วิธีที่ Siemens ใช้ Machine Learning และ ElectroPuls® เพื่อทำนายความล้าในชิ้นส่วนที่ผลิตจากการพิมพ์ 3 มิติ
ด้วยการใช้ข้อมูลความล้าจากการใช้งานจริงจากระบบ Instron ElectroPuls® E10000 ทาง Siemens Digital Industries Software ได้พัฒนาวิธีการ Machine Learning ที่สามารถทำนายประสิทธิภาพด้านความล้าในส่วนประกอบโลหะที่ผลิตจากการพิมพ์ 3 มิติซึ่งไม่เคยผ่านการทดสอบทางกายภาพมาก่อน ซึ่งช่วยลดเวลาและจำนวนการทดสอบที่จำเป็นในการระบุคุณลักษณะของชิ้นส่วนที่ผลิตแบบเพิ่มเนื้อวัสดุ
เกี่ยวกับ
Siemens AG เป็นบริษัทข้ามชาติสัญชาติเยอรมันที่มุ่งเน้นด้านระบบอัตโนมัติทางอุตสาหกรรม ระบบอัตโนมัติในอาคาร การขนส่งทางราง และเทคโนโลยีสุขภาพ โดยเป็นบริษัทวิศวกรรมที่ใหญ่ที่สุดในยุโรปและเป็นผู้นำตลาดระดับโลกในด้าน AI สำหรับอุตสาหกรรม ระบบอัตโนมัติ และซอฟต์แวร์อุตสาหกรรม
สถานที่ตั้ง
มิวนิก, เยอรมนี
เว็บไซต์
การผลิตแบบเพิ่มเนื้อวัสดุ (AM) หรือที่รู้จักกันในชื่อการพิมพ์ 3 มิติ คือคำอธิบายถึงเทคนิคการผลิตจำนวนหนึ่งที่สร้างชิ้นส่วนสามมิติขึ้นทีละชั้น โดยใช้เพียงวัสดุที่ประกอบขึ้นเป็นส่วนประกอบขั้นสุดท้ายเท่านั้น กระบวนการ AM ไม่เพียงแต่ช่วยให้สามารถสร้างชิ้นส่วนที่มีความซับซ้อนสูงและมีประสิทธิภาพทางโครงสร้างได้เท่านั้น แต่ยังช่วยลดวัสดุเหลือทิ้งที่เกี่ยวข้องกับเทคนิคการผลิตแบบตัดเนื้อวัสดุออก เช่น การกลึงจากวัสดุที่มีปริมาตรขนาดใหญ่กว่าได้อย่างมาก
Siemens ได้นำข้อมูลจากแคมเปญการทดสอบที่ดำเนินการบนเครื่องทดสอบความล้า ElectroPuls® E10000 ซึ่งได้รับการปรับแต่งให้เหมาะสมสำหรับการทดสอบความล้าของผลิตภัณฑ์ที่ผลิตแบบเพิ่มเนื้อวัสดุ ข้อมูลนี้ถูกนำมาใช้เพื่อประเมินความท้าทายที่เกี่ยวข้องกับ AM สำหรับโลหะผสม และเพื่อนำเสนอโซลูชันสำหรับความท้าทายเหล่านั้นผ่าน Siemens Digital Industries Software
ทำไมการทำนายความล้าในชิ้นส่วนที่ผลิตจากการพิมพ์ 3 มิติจึงเป็นเรื่องยากมาก
ประสิทธิภาพด้านความล้าของส่วนประกอบโลหะถูกกำหนดโดยคุณลักษณะภายในโครงสร้างจุลภาคของวัสดุและรูปทรงของชิ้นงานทดสอบ เช่นเดียวกับเทคนิคการผลิตอื่นๆ ส่วนประกอบที่ผลิตผ่าน AM จะมีคุณลักษณะที่ติดมากับกระบวนการ เช่น ความเค้นตกค้าง ความพรุน หรือความแตกต่างของความหยาบผิว และการมีอยู่ของคุณลักษณะเหล่านี้ขึ้นอยู่กับรูปทรงเฉพาะจุดของส่วนประกอบอย่างมาก ดังที่แสดงในรูปที่ 1 ซึ่งหมายความว่าความสัมพันธ์ระหว่างรูปทรงของส่วนประกอบและคุณลักษณะทางโครงสร้างจุลภาคที่กำหนดประสิทธิภาพด้านความล้านั้นมีความซับซ้อนสูง การสร้างแบบจำลองทางคณิตศาสตร์ของการปฏิสัมพันธ์ระหว่างคุณลักษณะเหล่านี้ รวมถึงผลกระทบส่วนบุคคลของแต่ละคุณลักษณะ จึงกลายเป็นเรื่องที่เป็นไปไม่ได้ในทางปฏิบัติ
