隨著汽車行業的飛速發展，對增材制造原型部件的需求比以往任何時候都高。然而，南極熊在德國跨國汽車公司——寶馬最近發表的一項研究中發現，為了使更大的3D打印量成為現實，AM工藝鏈仍然需要在產出數量、生產速度和經濟可行性方面進行優化和進一步發展。

在確定需要進一步優化和提高增材制造技術及其工藝鏈的效率后，寶馬公司對人工智能（AI）在自動識別3D打印部件方面的復雜性和經濟價值進行了研究。

本文概述了目前可用的增材制造工藝鏈的狀況、使用人工智能進行零件識別的復雜性，以及使用基于人工智能的平臺（如AM－VISION，荷蘭3D打印、后處理和自動化公司AM－Flow的自動機器學習零件識別系統）來進一步實現整個3D打印工藝鏈工業化的經濟可行性。

△寶馬集團內部的各部分AM組件。圖片來自Philip Obst。

汽車行業的AM工藝鏈

這篇研究論文由來自寶馬、AM－Flow和杜伊斯堡－埃森大學（UDE）的作者聯手編撰，強調了增材制造的技術進步是如何實現更高的生產速度、更多的材料選擇，以及在類似于傳統產品的部件中可供調整的強大機械性能。因此，AM技術正越來越多地被汽車等行業采用，以促進測試和驗證車輛部件領域的新用例。

研究人員說，3D打印所帶來的更大的幾何自由使他們有可能生產出具備新結構、形狀和高度個性化的系列部件，并提供了大規模生產向裝配線及時交付的可能性。

然而，他們發現增材制造工藝鏈仍然需要進一步優化和發展，以提高產出數量、生產速度，并在經濟上可行。根據該研究，目前許多可用的3D打印技術的工藝鏈仍然包括大量的勞動密集型工作和步驟，導致人員成本高，產品產量低，這也會導致整個工藝鏈的瓶頸和停工期。

研究人員觀察到，為了解決這些問題，增材制造領域正在向自動化和工業化轉變，新技術、應用專利、跨行業合作和政府資助的項目都是證明。他們還指出，整個增材制造自動化市場預計將在這十年內增長23％，潛在收入達150億美元。

用人工智能克服生產力極限

據作者介紹，由于機器容量、運行時間和后處理步驟，以及機器清潔、準備和上傳等手工操作，目前的增材制造工藝鏈在大生產量方面達到了生產率的極限。研究人員特別指出的這些手工操作之一是通過給部件貼標簽來識別和分配給客戶，以便進一步進行物流運輸。

盡管部件識別是整個工藝鏈中的一個小部分，但與冷處理等其他步驟相比，它仍然是一個不能擴展的工藝步驟，需要大量的手工作業。研究人員以惠普公司的Multi Jet Fusion（MJF）技術為例，觀察到為了實現每個零件的最低成本，在專業軟件的支持下，零件往往被緊密地嵌套。這就導致了在一次制造作業中出現大量不同的部件，這意味著單個部件的可追蹤性可能會丟失，而分配給客戶的訂單則需要在生產后完成，這通常是一個手動步驟。

目前有幾種方法可以根據幾何形狀自動識別部件，如稱重、云計算掃描、圖像識別和計算機斷層掃描。然而，這些技術在準確性和成本方面都各有其缺點。不過研究人員表示，由于模仿人類戰略思維的深度學習算法的發展，人工智能領域的創新已經使靈活性和自動化的必要結合變得可行。

一段時間以來，人工智能已經在3D打印領域被用于部件篩選、生成復雜的設計和監測質量控制。盡管如此，研究人員表示，到目前為止，市場上還沒有能夠解決不同幾何形狀的自動組件識別的復雜問題的自動化解決方案。

評估AM－VISION識別AM組件的情況

AM－VISION是一個工業系統，用于根據其獨特的幾何形狀識別增材制造的部件。該系統由Formnext 2020創業挑戰賽的獲勝者之一AM－Flow開發，是他們公司3D打印和后處理軟件產品的旗艦產品。

AM－VISION使用3D形狀識別，能夠根據幾何形狀快速、可靠地識別3D打印部件。一旦這些零件被識別，它們就可以被公司的其他軟件AM－SORT、AM－PICK和AM－ROUTE分類、處理、揀選和運輸。早在去年10月份，AM－VISION公司籌集了400萬美元的A輪融資，以建立其基于人工智能的機器人解決方案套件，并催化3D打印自動化的＂躍級變化＂。

研究人員對AM－VISION系統進行了一系列評估，還調查了該軟件的經濟可行性。對含有高幾何形狀組合的構建工作的測試研究證明，該系統在識別和標記過程中節省了時間，與人工操作相比，部件的處理速度提高了50％。

通過將生產線上的最終機器設置與自動單向傳送帶相結合，AM－Flow估計處理時間可以提高6到10倍，而如果構建作業包含高度多樣化的幾何形狀，部件的識別率則在80％到95％之間。

然而，對僅由一個表面上的精細壓花和雕刻圖案不同的面板的研究表明，人工智能還不足以在這種規模下進行區分。因此，研究人員建議，人工智能驅動的3D打印部件識別的商業案例取決于諸如每天生產的部件、故障成本、全時當量和勞動力成本等因素，以便計算出與人工操作的成本對比。

AM工藝鏈的未來產業化

從他們的研究中，研究人員觀察到，雖然生產過程本身通常是數字化和自動化的，但在后期處理階段需要高比例的手工工作。他們還強調，在增加產出數量方面的新發展和改進導致了在部件識別方面的更高努力，而迄今為止，在這一領域部署人工智能是有效的。

這項研究證實，AM－Flow的AM－VISION系統能夠根據零件幾何形狀的部分表示，對高混合增材制造部件進行可靠的對象檢測，這導致了吞吐時間的減少和隨后的成本節約。說到這里，作者強調了為自動識別選擇正確的應用領域的重要性，因為相同的零件、僅有細微差別的零件以及制造量太小的零件對這項技術來說還不具有經濟可行性。

在測試過程中，AM－VISION系統經歷了對其深度學習算法的不斷改進，這有助于區分鏡像反轉的汽車部件。研究人員建議，在未來，使用云計算來測量尺寸精度可以幫助實現自動質量控制，激光三角測量也可以。有了這些補充，他們相信3D打印的系列部件可以通過精細的圖案、序列號或編碼在幾何形狀中的小型數據矩陣代碼來識別。

研究人員總結說：＂目前可用AM－VISION進行大批量的自動識別，已經是向大規模的AM生產邁出的又一步＂。

關于這項研究的詳細信息可以在題為：＂Complexity andeconomical value of Artificial Intelligence for automated and industrializedrecognition of additive manufactured components＂的論文中找到。本研究由P． Obst， W． Nasser， S． Rink， G． Kleinpeter， B． Szost， D． Rietzel，and G． Witt共同撰寫。