米乐m6官方网站 (AIST) 制造技术研究部成形材料加工研究组研究员 Shiori Gondo 和技术人员 Hirohiko Arai 开发了一项技术，该技术利用 AI 即时确定旋压过程中滚轮的最佳运动路径（以下简称“滚轮路径”），其中包括将单块金属板成型为三维形状。它可以在短时间内轻松成型，使三维形状的高度和厚度达到所需的尺寸。
旋压是一种加工方法，其中将辊压在旋转金属板的一部分上，使其逐渐变形并形成三维形状。其他如按塑料加工不同该方法仅用模具即可成型最终形状，因此在快速产品原型制作和多品种、多批量生产等情况下非常有用。然而，产品的高度和厚度等尺寸会根据滚轮的移动方式而发生很大变化，因此为了达到所需的尺寸，需要通过反复试验反复确定滚轮路径，这需要大量的时间和精力。新开发的技术使用少量数据来确定滚子路径和尺寸之间的关系。神经网络并且，迭代解决方案的计算技术，可以立即确定最佳滚子路径以实现特定的目标规格。这使得加工能够在单个成型过程中实现所需的尺寸。让人工智能学习少量数据并逆向计算以根据目标规格找到最佳加工条件的方法响应速度很快，有望应用于多种原材料加工方法。
此结果的详细信息将于 2022 年 1 月 12 日公布智能制造学报
基于少量学习数据利用AI确定最佳滚轮运动路径（滚轮路径）
少子老龄化导致的劳动力短缺是所有工业领域的社会问题。材料领域也不例外，技术和知识的传承以及人力资源的培养是支持制造现场的中小企业的主要课题。在这种情况下，DX（数字化转型）寄予厚望，制造业数字化正在被推进为智能制造。然而，在材料行业的各个工序中，生产前确定加工条件是由经验丰富的人员依靠过去的经验和直觉通过试错来进行的，是一个很难主动数字化的过程。因此，可以说，确定加工条件的过程是整个制造DX的瓶颈（图1）。
虽然过去有建立输入和输出加工条件和成型产品特性的人工智能模型的案例，但目前的情况是它们仅预测输出。因此，为了确定最佳加工条件，需要向模型提供大量输入，并根据输出值是否与目标值大致相同来进行判断，这在劳动力短缺的环境下并不实用。此外，在许多情况下，只针对一种输出，无法同时满足多种所需规格。此外，传统的人工智能模型需要大量的训练数据，而提前准备这些数据的过程在小规模生产现场是不现实的。随着对多品种、可变批量生产的需求增加，需要一种能够同时满足多种所需规格并使用少量学习数据立即确定最佳加工条件的技术。
图1 材料行业整体制造业DX的瓶颈情况
AIST的制造技术研究部门一直致力于开发根据物联网和人工智能获得的数据积极进行设计、加工和评估的制造技术，旨在以更少的劳动力创造高附加值，并提供满足社会和人们需求的功能。例如，我们正在进行旋压加工技术的研发。
旋压加工是一种将滚筒压在旋转的金属板上，使其依次变形的加工方法（图2）。到目前为止，我们开发了一种新的旋压加工技术（3D旋压），利用旋压加工的机器人控制技术，利用产品尺寸由滚道和转速等许多加工条件决定的事实，可以形成不规则的横截面形状（AIST 主要研究成果，2008 年 9 月 29 日）。近年来，我们还从材料结构的角度阐明旋压过程中的变形机制，旨在通过罗拉的灵活运动来通过结构控制来创造功能性。通过这种方式，我们寻求通过旋压加工与其他技术和学术领域的跨学科合作来提高旋压加工的复杂程度。然而，为了将产品加工成特定的目标尺寸，需要多次在不同条件下制作原型，以感受条件变化和尺寸变化的趋势，这需要花费大量的精力和时间。为了缓解这些问题，已经进行了研究以了解加工条件和产品尺寸之间的关系，但还不可能广泛地了解众多加工参数的影响。这样，旋压加工在确定加工条件时依赖于试错仍然是一个难以解决的问题。
图2纺纱过程
这一次，我们重点关注人工智能作为解决这一问题的方法。然而，为了与现有的基于人工智能的处理技术开发区分开来，我们专注于开发工人可以轻松操作并支持他们工作的人工智能工具，并考虑到中小企业等小型生产现场。具体来说，我们假设使用一个简单的模型来表达投入产出关系，其中工人操作的参数为输入，观察目标（在本研究中为产品多个部分的厚度）为输出。
- 支持使用少量数据构建模型
- 执行优化并能够确定操作参数的具体值以实现所需的板厚度
以此为技术目标，我们进行了研发。
在这项研究中，我们在 35 种不同的条件下将金属板成型为杯子形状，并使用这少量数据构建了一个神经网络模型，以加工过程中的滚子路径作为输入层，以实际加工的杯子的高度和高度方向上三个点的板厚作为输出层。根据该模型，我们使用一种称为迭代求解的计算技术来找到实现目标杯高度和板厚度分布的最佳滚子路径（图 3）。用于构建模型的大多数数据表明，板的厚度在高度方向上不是恒定的，但当使用迭代求解方法确定的滚子路径进行实际处理时，可以形成板，使得高度方向上的厚度分布恒定在10毫米，误差小于01毫米（图4）。通过这种方式，我们开发了一种技术，可以立即确定最佳加工条件以同时实现多个输出，从而可以在单个过程中将产品成型为所需的尺寸。
该技术无需大量数据即可使用少量数据构建模型，优化构建的模型，并轻松计算出实现所需板厚的操作参数的具体值。一般来说，人们的印象是，“制造现场的DX”需要确保和培训具有加工技术和人工智能专业知识的人力资源，而且必要设备的初始投资很高，因此制造现场往往会犹豫是否引入DX。相比之下，该技术是一种高度通用的工作支持人工智能工具，对于想要尝试轻松且低成本地对制造现场进行 DXing 的公司来说，易于引入和处理，包括后续操作，尤其是确定加工条件的过程。
图3 使用该方法寻找最佳滚子路径的流程
图4 使用确定的最佳滚子路径实现恒定的板厚
在扩大旋压加工中使用的材料和模具的尺寸和材料的同时，我们将继续开发灵活的模型，以适应日益复杂的目标形状和滚子路径。同时，我们也会尝试在制造现场落地，开发出更贴合制造现场的模式。此外，这一结果不仅可以应用于旋压加工，还可以应用于其他形式和材料的加工技术。通过产学官的合作，我们将把这一成果应用到其他加工方法中，发展数据驱动的制造。我们希望积极支持那些想要轻松且廉价地尝试确定加工条件过程的 DX 的公司。
已出版的杂志：智能制造学报
论文标题：路径参数对多道次常规纺丝形成的圆柱杯厚度分布的影响和控制
作者：权藤诗织、荒井弘彦
DOI：101007/s10845-021-01886-w