Avoin merkintäprosessi metallisten L-PBF-tietojen merkitsemistä varten.

AMEXCI kehittää syvälliseen oppimiseen perustuvaa moduulia metallien laserjauhepetin (L-PBF) vikojen havaitsemiseen tukemaan additiivisesti valmistettujen osien pätevöintiprosessia. Tekoälytekniikoiden ja AM-tekniikoiden välinen silta voi tuoda valtavaa lisäarvoa kappaleiden kelpuutukseen analysoimalla AM-tietoja, kun otetaan huomioon, että tekoäly on kehittymässä ja AM on digitaalinen teollisuudenala. AMEXCI pyrkii tekoälyn avulla tekemään AM-tekniikasta luotettavan ja kestävän teknologian varmistamalla, että osa on laatustandardien mukainen ja että vältetään materiaalihäviöitä aiheuttavat rakennusvirheet. 

Kuten mikä tahansa älykkyys, myös keinotekoinen älykkyys on kuitenkin koulutettava. Koulutuksen on perustuttava jäsenneltyyn tietoon, eli järjestettyyn ja merkitykselliseen tietomateriaaliin. Haluatko, että malli tunnistaa automaattisesti kissat ja koirat? Hanki verkosta tuhansia kissojen ja koirien kuvia ja kouluta se. Haluatko, että malli tunnistaa muodonmuutokset L-PBF-tulostuksen aikana? No... Tällaista merkittyä tietokantaa ei ole saatavilla. Sinun on vain luotava sellainen.

Tämän merkintätietokannan luominen koneoppimisen kehittämisen pohjatotuudeksi vaatii paljon työtä tietojen hankkimiseksi, jäsentämiseksi ja kommentoimiseksi, ennen kuin malli voidaan rakentaa sen päälle. AMEXCI:ssä olemme luoneet tämän vikatietokannan sisäisistä rakennustöistämme, jotka perustuvat pintaan, geometriaan ja uudelleenpinnoitukseen liittyviin muodonmuutoksiin metallin L-PBF-prosessissa. Kun olimme keränneet riittävästi tietoa, seuraava ja haastavin vaihe oli tämän tiedon tarkka merkitseminen. 

Tässä prosessissa pohdimme, miten avoin innovaatioprosessi voisi helpottaa merkintäprosessia.

1. Mitä on tietojen merkitseminen ja miksi AMEXCI teki sen.

Tekoälytekniikoita on erityyppisiä, analysoitpa sitten kuvia, arvoja tai tekstiä. Ja erilaisia tekoälytekniikoita riippumatta siitä, onko datasi jäsennelty ja merkitty vai ei. Kun dataa ei ole merkitty, kannattaa kokeilla valvomatonta tapaa, eli malli lajittelee tietokokonaisuuden ja jäsentää sen yhteisten piirteiden mukaan. Kun data on jo merkitty, on helppo rakentaa malli, joka pystyy käsittelemään sitä. Merkitsemisellä tarkoitetaan yksinkertaisesti sitä, että dataan merkitään tai sille annetaan merkintä, jotta malli voidaan kouluttaa tunnistamaan opittu piirre automaattisesti uudessa datajoukossa.

Minkä tahansa tekoälyhankkeen monimutkaisuus johtuu siitä, että dataa ei tarvita ainoastaan merkintöjä kehityksen helpottamiseksi, vaan sitä tarvitaan myös valtava määrä. Tästä syystä monien eri tietotyyppien merkitseminen on monimutkaista ja älykkäiden työkalujen kehittäminen tietojen analysointia varten haastavaa. 

Meidän tapauksessamme työskentely L-PBF:n seurantatietojen kanssa ei ole ollut helppoa, ja se on herättänyt monia kysymyksiä: mitä tämä värikartta kertoo kerroksen laadusta? Mitä tämä sumea sulava jauhe kertoo prosessista? Miten tällaisista kuvista voi tunnistaa, että nuo sisäiset kanavat ovat deformoituneet? Kuvitelkaa siis, miten tekoäly voisi selvittää tämän itsestään, kun AM-teollisuudessa on vaikea saada mitään tolkkua näistä tiedoista? AMEXCI:n sisäinen asiantuntemus mahdollisti tämän merkinnän.

2. Tietojen merkitseminen sisäisesti - perustotuuden luominen AMEXCI:ssä. 

Pohjatotuuden luominen metallin laserpulveripölyfuusion prosessitiedoille vaatii aikaa ja asiantuntemusta. On todellakin vaikeaa saada suuria määriä merkittyjä tietoja metallien L-PBF:n kaltaisella erittäin erikoistuneella alalla. AMEXCI:ssä olemme työskennelleet alan asiantuntijoiden (sovellusinsinöörit, suunnittelijat, AM-prosessiasiantuntijat) kanssa saadaksemme asteittain ymmärrystä prosessidatastamme.