สำหรับผู้ผลิตที่ผลิตส่วนประกอบที่มีความสำคัญต่อประสิทธิภาพ การตรวจสอบคุณลักษณะด้านความล้าโดยปกติจะหมายถึงการพึ่งพาการทดสอบต้นแบบอย่างหนักและแคมเปญการทดสอบที่กว้างขวางและมีค่าใช้จ่ายสูง ทั้งนี้เนื่องจากขาดเครื่องมือวิศวกรรมที่ใช้คอมพิวเตอร์ช่วย (CAE) ที่สามารถทำนายได้ว่าประสิทธิภาพเชิงพลวัตจะแตกต่างกันอย่างไร ขึ้นอยู่กับรูปแบบและการผสมผสานของคุณลักษณะที่พบในแต่ละส่วนประกอบ
ความหยาบผิวเป็นตัวอย่างที่ชัดเจนว่าคุณลักษณะเฉพาะจุดสามารถแตกต่างกันไปในส่วนประกอบที่ผลิตจากการพิมพ์ 3 มิติได้อย่างไร เนื่องจากชิ้นส่วนถูกสร้างขึ้นผ่านชั้นวัสดุที่ยื่นออกมาทีละน้อย ดังที่แสดงโดยการกระจายตัวที่แตกต่างกันในรูปที่ 2 ดังนั้น ผู้ผลิตจึงต้องพิมพ์และทดสอบชิ้นส่วนในทิศทางต่างๆ ให้มากที่สุดเท่าที่จะเป็นไปได้ เพื่อกำหนดว่าทิศทางใดจะให้คุณลักษณะด้านความล้าที่ดีที่สุด
การทดสอบทุกทิศทางการสร้างหรือการประเมินทุกการผสมผสานของคุณลักษณะทางโครงสร้างจุลภาคนั้นไม่สามารถทำได้จริง ยังไม่รวมถึงผลกระทบของสภาวะการรับแรง ความเค้นตกค้าง และการปรับปรุงสภาพหลังการผลิต อย่างไรก็ตาม เพื่อให้ชิ้นส่วนที่ผลิตจากการพิมพ์ 3 มิติสามารถนำไปใช้ในสถานการณ์ที่มีความสำคัญต่อความปลอดภัยได้ ผลกระทบเหล่านี้จะต้องได้รับการทำนายอย่างแม่นยำ
โซลูชัน Machine Learning
ด้วย Machine Learning ทาง Siemens Digital Industries Software สามารถประเมินประสิทธิภาพด้านความล้าของส่วนประกอบที่ผลิตจากการพิมพ์ 3 มิติซึ่งไม่เคยผ่านการทดสอบทางกลมาก่อน วิธีการนี้ได้รับการประเมินจากชิ้นงานทดสอบที่พิมพ์โดย 3D Systems ตามชุดพารามิเตอร์การประมวลผลที่กำหนดไว้ โดยมีการทดสอบความล้าและการวิเคราะห์ที่ดำเนินการโดยทีมการผลิตแบบเพิ่มเนื้อวัสดุ ณ ภาควิชาวิศวกรรมเครื่องกลของ KU Leuven โดยใช้ Instron® ElectroPuls® E10000
ด้วยโต๊ะ T-slot ในตัว เครื่อง ElectroPuls® E10000 จาก Instron จึงได้รับการปรับแต่งให้เหมาะสมสำหรับการทดสอบความล้าของผลิตภัณฑ์ที่ผลิตแบบเพิ่มเนื้อวัสดุ การออกแบบที่เป็นระบบไฟฟ้าทั้งหมด จับคู่กับซอฟต์แวร์ WaveMatrix3 ที่ใช้งานง่าย และคุณลักษณะต่างๆ เช่น Stiffness Based Tuning ที่ได้รับการจดสิทธิบัตร รวมกันเป็นระบบที่อเนกประสงค์และมีประสิทธิภาพสูงสำหรับการทดสอบภายในพื้นที่ขนาดเล็ก การเชื่อมต่อที่ง่ายดายกับสเตรนเกจ กล้อง DIC และเซนเซอร์อื่นๆ อีกมากมาย ช่วยให้ผู้ใช้สามารถบันทึกแผนผังความเครียดโดยละเอียดทั่วพื้นผิวของส่วนประกอบทดสอบที่ซับซ้อน ทำให้การสร้างชุดข้อมูลโดยละเอียดสำหรับแคมเปญการทดสอบทำได้รวดเร็วและง่ายดายกว่าที่เคย
จากข้อมูล S-N ในโลกแห่งความเป็นจริงที่ได้รับจากระบบ ElectroPuls® ซอฟต์แวร์จะสามารถทำนายกราฟ S-N สำหรับการผสมผสานของสภาวะที่ยังไม่เคยผ่านการทดสอบได้
แนวทาง Machine Learning ใช้ Gaussian Process Regression ซึ่งเป็นวิธีการที่ให้การกระจายความน่าจะเป็นสำหรับผลลัพธ์ตามชุดข้อมูลอินพุตที่น้อยที่สุด โดยให้ข้อได้เปรียบเหนือแนวทางการประมาณค่าในช่วง (Interpolation) หรือการประมาณค่านอกช่วง (Extrapolation) แบบคลาสสิก
