Στο πλαίσιο της 4ης και 5ης βιομηχανικής επανάστασης, η προσθετική κατασκευή προσφέρει τη δυνατότητα παραγωγής προϊόντων με σύνθετες γεωμετρίες· και σε συνδυασμό με την τεχνητή νοημοσύνη, δημιουργεί νέες προοπτικές και νέα μοντέλα παραγωγής για τις σύγχρονες βιομηχανίες.
Γράφουν οι κ. Δ. Μούρτζης και Δ. Τσάκαλος*
Η βιομηχανική παραγωγή έχει μετασχηματιστεί στην εποχή της Βιομηχανίας 4.0 (Industry 4.0). Ψηφιακές τεχνολογίες όπως τα ψηφιακά δίδυμα (Digital Twins), τα κυβερνοφυσικά συστήματα (Cyber-Physical Systems) και η τεχνητή νοημοσύνη (Artificial Intelligence [AI]) έχουν ενσωματωθεί στην παραγωγική διαδικασία με σκοπό τη βελτίωση της παραγωγικότητας των συστημάτων [1].
Εκτός από τις ψηφιακές τεχνολογίες έχουν εμφανιστεί και νέες μορφές διεργασιών παραγωγής, με κυριότερη ανάμεσά τους την προσθετική κατασκευή (Additive Manufacturing), η οποία ορίζεται ως η διαδικασία παραγωγής βιομηχανικών προϊόντων με τη σύνδεση στρωμάτων (layers) υλικού σύμφωνα με τρισδιάστατα μοντέλα αντικειμένων. Συχνά αναφέρεται και ως τρισδιάστατη εκτύπωση (3D Printing)· ωστόσο ο όρος αυτός δεν περιγράφει πλήρως τις διαφορετικές υπάρχουσες προσθετικές διεργασίες [2].
Στο πλαίσιο της Βιομηχανίας 5.0 (Industry 5.0) και της ανθρωποκεντρικής, βιώσιμης και ανθεκτικής παραγωγής, η προσθετική κατασκευή προσφέρει τη δυνατότητα παραγωγής μεγάλης ποικιλίας προϊόντων με διαφορετικές ιδιότητες και γεωμετρίες. Χρησιμοποιεί μόνο την απαραίτητη ποσότητα υλικού, μειώνοντας τα απόβλητα, και υποστηρίζει την παραγωγή περισσότερο εργονομικών προϊόντων, καθώς και κομματιών ελαφρών κατασκευών και εφαρμογών εμβιομηχανικής.
Ωστόσο, παρά την εξέλιξη των τελευταίων χρόνων [2], οι προσθετικές διεργασίες παραμένουν σύνθετες και επηρεαζόμενες από πολλούς παράγοντες, γεγονός το οποίο απαιτεί τη βαθύτερη κατανόησή τους. Αναλυτικές διαδικασίες δεδομένων (Data Analytics) και αλγόριθμοι τεχνητής νοημοσύνης εφαρμόζονται με σκοπό τον έλεγχο των προσθετικών διεργασιών, τη μείωση της απώλειας υλικού λόγω σφαλμάτων, καθώς και τη βελτίωση της ποιότητας των παραγόμενων προϊόντων [3].
Προσθετική κατασκευή
Η προσθετική κατασκευή επηρεάζεται από πολλούς διαφορετικούς παράγοντες, όπως είναι μεταξύ άλλων η παρεχόμενη ισχύς, το υλικό και η ταχύτητα εκτύπωσης. Τα δεδομένα των προσθετικών διεργασιών είναι ποικιλόμορφα και προέρχονται από πολλούς διαφορετικούς αισθητήρες με διαφορετικά χαρακτηριστικά. Συνεπώς, σε περίπτωση αστοχίας κατά την κατασκευή, καθίσταται ιδιαίτερα δύσκολο να διευκρινιστεί ο κρίσιμος παράγοντας επίδρασης.
Μέσω αλγορίθμων μηχανικής μάθησης –όπως είναι η γραμμική και λογιστική παλινδρόμηση, η βαθιά μάθηση (νευρωνικά δίκτυα πολλαπλών επιπέδων) και οι αναλυτικές διαδικασίες– ανιχνεύονται μοτίβα της παραγωγής, και σε συνδυασμό με τα δεδομένα των ρυθμιζόμενων παραμέτρων δημιουργείται πληροφορία. Επιπλέον, ανιχνεύονται σημεία διαταραχής της παραγωγής, όπως αφύσικα υψηλές τάσεις και θερμοκρασίες. Οι πληροφορίες αυτές υφίστανται συνδυαστική επεξεργασία, ώστε να προσφερθεί στοχευμένη γνώση ως προς την εκάστοτε παραγωγική διαδικασία [3].
Παρακολούθηση αισθητήρων προσθετικής κατασκευής.
Έλεγχος προσθετικής διεργασίας
Η τεχνητή νοημοσύνη έχει εφαρμοσθεί στον έλεγχο προσθετικών διεργασιών σε διαφορετικές συνθήκες. Στην περίπτωση που περιγράφεται στη συνέχεια [4] χρησιμοποιείται ένα ρομπότ Yaskawa GP225, το οποίο είναι τοποθετημένο στο δάπεδο, έχει ωφέλιμο φορτίο 225 kg και 6 άξονες κίνησης, απαιτεί τροφοδοσία ισχύος 5 kVA και η ταχύτητά του κυμαίνεται από 97 έως 220°/s.