Yhteistyökumppanimme Peltarionin ansiosta saimme 3×40 000 kuvaa (3 erilaista kuvaa kutakin prosessipoikkeamaa varten - pääaineistomme) klusteroitua annotaatioalustalle vikatyypin mukaan. Näin pystyimme työskentelemään esikäsitellyn vikatietokannan kanssa. Toisin sanoen 120 000 datapisteen merkitsemisen sijaan pystyimme tarkastelemaan 39 erillistä klusteria, joissa oli erilaisia yhteisiä piirteitä. Analysoimalla kuviemme erilaisia vikakuvioita ja tekemällä erityistä koesuunnittelua tämän datan tuottamiseksi pystyimme ymmärtämään, miksi klusterointimalli oli aiemmin lajitellut jotkin kuvat yhteen näihin klustereihin. 

Vaikka meillä on tarvittava tietämys kuvien kommentoimiseksi, tämän perustotuuden määritteleminen siitä, miten tietoja tulkitaan, vaati lisää panosta muilta asiantuntijoilta. Siksi kutsuimme alan tutkijoita mukaan avoimen innovaatioprosessin kautta.

3. AM-tiedon merkitsemisen hackathon - Avoin innovaatiotoiminta tienä eteenpäin

Helmikuun 5.^-18. päivänä 2021 järjestetty etikettihackathon kokosi yhteen kahdeksan metallien L-PBF-prosessidatan asiantuntijaryhmää eri yliopistoista eri puolilta Eurooppaa. Kaikki asiantuntijat saivat pääsyn annotaatioalustallemme merkitsemään kuvia käyttämällä AMEXCI:n valitsemaa ennalta valittua merkintäluetteloa. Näiden kahden viikon aikana ryhmien annotoinnin edistymistä seurattiin. Haasteen lopussa me AMEXCI:ssä arvioimme kaikki panokset annotoidun datan määrän ja merkintöjen merkityksellisyyden perusteella.Merkityksellisyydellä tarkoitamme sitä, kuinka paljon annotaatiot vastasivat AMEXCI:ssä tehtävää työtä ja muiden osallistujien työtä.

Merkintöjen avaaminen asiantuntijoille mahdollisti sen, että saimme paremman käsityksen kuvistamme keräämällä erilaisia tulkintoja tiedoistamme. Koska vikaluokitusmallimme perustuu tähän perustotuuteen, on tärkeää varmistaa, että ne ovat oikeita. Näin ollen pystyimme tarkistamaan ensimmäisen merkintävalintamme kahdesti - oliko kyseessä geometrinen muodonmuutos vai pikemminkin väärä positiivinen tulos? Oliko kyseessä uudelleen pinnoituksen puute vai tallennusongelmia? 

Kehitysprosessin avaaminen ulkopuolisille asiantuntijoille on keskeistä erityisesti silloin, kun hallinnoidaan uutta ja innovatiivista teknologiaa. Tämän haasteen avulla AMEXCI osoitti, että on mahdollista kerätä kollektiivista älykkyyttä, jotta voidaan edistää tekoälyn soveltamista additiiviseen valmistukseen, jossa alun perin alan perustotuuden puutetta voidaan pitää merkittävänä esteenä. Samalla tämä avoin lähestymistapa varmisti, että AMECXI:ssä tuotettu tietämys leviää takaisin tutkimuslaitoksiin ympäri Eurooppaa, jotta varmistetaan alan edistyminen tulevina vuosina.

Haluamme lisätä yritysten tietoisuutta yhteistyön eduista suurimpien haasteiden voittamiseksi tämän esimerkin avulla, jossa tekoälyä sovelletaan AM:ään. On tarpeen kannustaa vauhdittamaan kollektiivista tiedontuotantoa, tietojen yhteistyötä ja vaihtoa sekä yritysten että tutkimusyksiköiden välillä. Me AMEXCI:ssä uskomme vahvasti luottamuksen ekosysteemien rakentamiseen yhteistyön lisäämiseksi , kuten lähes vuosi sitten käynnistämämme Rosetta-protokolla tietojen jakamiseksi AM-käyttäjien kesken osoittaa. Kun olemme luoneet tämän dynamiikan tietojen jakamista varten, haluamme nyt edistää mahdollisen vapaaehtoisen merkintäjärjestelmän luomista additiivisen valmistuksen alalla. Liity joukkoomme ja ota yhteyttä osoitteeseen maud.chidiac@amexci.com, jos sinulla on samoja haasteita!