“virtual AI process expert”: AI และ Machine Learning ช่วยในการผลิตส่วนประกอบได้อย่างไร

นักวิทยาศาสตร์ที่สถาบันวิศวกรรมระบบยานยนต์: Vehicle Systems Engineering ของ KIT ได้พัฒนาโปรแกรมที่รวมการจำลองกระบวนการ: process simulation เข้ากับการเรียนรู้ของเครื่องจักร: machine learning และ AI ทำให้อัลกอริทึมสามารถจดจำรูปแบบและประเมินความสามารถในการผลิตส่วนประกอบได้

*KIT ตัวย่อของ สถาบันเทคโนโลยีคาลส์รูเออ: Karlsruhe Institute of Technology หรือ KIT เป็นสถาบันอุดมศึกษาของรัฐในเมืองคาลส์รูเออ รัฐบาเดิน-เวือร์ทเทิมแบร์ค ประเทศเยอรมนี เป็นสถาบันที่มีความโดดเด่นในด้านวิศวกรรมได้รับการขนานนามว่าเป็น 1 ในมหาวิทยาลัยชั้นนำด้านวิศวกรรมทั้ง 9 แห่งของประเทศเยอรมนี (TU9)

สิ่งที่กำลังถูกพัฒนาใน Karlsruhe เรียกว่า “virtual AI process expert” เกิดจากการใช้ machine learning และ AI รวมกัน

“มันเหมือนกับการใส่ความรู้และปรีชาญาณของวิศวกรจำนวนมากไว้ในโปรแกรมเดียวจากนั้นก็ใช้งานด้วยการกดปุ่ม” Clemens Zimmerling จากสถาบันเทคโนโลยีระบบยานพาหนะของ KIT ซึ่งเป็นผู้พัฒนาโปรแกรมอธิบาย ทั้งนี้ AI ผู้ชำนาญการกระบวนการเสมือนจริง หรือ virtual process นี้ถูกใช้ในการออกแบบโครงสร้างน้ำหนักเบาที่ทำจาก fiber composites ทั้งเพื่อเพิ่มประสิทธิภาพส่วนประกอบและกระบวนการผลิตอย่างรวดเร็ว

Early Feedback on Manufacturability

โครงการวิจัยซึ่งได้รับทุนสนับสนุนจากกระทรวงวิทยาศาสตร์ การวิจัยและศิลปะกรรมแห่งบาเดน – เวือร์ทเทมแบร์ก ซึ่งให้ความสนใจต่อกระบวนการตีความอย่างเร่งรัดและความเข้าใจ ปัญหาที่เกิดขึ้นก็คือ ถึงแม้ว่าการจำลองกระบวนการผลิต: simulations of the manufacturing process สามารถนำมาใช้ในการประเมินเสมือนจริง (virtual assessment) ของความสามารถในการผลิตส่วนประกอบ แต่สิ่งเหล่านี้ก็ยังซับซ้อนและใช้เวลามาก

“ข้อเสนอแนะที่เราได้รับจากนักพัฒนาซอฟต์แวร์ก็คือ พวกเขาต้องการการประเมินที่ดีในระยะแรกไปจนถึงระดับที่แม่นยำมากในระยะต่อมา” Zimmerling กล่าว และนี่คือที่มาของ “virtual AI process expert”

“ถ้าคุณใช้มันในช่วงแรกของการออกแบบส่วนประกอบคุณจะได้รับผลตอบรับอย่างรวดเร็วเกี่ยวกับความสามารถในการผลิตและการประเมินวิธีการปรับเปลี่ยนกระบวนการผลิต ด้วยวิธีการแบบ AI มีความเป็นไปได้ที่จะแยกตัวแปรกระบวนการที่ไม่เหมาะสมออกจากการคำนวณที่เหมาะสมและมุ่งเน้นไปที่ตัวแปรที่มีแนวโน้มเหมาะสมมากที่สุดสำหรับการจำลองที่ค่อนข้างซับซ้อนนี้” Zimmerling อธิบาย

Shorter Time-to-Market

“ความจริงก็คือ Digitalization คือแรงขับเคลื่อนสำคัญที่อยู่เบื้องหลังการออกแบบที่มีน้ำหนักเบา เป็นสิ่งสำคัญอย่างยิ่งที่จะต้องกระโดดเข้าไปในขบวนแห่ หรือ สมัยนิยมในเวลานี้และค้นพบความเป็นไปได้ของ AI หรือ Machine Learning ด้วยตัวเองแล้วใช้มันให้เกิดประโยชน์ เพราะไม่ว่าจะอย่างไรก็จะมีคนทำอยู่ดี”  Wolfgang Seeliger กรรมการผู้จัดการ ของ Leichtbau BW กล่าว โดยเฉพาะเหตุผลสำคัญในเรื่องของ shorter time-to-market: การลดเวลาในการนำสินค้าเข้าสู่ตลาดเป็นแรงฉุดอันทรงพลังในการสร้างมูลค่าเพิ่ม

อ้างอิง:

https://www.spotlightmetal.com

About The Author