تطوير توأم رقمي قائم على الذكاء الاصطناعي لمراقبة الجودة التنبؤية في عمليات الطباعة ثلاثية الأبعاد

الملخص

يمكن للتصنيع الإضافي إنتاج أجزاء معقدة، ومع ذلك فإن جودة الطباعة غالباً ما تتغير بين دورة تشغيل وأخرى. فالأخطاء أو التغيرات الطفيفة في درجات الحرارة، أو السرعة، أو المادة، أو إعدادات الطبقات قد تتسبب في أسطح خشنة وأجزاء ضعيفة. تطور هذه الورقة البحثية توأماً رقمياً قائماً على الذكاء الاصطناعي لمراقبة الجودة التنبؤية في الطباعة ثلاثية الأبعاد. يدمج التوأم بين بيانات الآلة، وإعدادات العملية، ونماذج الجودة، وقرارات المشغل داخل نظام واحد متزامن؛ حيث يتنبأ بخشونة السطح، وقوة الشد، والاستطالة قبل إجراء الفحص النهائي.

وقد وفرت مجموعة بيانات عامة لبثق المواد اختباراً عملياً؛ حيث تحتوي مجموعة البيانات هذه على 70 دورة طباعة من طابعة من نوع (Ultimaker S5)، وتتضمن تسع إعدادات للعملية وثلاث نتائج جودة مقاسة. تم استبعاد سجل واحد غير صالح قبل تدريب النماذج. جرى تقييم كل من انحدار ريدج (Ridge regression)، والغابة العشوائية (Random forest)، وتعزيز التدرج (Gradient boosting)، والأشجار الإضافية (Extra trees). كما استُخدم التحقق المتبادل المتكرر الخماسي (Repeated five-fold cross-validation) لتقليل الاعتماد على تقسيم واحد ملائم للبيانات.

حقق نموذج "تعزيز التدرج" (Gradient boosting) أدنى متوسط خطأ معياري عبر النتائج الثلاثة؛ حيث بلغ معامل التحديد (R²) خارج العينة (Out-of-fold) 0.90 للخشونة، و0.53 لقوة الشد، و0.54 للاستطالة. كما بلغت قيم متوسط الخطأ المطلق 21.49 ميكرومتر، و4.50 ميجاباسكال، و0.39% على التوالي. وحوّل اختبار إعادة التشغيل (Replay test) هذه التنبؤات إلى تنبيهات جودة بسيطة، حيث وصلت دقة منطق التنبيه المتوازنة إلى 79.1% تحت حدود قبول توضيحية.

تظهر النتائج قيمة تنبؤية مفيدة، لكنها لا تثبت الجاهزية الصناعية التامة؛ إذ لا تزال هناك حاجة إلى مجموعات بيانات أكبر، وتدفقات بيانات المستشعرات، وحدود عدم اليقين، والتحقق الخاص بكل طابعة. يقدم الهيكل المقترح مساراً عملياً للانتقال من التعلم الآلي غير المتصل بالإنترنت (Offline) نحو مراقبة جودة آمنة، وقابلة للتتبع، وذات حلقة مغلقة.(Closed-loop)