الاصطناعي التي أنشأها هذا الفريق هي الحل لهذه المشكلة حيث ستمكن هذه الأنظمة من إنشاء منتجاتها ومراقبة جودتها داخليًا. ويمكن أيضًا ربطها بعملية إعادة تدوير. تخيل الذكاء الاصطناعي وهو يعيد تدوير القطع المعيبة تلقائيًا عند اكتشافها. ستصبح أنظمة التصنيع الذكية مثل هذه في يوم من الأيام في طليعة الثورة الصناعية الرابعة.

مستقبل التصنيع الإضافي

يبدو مستقبل التصنيع الإضافي واعدًا. تُستخدم هذه الأجهزة عبر صناعات متعددة، بما في ذلك الطيران، والتقنية الحيوية، والطب. إليك بعض الأسباب الرئيسية التي جعلت الطباعة ثلاثية الأبعاد الصناعية تحظى بشعبية كبيرة خلال السنوات الثلاث الأخيرة.

وحدات منخفضة التكلفة

إحدى الأسباب الرئيسية لانتشار هذه الأجهزة هي أنها أصبحت الآن أرخص في الملكية والتشغيل. يواجه المصنعون منافسة أكبر، مما يؤدي إلى مزيد من الابتكار وانخفاض الأسعار. وبالتالي، يمكن للشركات دمج التصنيع الإضافي في نماذجها بتكلفة أقل، مما يحسن الكفاءة ويقلل النفايات.

مواد مبتكرة

ابتكار رئيسي آخر هو إنشاء مواد طباعة جديدة. يمكن الآن استخدام المركبات والمعادن لإنشاء مكونات أكثر متانة. بعض وحدات التصنيع الإضافي يمكنها طباعة تصاميم معقدة تستفيد من مواد متعددة. هذه المواد أخف وزنًا وأكثر قوة من أي وقت مضى. وبالتالي، من المؤكد أن تجد تطبيقات أوسع عبر الصناعات.

ترقيات الذكاء الاصطناعي لعمليات التصنيع الإضافي

يُعد الذكاء الاصطناعي أحد أهم الأسباب التي قد تجعل الطباعة الإضافية تصبح مهمة يومية. تم إنشاء نماذج ذكاء اصطناعي تقريبًا لكل خطوة من العملية. بالإضافة إلى ذلك، يمكن للدردشات الآلية المدعومة بالذكاء الاصطناعي جعل شرح مفاهيم الطباعة ثلاثية الأبعاد الخاصة بك سهلًا كإرسال رسالة نصية. يتم استخدامها بالفعل للمساعدة في تبسيط عملية الإنشاء وتقليل النفايات.

تدمج هذه الأبحاث الحديثة الذكاء الاصطناعي في نظام التحكم بالجودة الخلفي. كانت هذه التكاملية العنصر النهائي اللازم لإنشاء نظام بيئي للطباعة ثلاثية الأبعاد مكتمل الاعتماد على الذات. في المستقبل، ستقوم هذه الأجهزة بإنشاء وطباعة واختبار منتجاتها دون تدخل بشري.

الطابعات الحيوية

إحدى أكبر الابتكارات في الطباعة ثلاثية الأبعاد هي إنشاء طابعات ثلاثية الأبعاد حيوية. يمكن لهذه الأجهزة طباعة مواد حيوية مثل الخلايا وأنسجة العضلات. تُستخدم هذه الوحدات بالفعل في إنشاء روبوتات ناعمة صغيرة يمكنها التنقل والتجمع لتساعد في إنجاز مهام صعبة مثل تنقية المياه.

طابعات ثلاثية الأبعاد في الفضاء

ابتكار رائع آخر وصل إلى قطاع التصنيع الإضافي هو الطابعات القادرة على العمل في بيئات الجاذبية الصغرى. تم إنشاء الجهاز بواسطة ESA (وكالة الفضاء الأوروبية) وتم اختباره الأسبوع الماضي بنجاح. على عكس نظيره على الأرض، كان من الضروري أن تكون هذه الوحدة مغلقة تمامًا لمنع تسرب الحرارة أو الأدخنة.

