LA RICERCA BMW ESPLORA IL VALORE DELL’INTELLIGENZA ARTIFICIALE PER L’IDENTIFICAZIONE AUTOMATIZZATA DELLE PARTI AM NEL SETTORE AUTOMOBILISTICO
Con il time-to-market nell’industria automobilistica in costante diminuzione, la domanda di componenti di prototipazione prodotti con additivi è più alta che mai. Tuttavia, per rendere tangibili volumi stampati in 3D più grandi, le catene di processo devono ancora essere ottimizzate e ulteriormente sviluppate per quanto riguarda la quantità di output, la velocità di produzione e la redditività economica, secondo un nuovo studio della multinazionale automobilistica tedesca BMW .
Avendo identificato la necessità di ottimizzare e aumentare ulteriormente l’efficienza delle tecnologie di produzione additiva e delle loro catene di processo, BMW ha condotto ricerche sulla complessità e sul valore economico dell’intelligenza artificiale (AI) per l’identificazione automatizzata delle parti stampate in 3D.
Il documento delinea lo stato di avanzamento delle attuali catene di processi di produzione additiva disponibili, le complessità dell’utilizzo dell’intelligenza artificiale per il riconoscimento delle parti e la fattibilità economica dell’utilizzo di piattaforme basate sull’intelligenza artificiale come AM-VISION, un sistema di riconoscimento automatico delle parti di apprendimento automatico di La società olandese di stampa 3D, post-elaborazione e automazione AM-Flow , per industrializzare ulteriormente le catene di processo di stampa 3D complessive.
Il documento di ricerca, che è stato compilato dagli autori di BMW, AM-Flow e dell’Università di Duisburg-Essen (UDE), evidenzia come il progresso tecnologico della produzione additiva stia consentendo velocità di produzione più elevate, una maggiore scelta di materiali e proprietà meccaniche robuste regolabili all’interno parti che assomigliano a quelle dei prodotti convenzionali. Di conseguenza, la tecnologia viene sempre più adottata in settori come quello automobilistico per facilitare nuovi casi d’uso nel campo dei test e della convalida dei componenti dei veicoli.
Le maggiori libertà geometriche consentite dalla stampa 3D hanno permesso di produrre nuove strutture, forme e componenti altamente personalizzati e individualizzati in serie, hanno affermato i ricercatori, con la possibilità di una produzione su larga scala che fornisca just-in-time alle linee di assemblaggio emergenti.
Tuttavia, hanno identificato che le catene di processi di produzione additiva necessitano ancora di ulteriore ottimizzazione e sviluppo per aumentare la quantità di output, la velocità di produzione e diventare economicamente sostenibili. Secondo lo studio, le catene di processo di molte tecnologie di stampa 3D attualmente disponibili includono ancora una grande quantità di lavoro e passaggi ad alta intensità di manodopera, portando a costi elevati del personale e a una minore produttività del prodotto. Ciò può anche portare a colli di bottiglia e tempi di fermo nell’intera catena di processo.
I ricercatori hanno osservato uno spostamento verso l’automazione e l’industrializzazione nel settore della produzione additiva per affrontare questi problemi, evidenziato da nuove tecnologie, brevetti applicati, partnership intersettoriali e progetti finanziati dal governo. Sottolineano inoltre che si prevede che il mercato complessivo dell’automazione della produzione additiva crescerà del 23% fino a un potenziale fatturato di $ 15 miliardi entro questo decennio.
Secondo gli autori, le attuali catene di processi di produzione additiva raggiungono un limite di produttività per grandi volumi di produzione a causa della capacità della macchina, del tempo di esecuzione e delle fasi di post-elaborazione, nonché delle operazioni manuali come la pulizia, la preparazione e il caricamento della macchina. Una di queste operazioni manuali individuate appositamente dai ricercatori è l’identificazione e l’assegnazione al cliente dei componenti mediante etichettatura dei componenti per l’ulteriore trasporto logistico.
Anche se l’identificazione delle parti è una piccola parte nell’intera catena di processo, è comunque una fase del processo che non si ridimensiona e richiede un’elevata quantità di lavoro manuale rispetto ad altre fasi come il raffreddamento. Utilizzando la tecnologia Multi Jet Fusion (MJF) di HP come esempio, i ricercatori hanno osservato che per ottenere il minor costo per parte, i componenti sono spesso annidati strettamente con il supporto di software specializzato. Ciò porta a lotti con una grande quantità di parti diverse in un unico lavoro di costruzione, il che significa che la tracciabilità dei singoli componenti può andare persa e l’assegnazione agli ordini dei clienti deve essere eseguita dopo la produzione, che in genere è un passaggio manuale.
Attualmente sono disponibili diversi metodi in grado di riconoscere automaticamente i componenti in base alla geometria, come pesatura, scansione di nuvole di punti, riconoscimento di immagini e tomografia computerizzata. Tuttavia, ciascuna di queste tecniche ha i suoi svantaggi in termini di precisione e costo. L’innovazione nel campo dell’IA, tuttavia, ha reso possibile la necessaria combinazione di flessibilità e automazione grazie allo sviluppo di algoritmi di deep learning che imitano il pensiero strategico umano, hanno affermato i ricercatori.