Η κεφαλή προσθετικής κατασκευής είναι μια Meltio Engine Robot Integration και είναι εξοπλισμένη με έξι διόδους λέιζερ ισχύος 200 W η καθεμία. Έχει τροφοδοσία 400 V και κατανάλωση ισχύος 2-5 kW, είναι εγκατεστημένη σε ασφαλισμένο ελεγχόμενο θάλαμο και περιλαμβάνει ενεργή υδρόψυξη.
Η κεφαλή διαθέτει αρκετούς ενσωματωμένους αισθητήρες. Ο πρώτος είναι μια εξωτερικά προσαρμοσμένη κάμερα, η οποία παρέχει εικόνες της περιοχής τήξης και αποθηκεύει 10 ασπρόμαυρες εικόνες ανά δευτερόλεπτο, οι οποίες μπορούν να αναλυθούν με εξειδικευμένο λογισμικό για τον εντοπισμό ανωμαλιών.
Ο δεύτερος αισθητήρας παρακολουθεί τη σταθερότητα της τροφοδοσίας του σύρματος, την ισχύ, την πίεση, και τη ροή του αδρανούς αερίου, και αποτελεί εργοστασιακό εξάρτημα της κεφαλής Meltio. Τα δεδομένα αυτά μπορούν να αποθηκεύονται σε αρχείο .csv, μαζί με τα δεδομένα των διαστάσεων της περιοχής τήξης. Τέλος, υπάρχει μία δυναμοκυψέλη, η οποία παρακολουθεί την τάση του σύρματος κατά τη διάρκεια της τροφοδοσίας του (βλέπε σχήμα 1).
Τα δεδομένα τα οποία εξάγονται από τη διαδικασία υπόκεινται αρχικά σε καθαρισμό και κανονικοποίηση. Στη συνέχεια, μέσω των κατάλληλων πρωτοκόλλων επικοινωνίας τροφοδοτούν ένα μοντέλο μηχανικής μάθησης λογιστικής παλινδρόμησης, το οποίο είναι εγκατεστημένο σε έναν κεντρικό υπολογιστή. Το μοντέλο αυτό εκπαιδεύεται ώστε να αναγνωρίζει περιπτώσεις στις οποίες μία στρώση του υλικού δε συνδέθηκε σωστά, ώστε να προβλέπει την αποτυχία του κομματιού.
Η επιτυχία του συγκεκριμένου μοντέλου έγκειται στο γεγονός ότι μπορεί να αναγνωρίσει σωστά μεγάλο ποσοστό των εσφαλμένων περιπτώσεων, ενώ ταυτόχρονα δεν αναγνωρίζει ποτέ ως λανθασμένη μία σωστή διεργασία. Συνεπώς, κομμάτια τα οποία πρόκειται να αποτύχουν απομακρύνονται νωρίς από την παραγωγή, μειώνοντας κατά πολύ το χαμένο χρόνο και το κόστος.
Συμπεράσματα και προοπτικές
Η προσθετική κατασκευή διαθέτει τα απαιτούμενα χαρακτηριστικά ώστε να υποστηρίξει την παραγωγή εξατομικευμένων (customized) προϊόντων στο πλαίσιο της Βιομηχανίας 5.0. Ωστόσο, η αξιοπιστία και ο έλεγχος των παραγωγικών διεργασιών απαιτούν τη χρήση εξελιγμένων εργαλείων τεχνητής νοημοσύνης και αναλυτικών διαδικασιών δεδομένων.
Μελλοντικά, στο πλαίσιο της προσθετικής κατασκευής εισέρχεται και η παραγωγική τεχνητή νοημοσύνη (Generative AI), μέσω της οποίας θα μπορούν να δημιουργούνται σε πολύ μικρό χρόνο πολλαπλά εναλλακτικά σχέδια μιας οικογένειας κομματιών και να πραγματοποιείται παράλληλα ο χρονοπρογραμματισμός και η παραμετροποίηση των διεργασιών (process plan).
Βιβλιογραφία
[1] Mourtzis D, Introduction. Manufacturing from Industry 4.0 to Industry 5.0 – Advances and Applications, Elsevier, 2024. https://doi.org/10.1016/b978-0-443-13924-6.00001-6. [2] Mourtzis D & Stavropoulos P, Post-processing Methods for Additive Manufactured Parts. Springer Handbook of Additive Manufacturing, Springer Handbooks, Springer Nature Switzerland AG, 2023. https://doi.org/10.1007/978-3-031-20752-5_49. [3] Mourtzis D, Stavropoulos P, Pei E, From data collection to advanced analytics and wisdom creation in manufacturing processes. Manufacturing from Industry 4.0 to Industry 5.0 – Advances and Applications, Elsevier, 2024. https://doi.org/10.1016/b978-0-443-13924-6.00014-4. [4] Tsakalos D, Krimpas GA, Mourtzis D, Digital twin for early-stage fault detection in a hybrid manufacturing cell, Digital Twin, https://doi.org/10.1080/27525783.2026.2622705.
*Ο κ. Δημήτρης Μούρτζης είναι καθηγητής και διευθυντής του Εργαστηρίου Συστημάτων Παραγωγής και Αυτοματισμού του Τμήματος Μηχανολόγων και Αεροναυπηγών Μηχανικών στο Πανεπιστήμιο Πατρών. O κ. Δημήτρης Τσάκαλος είναι μηχανολόγος μηχανικός και μέλος του Εργαστηρίου Συστημάτων Παραγωγής και Αυτοματισμού του Τμήματος Μηχανολόγων και Αεροναυπηγών Μηχανικών στο Πανεπιστήμιο Πατρών.
