Strojové učení v granulátovém 3D tisku: naučit se dokonalou parametrizaci

Jak nasazujeme modely strojového učení, abychom pro náročné materiály našli optimální parametrizaci – a proč vědomě sázíme na klasické ML místo generativní AI.

15. dubna 20266 min čteníStrojové učení
Strojové učení pro parametrizaci v granulátovém 3D tisku společnosti S2S-Systemdrucker GmbH

Strojové učení je ve společnosti S2S-Systemdrucker GmbH rozsáhlé a velmi specifické téma – a téma, které dokáže granulátový 3D tisk zásadně zefektivnit. V tomto příspěvku vysvětlujeme, jak nasazujeme modely strojového učení, abychom pro náročné materiály jako ferity, technické keramiky nebo směsi materiálů našli optimální parametrizaci – a proč náš přístup vědomě staví na klasickém strojovém učení místo na generativní AI.

Co je strojové učení – krátce vysvětleno

Velmi zjednodušeně funguje strojové učení takto: pomocí iterativních trénovacích smyček a matematických soustav rovnic se učí neuronová síť. Natrénovaná síť pak dokáže na základě libovolného počtu vstupních parametrů rozhodovat, respektive dodávat předpovědi – a to tím lépe, čím více kvalitních trénovacích dat má k dispozici.

Pro 3D tisk je to zajímavé právě tehdy, jde-li o úkol, který klasicky vyžaduje mnoho zkušeností, času a iterativních zkušebních sérií: o parametrizaci.

Výzva: každý materiál a každý požadavek je jiný

Typický projekt u nás začíná takto: firma se na nás obrátí a řekne: „Potřebujeme na tištěném dílu tyto a tyto vlastnosti a celé to musí vzniknout z tohoto konkrétního materiálu.“

Pak začíná naše vlastní práce: jak zařízení parametrizujeme? Jak nastavíme granulát, směs, výtlačné výkony? Právě v granulátovém tisku s technickými materiály je parametrický prostor obrovský – teploty, chování při výtlaku, poměry směsí a vlastnosti materiálu do sebe navzájem zasahují. Klasicky se k optimálnímu nastavení postupuje přes zkušební série. To funguje, ale stojí to čas a materiál.

Náš přístup: učit se z každého projektu

Tady nastupují naše modely strojového učení. Máme rostoucí poklad dat: uzavřené projekty, naši databázi materiálů, naši databázi parametrů. Na tomto základě trénujeme modely, které se právě tyto souvislosti učí.

V novém projektu to pak vypadá takto: modelu předáme vstupní parametry zákaznického projektu – požadované vlastnosti dílu, materiál, okrajové podmínky. Natrénovaný model tyto vstupy analyzuje a na základě svého tréninku navrhne parametrizaci: poměry směsí, výtlačné výkony a další procesní veličiny. Místo abychom začínali od nuly, startujeme s podloženým doporučením vycházejícím z dat – a cestu k optimálnímu nastavení tím podstatně zkracujeme.

Nebezpečí přeučení – a jak mu čelíme

Kdo pracuje se strojovým učením, musí znát a brát vážně jeden problém: přeučení (overfitting). Model se při něm trénovací data do jisté míry naučí nazpaměť, místo aby zobecnil souvislosti, které za nimi stojí. Důsledek: na známých datech dává vynikající výsledky, u nových, neznámých konstelací selhává. Právě u procesních dat z výroby, která přirozeně nejsou k dispozici v neomezeném množství, je toto nebezpečí reálné.

Proto jsme do svých trénovacích procesů od začátku zabudovali mechanismy, které přeučení brání – aby naše modely dodávaly spolehlivá doporučení i u nových kombinací materiálů a požadavků a nejen reprodukovaly minulost.

Důležité: klasické strojové učení místo generativní AI

Bod, na kterém nám záleží: strojové učení je sice formálně podoborem umělé inteligence – ale to, co zde nasazujeme, nemá nic společného s tím, co se dnes pod pojmem „AI“ většinou rozumí, tedy s jazykovými modely nebo generativní AI. Naše procesy strojového učení stojí na matematických vzorcích a jasně definovaných trénovacích postupech. Neuronová síť rozšiřuje své znalosti podél učicích křivek, které cíleně řídíme a přizpůsobujeme definovaným bodům.

Rozhodující rozdíl: proces máme v rukou. Chování modelů je doložitelné, trénink kontrolovaný, výsledky jsou reprodukovatelné. Pro průmyslové nasazení – kde je spolehlivost důležitější než efektní ukázky – je právě toto ten správný přístup.

Závěr

Strojové učení dělá z našich zkušeností z projektů aktivní nástroj: každý uzavřený projekt, každý datový bod z databáze materiálů a parametrů zlepšuje doporučení pro ten další. Pro naše zákazníky to znamená kratší rozběhové fáze, nižší spotřebu materiálu ve zkušebních sériích a rychleji reprodukovatelné výsledky – také a právě u náročných materiálů.

Máte projekt se speciálními požadavky na materiál? Ozvěte se nám – možná má náš model vhodnou parametrizaci už připravenou.