یادگیری ماشین: اهمیت هوش مصنوعی در تولید ساخت افزایشی

این روزها، بسیاری از شرکت‌ها به واسطه دیجیتالی کردن و خودکارسازی تجهیزات خود، گام جدیدی در مسیر تولید ساخت افزایشی نهاده‌اند. از این رو، هرروز تعداد بیشتری از تولیدکنندگان به راه‌حل‌های مبنی بر فضای ابری روی می‌آورند و الگوریتم‌های مختلف را با روش‌های پرینت سه بعدی خود ادغام می‌کنند تا نهایت بهره‌برداری را از این فناوری داشته باشند. پرینت سه بعدی خود یک فرآیند دیجیتال است که بخشی از نسل چهارم صنعت را تشکیل می‌دهد؛ صنعتی که در آن، بخش مهمی به نام هوش مصنوعی جای گرفته است و یادگیری ماشین نمونه‌ای از آن است که برای بهینه‌سازی زنجیره ارزش به طور روزافزون مورد استفاده قرار می‌گیرد. هوش مصنوعی می‌تواند حجم زیادی از داده‌های پیچیده را در مدت کوتاهی پردازش کند، از این رو، کار افراد تصمیم‌گیرنده اهمیت بیشتری پیدا می‌کند. در ادامه توضیح می‌دهیم که یادگیری ماشین چیست و این شکل از هوش مصنوعی چگونه می‌تواند در آینده‌ی تولید ساخت افزایشی نقش مهمی ایفا کند.

یادگیری ماشین زیرمجموعه هوش مصنوعی است، و سیستم یا نرم‌افزاری است که از الگوریتم‌ها استفاده می‌کند تا داده‌ها را بررسی کند و سپس به شناخت الگوها یا تعیین راه‌حل‌ها بپردازد. برخلاف عقیده رایجی که مبنی بر جدید بودن یادگیری ماشین وجود دارد، باید بگوییم که پیدایش آن به دهه 40 میلادی باز می‌گردد، زمانی که پژوهشگران برای اولین بار نورون‌های مغز را با استفاده از مدارهای الکتریکی بازسازی کردند. ماشین Mark I Perceptron که در سال 1957 کامل شد، اولین دستاورد بزرگ در این زمینه بود: این ماشین می‌توانست داده‌های ورودی را به طور مستقل طبقه‌بندی کند. دستگاه حین انجام این کار، از اشتباهاتی که در تلاش‌های قبلی خود وجود داشت، می‌آموخت که به دنبال این امر، طبقه‌بندی آن با گذشت زمان بهبود می‌یافت. از آن موقع پایه‌های این شاخه علمی نهاده شد و پژوهشگران نیز مجذوب فرصت‌ها و احتمالات موجود در این فناوری شدند. در عین حال، ما هر روز و در همه جای زندگی خود با هوش مصنوعی برخورد داریم. از موتور تشخیص گفتار گرفته تا چت‌بات‌ها و شخصی‌سازی برنامه‌های درمانی، که نمونه‌ای از کاربردهای گسترده یادگیری ماشین هستند.

مقایسه یادگیری ماشین نظارت‌شده و نظارت‌نشده

یادگیری ماشین همچون طیفی است که باید انواع روش‌ها و رویه‌های مختلف آن را از هم جدا کرد. همه انواع یادگیری ماشین مانند هم نیستند. برای نمونه، باید وجه تمایزی بین یادگیری ماشین نظارت‌شده و یادگیری ماشین نظارت‌نشده قائل شد. در نوع نظارت‌شده داده‌های طبقه‌بندی شده (داده‌های ورودی) و متغیر هدف (داده‌های خروجی) از پیش تعریف شده‌اند. با استفاده از این اطلاعات یک مدل تشکیل می‌شود، سپس داده‌های طبقه‌بندی نشده (جدید) بررسی می‌شوند و خود ماشین یک متغیر هدف برای این داده‌های جدید تعیین می‌کند. این نوع از یادگیری ماشین می‌تواند مثلا برای پیش‌بینی‌ها استفاده شود، مانند پیش‌بینی بازه‌های نگهداری.