L’intelligenza artificiale è già da tempo utilizzata nel settore della stampa 3D per lo screening dei componenti , la generazione di progetti complessi e il monitoraggio del controllo di qualità . Nonostante ciò, i ricercatori affermano che fino ad ora non esisteva sul mercato una soluzione automatizzata in grado di risolvere le complessità del riconoscimento automatizzato di componenti di diverse geometrie.
AM-VISION è un sistema industriale per l’identificazione di componenti prodotti con additivi basati sulla loro geometria unica. Il sistema è sviluppato da AM-Flow, uno dei vincitori del Formnext 2020 Start-Up Challenge , ed è il prodotto di punta delle offerte di software di stampa 3D e post-elaborazione dell’azienda.
AM-VISION utilizza il riconoscimento della forma 3D per consentire un’identificazione rapida e affidabile delle parti stampate in 3D in base alla loro geometria. Una volta identificate, queste parti possono essere smistate, movimentate, prelevate e trasportate dagli altri programmi software dell’azienda AM-SORT, AM-PICK e AM-ROUTE. A ottobre, la società ha raccolto $ 4 milioni in finanziamenti di serie A per sviluppare la sua suite di soluzioni di robotica basate sull’intelligenza artificiale e catalizzare un “cambiamento di passo” nell’automazione della stampa 3D .
I ricercatori hanno effettuato una serie di valutazioni sul sistema AM-VISION e hanno anche studiato la fattibilità economica del software. Studi di test su lavori di costruzione contenenti un elevato mix di geometrie hanno dimostrato che il sistema ha risparmiato tempo durante l’identificazione e l’etichettatura, con componenti in grado di essere elaborati il 50% più velocemente rispetto al funzionamento manuale.
Valori di input per confrontare l’identificazione dei componenti manuale e automatizzata. Immagine tramite Philip Obst.
Integrando le impostazioni finali della macchina nella linea di produzione con un nastro trasportatore automatico unidirezionale, AM-Flow stima che il tempo di elaborazione possa essere migliorato tra le sei e le dieci volte, mentre il tasso di riconoscimento dei componenti è compreso tra l’80 e il 95 percento se il build job contiene un’elevata diversità di geometrie.
Tuttavia, studi su pannelli che differivano solo per motivi finemente goffrati e incisi su una superficie hanno mostrato che l’intelligenza artificiale non è ancora sufficiente per la differenziazione su quella scala. Pertanto, i ricercatori hanno suggerito che il business case per l’identificazione guidata dall’intelligenza artificiale delle parti stampate in 3D dipende da fattori come le parti prodotte al giorno, i costi di guasto, l’equivalente a tempo pieno e i costi di manodopera, al fine di calcolare un confronto dei costi con le operazioni manuali.
Le soluzioni hardware di AM-Flow sono progettate per scalare l’elaborazione post-produzione. Foto tramite AM-Flow.
Industrializzazione futura della catena di processo AM
Dal loro studio, i ricercatori hanno osservato che mentre il processo di produzione stesso è spesso digitale e automatizzato, è richiesta una “alta percentuale” di lavoro manuale nella fase di post-elaborazione. Hanno anche evidenziato che nuovi sviluppi e miglioramenti nell’aumento della quantità di output hanno portato a maggiori sforzi nell’identificazione dei componenti e l’implementazione dell’IA in questo spazio è stata finora efficace.
Lo studio ha confermato che il sistema AM-VISION di AM-Flow è in grado di eseguire un rilevamento affidabile di oggetti di componenti prodotti ad alto contenuto di additivi basati su una rappresentazione parziale della geometria di una parte, il che ha comportato una riduzione del tempo di produzione e un conseguente risparmio sui costi. Detto questo, gli autori hanno sottolineato l’importanza di scegliere il giusto campo di applicazione per l’identificazione automatizzata, in quanto parti identiche, parti che differiscono solo leggermente e quelle prodotte in un volume troppo piccolo non sono ancora economicamente sostenibili per questa tecnologia.
Durante i test, il sistema AM-VISION ha sperimentato un miglioramento continuo del suo algoritmo di deep learning che ha aiutato a distinguere i componenti automobilistici a specchio. In futuro, l’utilizzo di nuvole di punti per misurare l’accuratezza dimensionale potrebbe aiutare a consentire il controllo di qualità automatizzato, così come la triangolazione laser, hanno suggerito i ricercatori. Con queste aggiunte, ritengono che i componenti delle serie stampate in 3D potrebbero essere identificati da modelli fini, numeri di serie o piccoli codici a matrice di dati codificati nella geometria.
I ricercatori hanno concluso: “L’attuale identificazione automatizzata disponibile di una miscela elevata ad alto volume con AM-VISION è già un altro passo verso una produzione AM su larga scala”.
Ulteriori informazioni sullo studio possono essere trovate nel documento intitolato: “Complessità e valore economico dell’intelligenza artificiale per il riconoscimento automatizzato e industrializzato di componenti prodotti con additivi”, . Lo studio è co-autore di P. Obst, W. Nasser, S. Rink, G. Kleinpeter, B. Szost, D. Rietzel e G. Witt.
