Bergerak Melampaui Dasar:Pembelajaran Mesin dan AM
Di era Industri 4.0, manufaktur semakin menuju ke dunia pembelajaran mesin dan kecerdasan buatan. Dunia di mana sistem berbasis data dapat dikembangkan untuk meningkatkan proses produksi. Dan manufaktur aditif dapat memanfaatkan manfaat pembelajaran mesin untuk mencapai efisiensi yang lebih besar, meningkatkan kualitas produk, dan mengoptimalkan alur kerja AM.
Meningkatkan efisiensi dengan pembelajaran mesin
Seiring peningkatan produksi aditif untuk produksi penggunaan akhir, kemajuan dalam pembelajaran mesin tidak hanya terbatas pada prospek mobil yang dapat mengemudi sendiri. Pembelajaran mesin dapat digunakan dalam manufaktur aditif untuk mendorong efisiensi sebagian dengan menghilangkan metode coba-coba selama proses produksi.
Sejumlah besar faktor, seperti orientasi bagian atau desain struktur pendukung, dapat berpotensi mempengaruhi struktur material suatu bagian dan menyebabkan kegagalan bangunan. Ini pasti berarti bahwa alasan di balik kegagalan build dapat dikaitkan dengan sejumlah variabel. Biasanya, pendekatan coba-coba telah diterapkan untuk mencapai proses pencetakan yang andal. Namun, karena ini melibatkan sejumlah kegagalan sebelum mencapai proses yang optimal, pendekatan coba-coba pasti kurang efisien. Pembelajaran mesin dapat membantu melewati pendekatan coba-coba untuk produksi dengan mengembangkan sistem untuk membantu mesin menentukan variabel dan parameter terlebih dahulu, sehingga mengoptimalkan proses produksi.
Office of Naval Research (ONR) Angkatan Laut AS baru-baru ini bermitra dengan perusahaan data Senvol untuk mengembangkan perangkat lunak pembelajaran mesin yang dapat menganalisis hubungan antara parameter proses AM dan kinerja material. Tujuannya adalah untuk memungkinkan ONR mengurangi ketergantungan pada pengujian material tradisional.
Dan penelitian oleh ADAPT Center di Colorado telah mulai mengeksplorasi bagaimana pembelajaran mesin dapat mengidentifikasi geometri bagian dalam bagian, memprediksi parameter yang benar untuk setiap bagian baru, dan oleh karena itu mengoptimalkan proses pencetakan.
Menggunakan pembelajaran mesin untuk meningkatkan kualitas proses
Pembelajaran mesin juga dapat diterapkan untuk menambahkan lapisan kontrol kualitas lain ke proses produksi karena mesin pada akhirnya dapat mengoreksi diri sendiri dan mengawasi diri mereka sendiri. Menggunakan teknologi pembelajaran mesin, sejumlah besar data dapat dianalisis dan digunakan untuk memberikan status waktu nyata dari setiap tahap produksi. Mesin dapat menggunakan algoritme untuk menemukan pola dalam data produksi, dan dari konstruksi model prediktif ini, disempurnakan melalui perbandingan dengan data nyata.
Tahun lalu, GE mengungkapkan penelitiannya tentang penggunaan kecerdasan mesin dan kembaran digital untuk meningkatkan kinerja mesin dan material untuk pencetakan 3D logam. Melalui penelitiannya tentang pembelajaran mesin, GE bertujuan untuk mengurangi pemborosan material melalui deteksi masalah kualitas proses, dengan tujuan akhir adalah hasil 100%. Penelitian GE bertujuan untuk mencapai visibilitas penuh ke dalam setiap lapisan dari pembuatan suku cadang, melatih alat berat untuk mengenali masalah dengan rakitan itu sendiri. Ini akan memungkinkan pengguna untuk melihat mekanisme dan struktur bangunan serta mengidentifikasi masalah lebih awal dalam prosesnya.
Kasus penggunaan pembelajaran mesin lainnya
Suku cadang
Manufaktur aditif telah terbukti menjadi solusi ideal untuk industri suku cadang, karena tingginya biaya penyimpanan dan pemeliharaan inventaris suku cadang. Manufaktur aditif memecahkan masalah ini dengan memungkinkan produsen memproduksi dan memasok suku cadang sesuai permintaan pada titik kebutuhan.
Namun, pembelajaran mesin dapat membawa solusi ini selangkah lebih maju untuk meningkatkan efisiensi proses produksi serta meningkatkan kemampuan prediktif. Dalam kasus manufaktur diskrit misalnya, perusahaan dapat menggunakan model pemeliharaan prediktif untuk memprediksi umur bagian tertentu. Pembelajaran mesin juga dapat digunakan untuk mengidentifikasi kapan pelanggan perlu mengganti suku cadang menggunakan jadwal data yang telah ditentukan sebelumnya, memungkinkan produsen untuk mengirim suku cadang pengganti sebelumnya. Oleh karena itu, produsen harus mempertimbangkan untuk menggunakan pembelajaran mesin untuk mengurangi biaya dan memastikan kepuasan pelanggan yang lebih tinggi.
Pembelajaran mesin – potensi besar untuk AM
Machine learning memiliki potensi untuk menyempurnakan proses produksi, memandu pengambilan keputusan, dan pada akhirnya mengubah model bisnis. Aplikasi pembelajaran mesin untuk AM sangat banyak, mulai dari meningkatkan proses desain hingga meningkatkan efisiensi dan bahkan menentukan kemampuan cetak objek 3D sebelum proses pencetakan dimulai. Namun, menerapkan pembelajaran mesin dan sistem AI juga bukan tanpa tantangannya sendiri, yang membutuhkan perencanaan strategis dan investasi di infrastruktur perangkat lunak dan perangkat keras. Namun di era Industri 4.0, jelas bahwa penggunaan pembelajaran mesin, AI, dan data besar untuk AM hanya di puncak gunung es.
