加法制造流程优化和机器学习

对金属合金在航空航天,机器学习的发展可以使加法制造(AM)过程更快、更便宜。

与谢菲尔德大学先进制造研究中心(AMRC)和波音,Intellegens Alchemite^™深入学习软件开发模型可以确定最优的参数设置激光粉末床融合(LPBF)和测试它们对镍基合金在两个实验周期。第二个周期的结果表现出极大的协议与科学家的估计。

这之后,模型结合使用与通用电气的400 w M2机添加剂开发新的工艺参数additive-specific Aheadd^®从Constellium CP1粉。

在两个构建,项目团队可以从新的粉末移动到最后一个参数,应用强大的机器学习方法没有要求专家统计知识。这演示了如何Alchemite™机器学习可以加快工艺参数优化。

挑战

发展制造业技术,加法制造(AM)提供更强,更轻的组件按需生产潜力和几何部分中极大的灵活性。

在许多行业,这些好处是公认——尤其是在航空航天,在那里他们可以提高燃料效率通过支持飞机的轻量化。

然而,实施具有重要现实的挑战。新组件规范往往需要新机器或金属粉末材料。因为最后的属性是出了名的敏感的微小差异而材料,机器设置,或环境条件下,寻找最优机工艺参数是困难的。

通常,优化这些参数发生通过使用费时,昂贵的试验。使用实验设计方法结合的知识项目团队,参数空间缩小。但即使使用复杂的统计分析,传统的实验设计很少减少了测试的数量足够,留下沉重的实验性的负担。通常,团队项目之间失去了知识作为粉末进行更改,机器,和团队成员。

有两个关键的机器学习(ML)可以协助这一过程。毫升方法可以从历史数据中获取知识可重用模型,经验从一个项目可以应用到其他地方。这样的模型可以用来预测并减少实验的需要通过识别和使用的微妙关系复杂,高维数据。

有限制毫升方法,然而,最明显的是,他们学习的训练数据。在convengtional毫升,这个数据必须完整为所有感兴趣的参数。困难在于,经常有差距在真实的实验数据:数据通常是由多个测试,针对不同的属性,可以稀疏和嘈杂的项目团队不确定参数测量。

毫升可以应用加速参数优化?

解决方案

这一挑战是解决项目奖牌。由英国国家航天技术开发计划(NATEP),这种合作涉及Intellegens,波音公司,通用电气添加剂,谢菲尔德大学先进制造研究中心(AMRC)和Constellium。

项目的核心是Alchemite^™深度学习技术¹剑桥大学的生活开始,在Intellegens进一步发展。

材料和工艺设计难题被Alchemite解决^™。Alchemite的核心属性^™它能够处理噪声、稀疏、实验数据。它能够摄取历史项目数据和建立一个毫升模型。然后,它可以使用该模型来预测和优化输出的新系统。

一个是基于ML工具Alchemite™在阶段1中创建²由AMRC Intellegens,波音公司。激光粉末床融合(LPBF)是重点,和项目构成主要研究工艺参数发展。

模型,根据历史数据,可以用于实时指导工艺参数的选择在接下来的实验中每次新的输入系统(例如,一个新的材料,机器,部分甚至运营商)。下面这个方法,参数空间探索最大效率。

Alchemite如图1所示^™(蓝线所代表的)可以优化给定目标基于实验的数量远远少于传统实验设计方法(在很多情况下,10 x更少)。

图1所示。比较Alchemite™标准的实验设计方法。图片来源:Intellegens有限

结果

第一阶段表明,可以从历史中学习构建和由此产生的模型适用于新的构建。第二个周期的预测结果,从第一次实验结果循环使用,并关闭协议被发现之间的预测和实验结果。

使用Constellium粉和通用电气添加剂机器,在阶段2:

• 没有专业知识的粉,Alchemite AMRC工程师可以应用^™机器学习工具来指导他们的工作。
• 发现机器学习方法是适用于多个不同的机器上,粉,我处理类型。
• 机器学习的Alchemite™工具能够准确预测的生产性能在第二部分构建后构建(图3)。
• Aheadd提供稳定、可预测的性能^®CP1粉除了在激光功率不足导致缺乏融合。

图2。粒结构的样本印刷使用Constellium Aheadd^®CP1 >。图片来源:Intellegens有限

图3。测试样品建于第二阶段的项目(左)和一个比较Alchemite™预测第二与实验测量值,建立UTS显示高协议(右)。图片来源:Intellegens有限

结论

Alchemite的有效性^™机器学习在加速过程中参数优化的新过程证明了项目。

实验通过显著减少,此功能允许我过程团队减少所花费的时间给市场带来新的过程。

这个项目是由伊恩·布鲁克斯,他当时技术研究员AMRC西北。伊恩说:

“Alchemite™聚集在最优解与更少的实验。这个项目的机会是为终端用户提供验证,经济上可行的方法,开发自己的粉和参数组合。”

一套图形的分析工具Alchemite™分析平台可用于分析预测了ML模式——例如,找出哪些输入参数驱动关键输出。

因为他们追求可靠、可重复的过程,是团队可以从材料和机器的创新,获得最喜欢理解过程/财产关系。卢卡斯Jiranek波音研究与技术,引用金属添加剂制造³解释说,公司的参与:

“目前有超过70000个组件在波音平台上飞行。这些努力和丰富的数据流程链,机器学习有潜力成为一个关键技术的进一步发展和采用加速。项目奖牌是一个宝贵的步骤,创建和验证标准化的机器学习方法对数据驱动的工艺参数发展。”

潜力巨大的合金专门为激光粉末床上融合。这个项目已确认Aheadd的强劲表现^®CP1的通用电气添加剂平台,展示了我们的方法可以达到可预测力学性能非常快。机器学习将使我们能够达到优化是解决方案更快Aheadd多个应用领域^®CP1,包括换热、卫星组件、高端汽车零部件和半导体行业设备。2020欧洲杯下注官网

拉维•Shahani加法制造战略伙伴关系经理,Constellium。

关于项目参与者

深入学习软件Alchemite的名字^™是由Intellegens提供的。Intellegens的重点是简化机器学习的应用加速创新材料、化工、制造、和超越。欧洲杯足球竞彩

网络世界领先的研究和创新中心,谢菲尔德大学先进制造研究中心(AMRC)适用于各种规模的公司参与生产来自世界各地。

的一部分,通用电气,通用电气添加剂是金属添加剂设计和制造的世界领袖,一个开创性的过程,才能真正改变企业。全球领先的开发和生产高附加值的铝产品和解决方案,Constellium先进的合金和工程解决方案支持的应用程序,如饮料罐头、汽车、飞机和更多。

世界上最大的航空航天公司,波音公司是一家主要生产商业客机,国防、空间和安全系统,和服务提供者的售后支持。

引用

1. “Alchemite™深度学习,解决复杂问题与现实世界数据”,Intellegens白皮书(2021)
2. 新闻稿:“机器学习光的加法制造航空合金”,谢菲尔德大学的加法制造中心,2021年1月。
3. 督导员。“人工智能的不可估量的价值为:机器学习如何帮助项目团队实现他们的目标,超越”,金属添加剂制造7卷4号(2021)

这些信息已经采购,审核并改编自Intellegens有限公司提供的材料。欧洲杯足球竞彩

在这个来源的更多信息,请访问Intellegens有限。