یادگیری ماشین نظارت‌نشده دقیقا برعکس عمل می‌کند. نرم‌افزار هیچ متغیر هدفی (داده خروجی) ندارد، اما بر اساس داده ورودی باید الگوها را تشخیص دهد یا راه‌حلی ارائه کند. یکی از کاربردهای این نوع یادگیری ماشین، در زمینه بازاریابی است که باید طبقه مشتری را شناسایی کند، کاری که در اصطلاح به آن «خوشه‌بندی» می‌گویند. اما تفاوت‌های دیگری نیز در انواع یادگیری ماشین وجود دارد. برای مثال، هنوز نوعی یادگیری نیمه-نظارتی وجود دارد؛ در اینجا ماشین در میان حجم زیادی داده خام، مقدار اندکی داده‌های از پیش تعریف شده دارد که از آن‌ها استفاده می‌کند تا یک مدل را توسعه دهد و یادگیری را تقویت کند، به طوری که خود سیستم از قوانین از پیش تعیین شده یاد می‌گیرد. از این رو، کاربران باید روش مناسب را با توجه به داده‌های خام و متغیر هدف انتخاب کنند.

یادگیری ماشین چگونه در تولید ساخت افزایشی به کار می‌رود؟

از آنجایی که ساخت افزایشی یک فرآیند تولید دیجیتالی است، می‌تواند از قابلیت‌های یادگیری ماشین نیز بهره‌مند شود. تا کنون داده‌های بی‌شماری در زنجیره ارزش ساخت افزایشی جمع‌آوری شده‌اند که بی‌درنگ پردازش می‌شوند، بنابراین برای تحلیل وضعیت کنونی و سپس تعریف مجدد وضعیت هدف می‌توان از این داده‌ها استفاده کرد. در راستای این امر، ابتدا باید شرکت‌ها داده‌های مرتبط را مشخص کنند. تصمیمی که آن‌ها در هر موردی می‌گیرند، به فرآیندی که استفاده می‌شود بستگی دارد. در گام بعدی آن‌ها باید ابزار مناسبی برای سنجش بیابند و آن را بسازند تا مقادیر را ثبت کنند و سپس، یک مدل یا الگوریتم مناسب برای جمع‌آوری و پردازش داده‌ها تعریف کنند. با این اوصاف، باید به خاطر داشته باشیم که همه مراحل زنجیره ارزش ساخت افزایشی بر یکدیگر تاثیر می‌گذارند و از این رو است که دیدگاه بسته در بیشتر موارد کاری از پیش نمی‌برد. برای مثال، همیشه به این صورت بوده است که نوع طراحی بر کیفیت نهایی قطعه موثر است و در عین حال کیفیتی که برای یک قطعه مد نظر است، بر چگونگی طراحی آن اثر می‌گذارد. به همین خاطر، به طور پیوسته شرکت‌های بیشتری سعی می‌کنند که یک راه‌حل نرم‌افزاری جامع تدوین کنند تا با استفاده از آن بتوانند مزایای هوش مصنوعی را به بهترین شکل ممکن در فرآیند تولید ساخت افزایشی به کار بگیرند.

طراحی هوشمند

پرینت سه بعدی هر چیزی، با یک فایل آغاز می‌شود، که این فایل در بیشتر موارد یک فایل CAD است. پس همین حالا هم شرکت‌ها می‌توانند از مزایای هوش مصنوعی بهره‌مند شوند. به عنوان مثال، بیشتر راه‌حل‌های نرم‌افزاری که اکنون در بازار وجود دارند، از هوش مصنوعی استفاده می‌کنند و بر اساس متغیرهای از پیش تعریف شده، طراحی‌های هوشمند گوناگونی را به کاربران پیشنهاد می‌دهند. افزون بر سایر موارد، به این فرآیند «طراحی مولد» گفته می‌شود. یکی دیگر از کاربردهای یادگیری ماشین، بهینه‌سازی توپولوژی است. بسیاری از راه‌حل‌های نرم‌افزاری نیز پیشنهاداتی را در خصوص روش‌های تولید، نوع ماده و استفاده بهینه از فضای نصب ارائه می‌کنند. صرفه‌جویی در هزینه‌ها و تولید قطعات با این روش، بهینه‌تر و البته پایدارتر انجام می‌شود.