จากข้อมูลการทดสอบสู่การทำนายความทนทาน
หลังจากรวม Machine Learning เข้ากับซอฟต์แวร์ Siemens Simcenter 3D Specialist Durability แล้ว คุณสมบัติด้านความล้าจะสามารถกำหนดได้ตามภูมิภาคหรือองค์ประกอบ รวมถึงการปรับปรุงวัสดุเพิ่มเติม จากโมเดล CAD ระบบจะระบุคุณลักษณะที่ส่งผลต่อความล้าในส่วนประกอบ และอัลกอริทึม Machine Learning จะทำนายกราฟ S-N เฉพาะจุดที่สอดคล้องกับองค์ประกอบพื้นผิวต่างๆ ในโมเดล จากนั้นการคำนวณความทนทานจะวัดปริมาณการสะสมของความเสียหายสำหรับโครงสร้างทั้งหมด โดยอิงตามคุณลักษณะเฉพาะจุด คุณสมบัติของวัสดุ และการทำแผนผังกราฟ S-N ทั่วทั้งโมเดล ซึ่งจะสร้างการจำลองดังที่แสดงในแผนภาพในรูปที่ 3
ผลลัพธ์ในรูปที่ 4 แสดงพฤติกรรมความล้าที่ทำนายไว้สำหรับตัวอย่างที่แตกต่างกันสามแบบ ในแต่ละกรณี ข้อมูลการทดสอบจริงสำหรับตัวอย่างนั้น (แสดงเป็นจุดข้อมูลสีน้ำเงิน) ไม่ได้ถูกป้อนเข้าสู่อัลกอริทึม Machine Learning แต่อัลกอริทึมสามารถทำนายพฤติกรรมของแต่ละตัวอย่างได้สำเร็จ โดยจุดทั้งหมดตกอยู่ภายในขอบเขตบนและล่างของการทำนาย และอยู่ใกล้กับกราฟ S-N ที่ทำนายไว้ (เส้นสีแดงทึบ) ตัวอย่างประกอบด้วยการสร้างที่วางตัวที่ 90 องศาพร้อมการกลึงและการบีบอัดแบบไอโซสแตติกขณะร้อน (HIP) ในภายหลัง และการสร้างสองแบบที่วางตัวที่ 50 องศา โดยแบบหนึ่งได้รับการอบอ่อนเต็มที่ (FA) และอีกแบบได้รับการบำบัดด้วย HIP
เส้นทางที่เร็วขึ้นสู่ข้อมูลความล้าที่เชื่อถือได้
แนวทาง Machine Learning นี้จาก Siemens นำเสนอวิธีการที่ประสบความสำเร็จในการระบุคุณลักษณะด้านความล้าของส่วนประกอบที่ผลิตแบบเพิ่มเนื้อวัสดุ โดยไม่จำเป็นต้องอนุมานปัจจัยที่ส่งผลต่อความล้าทุกประการโดยเฉพาะ วิธีการนี้ยังมีความยืดหยุ่นเพียงพอที่จะพิจารณาปรากฏการณ์เฉพาะจุดภายในตัวอย่างที่กำหนดได้
สำหรับโรงงานผลิตแบบเพิ่มเนื้อวัสดุที่โดยปกติจะมีบุคลากรเฉพาะทางจำนวนจำกัดแต่มีความต้องการในการทดสอบสูง การผสมผสานระหว่างแนวทาง Machine Learning ของ Siemens และประสิทธิภาพการทดสอบของ ElectroPuls® E10000 ส่งผลให้ทั้งเวลาและจำนวนการทดสอบที่จำเป็นเพื่อให้ได้ผลลัพธ์ที่หลากหลายลดลงอย่างมาก
การอ่านเพิ่มเติม
อ่านบทความต้นฉบับของ Siemens (เปิดในแท็บใหม่)
พูดคุยกับผู้เชี่ยวชาญของ Instron
ไม่แน่ใจว่า ElectroPuls® E10000 เหมาะสมกับการทดสอบความล้าหรือการใช้งานด้านการผลิตแบบเพิ่มเนื้อวัสดุของคุณหรือไม่? บอกความต้องการของคุณให้เราทราบ แล้วเราจะช่วยคุณค้นหาโซลูชันที่เหมาะสม
ปรึกษาวิศวกรฝ่ายแอปพลิเคชัน
แจ้งความต้องการในการทดสอบของคุณให้เราทราบ แล้วเราจะช่วยคุณกำหนดค่าเฟรม โหลดเซลล์ อุปกรณ์จับยึด และซอฟต์แวร์ที่เหมาะสมสำหรับห้องแล็บของคุณ โปรดกรอกแบบฟอร์มด้านล่าง แล้วเราจะตอบกลับภายใน 1-2 วันทำการ หากต้องการการตอบกลับที่รวดเร็วยิ่งขึ้น โปรดโทร +1-800-473-7838 หรือ +1 781 828 2500 หากคุณอยู่นอกสหรัฐอเมริกา
