nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

herausgeber: lrst

[neue zhiyuan-einführung] forschungsteams der chinesischen universität hongkong und anderer institutionen haben durch deep reinforcement learning (dqn) einen 3d-druckpfadplaner entwickelt, der die druckeffizienz und -genauigkeit effektiv verbessert und einen neuen weg für die intelligente fertigung eröffnet.

mit der rasanten entwicklung der 3d-drucktechnologie ist die erzeugung effizienter und präziser druckpfade auf komplexen geometrien zu einer der größten herausforderungen geworden, die ihre weit verbreitete anwendung einschränkt.

kürzlich haben forschungsteams der university of manchester, der boston university und der chinese university of hong kong gemeinsam auf der siggraph aisa 2024 einen innovativen, auf deep reinforcement learning (dqn) basierenden pfadplaner vorgeschlagen, der optimierte pfade auf diagrammen mit einer vielzahl unterschiedlicher werte generieren kann der 3d-druckpfad verbessert die effizienz und genauigkeit des druckprozesses erheblich.

link zum papier: https://arxiv.org/pdf/2408.09198

projektlink: https://rl-toolpath-planner.github.io/

beim 3d-druck kann das pfadplanungsproblem als das finden des optimalen pfads zwischen einer folge von knoten in einem bestimmten diagramm betrachtet werden. die komplexität dieses problems liegt nicht nur in den unterschiedlichen graphstrukturen verschiedener modelle, sondern auch in der großen anzahl von knoten und kanten im graphen.

herkömmliche methoden wie brute-force-suche und heuristische algorithmen sind aufgrund der hohen rechenkomplexität normalerweise schwierig, die globale optimale lösung in kurzer zeit bereitzustellen. die in dieser studie vorgeschlagene dqn-optimierungsstrategie erstellt jedoch dynamisch einen lokalen suchgraphen (lsg). . und führen sie darin eine pfadauswahl durch, was die rechenkomplexität erheblich reduziert und eine echtzeit-pfadplanung bei der verarbeitung von diagrammen mit tausenden von knoten ermöglicht.

methodeninnovation und technologischer durchbruch

die kerninnovation dieses wegeplaners liegt in seiner flexibilität und anpassungsfähigkeit. das forschungsteam hat einen ausgeklügelten algorithmus entwickelt, um den lokalen suchgraphen in einen zustandsraum zu kodieren, sodass bei ähnlichen konfigurationen zuvor erlernte dqn-richtlinien wiederverwendet werden können, was die berechnung der pfadplanung weiter beschleunigt.

der planer kann sich an eine vielzahl von 3d-druck-anwendungsszenarien anpassen, indem er verschiedene belohnungsfunktionen definiert, darunter drahtgitterstrukturdruck, endlosfaserdruck und metallpulverbett-fusionsdruck.

bei physikalischen experimenten zeigte der planer hervorragende leistungen. beim drahtgitterstrukturdruck konnten die forscher erfolgreich ein modell mit bis zu 4.200 säulen drucken, wobei die verformung innerhalb von 1 mm kontrolliert wurde.

beim endlosfaserdruck können mit dieser methode mehr als 93 % der scharfen winkelbiegungen effektiv vermieden werden, was die druckqualität erheblich verbessert. durch eine optimierte pfadplanung wird die thermische verformung um fast 25 % reduziert, was die qualität des drucks erheblich verbessert gedruckte teile.

technische details

in dieser studie schlug das forschungsteam eine flexible strategie für verstärktes lernen durch diversifizierte diagrammpfadplanung vor, um verschiedene herausforderungen beim 3d-druck zu bewältigen. in der spezifischen implementierung verwenden sie ein deep-q-netzwerk (dqn) als optimierer, um den nächstbesten zu besuchenden knoten zu bestimmen.

diese strategie verbessert die effizienz der pfadplanung erheblich, indem ein lokales suchdiagramm erstellt und historische daten zur beschleunigung der berechnungen verwendet werden. um die leistung des modells weiter zu verbessern, haben die forscher einen algorithmus entwickelt, der lokale suchdiagramme unter ähnlichen konfigurationen identifizieren kann, sodass zuvor erlernte dqn-richtlinien wiederverwendet werden können. diese technik beschleunigt nicht nur die pfadberechnung, sondern ermöglicht auch den flexiblen einsatz der methode in verschiedenen 3d-druckanwendungen.

experimentelle verifizierung und breite anwendung

um die tatsächliche wirkung dieser methode zu überprüfen, führte das forschungsteam physikalische experimente an verschiedenen modellen durch, die eine vielzahl von grafiktypen abdeckten, von einfacher geometrie bis hin zu komplexen strukturen. experimentelle ergebnisse zeigen, dass der pfadplaner unabhängig davon, ob es sich um eine drahtgitterstruktur, eine endlosfaser oder einen metalldruck handelt, optimale pfade generieren kann, die den fertigungsanforderungen entsprechen und die berechnungszeit erheblich verkürzen.

beispielsweise betrug in einem experiment die gesamte pfadplanungszeit für die verwendung des planers zur erstellung eines komplexen drahtgittermodells nur 2,05 stunden, während die zeit zum drucken des gesamten modells 6,67 stunden betrug. im gegensatz dazu erfordern herkömmliche brute-force-suchmethoden hunderte von stunden rechenzeit, selbst wenn sie nur innerhalb eines lokalen suchbereichs durchgeführt werden.

das forschungsteam stellte außerdem fest, dass dieser lernbasierte ansatz neue möglichkeiten für die zukünftige 3d-drucktechnologie eröffnet. durch die einführung von reinforcement learning stützt sich die pfadplanung nicht mehr ausschließlich auf voreingestellte regeln oder heuristische algorithmen, sondern kann sich anhand der tatsächlichen druckbedingungen selbst anpassen und optimieren. dies verbessert nicht nur die erfolgsquote beim drucken, sondern reduziert auch materialverschwendung und das risiko von druckfehlern.

ausblick

der erfolg dieser forschung markiert einen wichtigen meilenstein auf dem gebiet der 3d-druck-pfadplanung. der auf deep learning basierende pfadplaner bietet nicht nur eine effiziente lösung für den druck komplexer geometrischer strukturen, sondern legt auch den grundstein für die entwicklung zukünftiger intelligenter fertigungssysteme.

das forschungsteam plant, den anwendungsbereich dieser methode in zukunft weiter zu erweitern, einschließlich der erforschung ihres potenzials in bereichen wie multimaterialdruck und mikromaßstabsdruck. darüber hinaus hoffen die forscher, durch die kombination fortschrittlicherer modelle des maschinellen lernens und optimierungsalgorithmen die effizienz und genauigkeit der pfadplanung weiter zu verbessern und eine stärkere technische unterstützung für die industrielle produktion und wissenschaftliche forschungsanwendungen bereitzustellen.

insgesamt liefert die anwendung lernbasierter, diversifizierter grafischer pfadplaner im 3d-druck neue ideen und werkzeuge zur lösung komplexer fertigungsprobleme und wird voraussichtlich in zukunft in hochpräzisen bereichen wie intelligenter fertigung, luft- und raumfahrt und medizinischer ausrüstung eingesetzt . wichtige rolle.