في المستقبل، سيحتاج رواد الفضاء إلى وسيلة لطباعة ما يحتاجون إليه. سيكونون بعيدين جدًا عن الأرض للاعتماد على شحنات الصواريخ، ومن المؤكد أن تظهر سيناريوهات تحتاج فيها الأدوات المخصصة وغير المستخدمة من قبل إلى ضرورة وجودها. وبالتالي، هناك استثمارات كبيرة في السوق من قطاع الفضاء.

أهم شركات التصنيع الإضافي

هناك العديد من الشركات المصنعة للإضافة التي تعمل حاليًا. تقود هذه الشركات مستقبل الطباعة ثلاثية الأبعاد وتساعد على إنشاء وجود مستدام مع تقليل النفايات. إليك بعض الشركات التي قد تستفيد من البحث المتعلق بالعيوب المعروض.

1. Stratasys

SSYS مخطط السعر

تعمل شركة Stratasys في صناعة الطباعة ثلاثية الأبعاد منذ عام 2010. بفضل حلولها عالية الجودة، توسعت الشركة إلى قطاعات الطيران والطب والسيارات والاستهلاك مع نجاح كبير. حاليًا، تمتلك الشركة مجموعة برامج شائعة تحسن كفاءة التصميم والنشر.

شهد سهم Stratasys تقلبات خلال أكثر من 14 عامًا من التداول. ومع ذلك، وعلى الرغم من العديد من الأحداث السوقية المتسارعة مثل جائحة كوفيد-19، نجحت Stratasys. لا تزال خيارًا شائعًا في التصنيع ثلاثي الأبعاد وتستمر في توسيع عملياتها. وبالتالي، فهي إضافة حكيمة لأي محفظة استثمارية.

2. Xometry

XMTR مخطط السعر

تُعد Xometry دخولًا جديدًا إلى سوق الطباعة ثلاثية الأبعاد. توفر الشركة سوقًا للنماذج الأولية للطباعة ثلاثية الأبعاد، والتصنيع، وأكثر من ذلك، وتستمر في توسيع نظامها البيئي. اليوم، تتفاخر Xometry بأكثر من 5 آلاف مورد و أكثر من 8 آلاف مشترٍ.

المزيج الفريد للشركة بين الطباعة ثلاثية الأبعاد حسب الطلب والسوق، الذي يوفّر للمبدعين والمبرمجين فرص عائد استثمار، يجعل العديد من المحللين يتوقعون مستقبلًا مشرقًا. حتى الآن، لم يحقق السهم أداءً جيدًا لكنه نجح في وضع نفسه بشكل مثالي لاستيعاب قطاع التصنيع التقليدي في المستقبل، والذي قد يحقق إيرادات بمليارات الدولارات. وبالتالي، تستحق XMTR المتابعة.

الباحثون

أُجريت دراسة “اكتشاف وتصنيف العيوب المخفية في الأجزاء المصنعة بالإضافة باستخدام التعلم العميق والتصوير المقطعي بالأشعة السينية” في جامعة إلينوي أوربانا-شامبين. قادها أستاذ العلوم الهندسية والميكانيكية في إلينوي مايلز بيمروز، وساميه توفيك، وويليام كينغ. بالإضافة إلى ذلك، شارك تشينهوي شاو من جامعة ميتشغان، وديفيس ماكجريجور من جامعة ماريلاند، وتيانشيانغ هو، وجيونغشينغ وانغ، وزووزهو ليو من جامعة تشجيانغ.

عمليات التصنيع الإضافي تستمر في التحسن

الابتكارات المستمرة تجعل سوق التصنيع الإضافي أكثر تنافسية كل يوم. في المستقبل، قد تجد طابعات ثلاثية الأبعاد تطبيقات في كل مكان. بفضل العقول المبتكرة وراء نموذج Vision Transformer (ViT)، ستكون هذه المنتجات أكثر أمانًا من أي وقت مضى.

تعرف على تطورات أخرى رائعة في التصنيع الإضافي.