تضمین کیفیت

اگر فرض کنیم فایل‌هایی که برای پرینت سه بعدی تولید می‌شوند، به حد بهینه خود رسیده‌اند، حال باید به جای فایل‌ها بر فرآیندهای پرینت سه بعدی، کیفیت مواد و کیفیت قطعات تمرکز کنیم. امروزه بسیاری از تولیدکنندگان، دوربین‌ها و حسگرهایی در دستگاه‌های خود کار گذاشته‌اند که روند پرینت را رصد می‌کنند و در صورت نیاز زنگ هشداری به صدا درمی‌آورند یا اینکه پرینت را متوقف می‌کنند. در اینجای کار، کیفیت قطعه در طول پرینت باید ارزیابی شود تا بتوان معیارهای سنجش مورد نیاز را تعیین کرد. همچنین باید مشخص شود که دستگاه در هر مقدار آستانه، چه کاری انجام دهد. در حال حاضر، الگوریتم‌هایی وجود دارند که خودشان به تنهایی می‌توانند این پارامترها را تعریف کنند و سپس مدل را بر اساس داده‌هایی که از پیش جمع‌آوری شده است، توسعه ببخشند. یک مثال عملی می‌تواند این ساز و کار را به خوبی توضیح دهد.

EOS با یک شرکت سوئیسی ارائه‌دهنده نرم‌افزار به نام NINAISENSE همراه شده است تا برای فرآیند DMLS یک دوقلوی دیجیتال توسعه بدهند. بدین صورت که در فرآیند پرینت، با استفاده از توموگرافی اپتیکال از هر لایه‌ای که پرینت می‌شود، یک سری تصاویر حرارتی ثبت می‌شود و با تصویری که هوش مصنوعی پیش‌بینی کرده است مقایسه می‌شوند. با این کار، ناهنجاری‌ها به سرعت شناسایی می‌شوند و فرآیند پرینت در صورت نیاز متوقف می‌شود، که درنهایت منجر به صرفه‌جویی در مواد و هزینه‌ها می‌شود. مدلی که شرکت NNAISENSE توسعه داده است، در واقع یک راه‌حل یادگیری عمیق خودنظارت‌شده است. شرکت Siemens تاکید می‌کند که اگر از هوش مصنوعی و یادگیری ماشین برای تضمین کیفیت تولید ساخت افزایشی استفاده شود، می‌توان مدت زمان بین نمونه‌سازی و تولید قطعه نهایی را کاهش داد و بهبود بازده تولید انبوه را سرعت ببخشید. این شرکت دوربین‌ ساخت EOS را که بر تک تک لایه‌های پرینت نظارت دارد، تحسین می‌کند زیرا اگر پودر جایی از قطعه به طور کامل پرینت نشده باشد (تصویر چپ) یا در حین پوشش مجدد مقداری پودر از قلم بیوفتد (تصویر راست)، این دوربین قادر به تشخیص آن خواهد بود.

کیفیت هر پوشش به صورت یک مقدار عددی ثبت می‌شود و به طور خودکار مورد ارزیابی قرار می‌گیرد. زمانی که «مقدار شدت» به یک آستانه مشخص برسد، به این معنی است که یک مشکل جدی در پوشش‌دهی وجود دارد (مانند مثالی که در بالا مشاهده می‌کنید). به نظر شرکت،  با استفاده از این روش انجام بازرسی‌های نوری آسان‌تر می‌شود، زیرا کارشناس بازرسی فقط لایه‌های مهم را نیاز می‌کند.

کاربردهای بیشتر

AUTOMAT3D ، نرم‌افزار پساپردازش شرکت PostProcess است که عوامل اصلی فرآیند را در لحظه پایش می‌کند و به صورت خودمختار واکنش می‌دهد تا قطعات با بهترین پرداخت ممکن پرینت شوند. برای این کار، شرکت از داده‌هایی استفاده می‌کند که از صدها هزار قطعه شاخص گردآوری شده‌اند. از این گذشته،  کاربرد هوش مصنوعی در امر خودکارسازی و بهینه‌سازی روندهای کاری نیز پیوسته بیشتر می‌شود. حسگرهای هوشمندی که در قطعات بسیار مهم دیده می‌شوند، ابزاری برای ارزیابی نگهداری هوشمند و بازدارنده، یا به اصطلاح «نگهداری و تعمیرات پیشگویانه» هستند. تصور می‌شود که در چند سال آینده، تولیدکنندگان به طور روزافزونی از یادگیری ماشین در فرآیندهای تولید خود استفاده کنند. از این رو، پیش‌بینی می‌شود بازار جهانی هوش مصنوعی و یادگیری ماشین پیشرفته تا سال 2028 با یک رشد 35.2 درصدی (نرخ رشد مرکب سالانه)، به عدد 471.39 میلیارد دلار برسد.