Эксперименты в области промышленной 3D-печати могут быстро стать интенсивными.

Каждое небольшое изменение, например, новый материал, чуть более высокая температура или иная обработка поверхности, добавляет ещё одну переменную для проверки. Инженеры, сами того не осознавая, могут перебрать сотни, а то и тысячи комбинаций, чтобы найти наилучший вариант.

Даже несколько изменений могут быстро привести к результату. Например , управление четырьмя переменными всего тремя настройками для каждой из них уже означает 3⁴, или 81 различную комбинацию тестов. Добавьте ещё несколько параметров, и вы увидите тысячи возможных тестов. Фактически, всего три дополнительные переменные увеличивают количество возможных комбинаций с 81 до более чем 2000.

Вот почему обычный метод проб и ошибок часто не работает в аддитивных технологиях. Он медленный, дорогостоящий и не всегда показывает, как разные параметры влияют друг на друга. Небольшое изменение температуры само по себе может не иметь значения, но в сочетании с новым материалом или скоростью печати может полностью изменить результат. Исследователи, изучающие 3D-печать полимерами и металлами, уже много лет отмечают это , показывая, что метод проб и ошибок приводит к пустой трате времени и материалов.

Вместо этого многие обращаются к методу, называемому «Планирование экспериментов » (DoE). Это структурированный, основанный на данных способ, позволяющий инженерам планировать эксперименты, находить полезные закономерности и наблюдать, как различные условия влияют друг на друга, не тратя время и материалы.

Недавнее исследование, проведённое британской консалтинговой компанией Learn Six Sigma совместно с неназванным передовым производителем в сфере 3D-печати, показывает, как метод DoE может превратить этот хаос в ясность. Применяя структурированные статистические инструменты вместо догадок, команда смогла сократить огромное количество потенциальных комбинаций тестов с 2048 до всего лишь 12 и при этом получить значимые, подтверждённые данными результаты.

Более разумный способ экспериментировать

Проект начался в рамках учебного курса Lean Six Sigma Black Belt, проводимого организацией Learn Six Sigma, которая готовит специалистов по совершенствованию процессов и решению проблем на основе данных. По словам Мэтью Хейдена, руководителя курса, идея возникла непосредственно у участников, стремящихся решать реальные производственные задачи.

«Этот пример возник из нескольких идей для будущих проектов, предложенных участниками курса Lean Six Sigma Black Belt, который мы проводили на передовом производстве в сфере 3D-печати», — рассказал Мэтью Хейден сайту 3DPrint.com . «Часть курса была посвящена планированию экспериментов, в результате которых возникло несколько интересных идей для проектов по оптимизации характеристик материалов, включая адгезионные свойства грунтовки, металлические детали после отжига и пластиковые детали, полученные с помощью машин для моделирования методом наплавления».

Такой подход позволяет инженерам оценить бесчисленное количество переменных процесса — высоту слоя, скорость печати, температуру, заполнение и т. д. — без необходимости тестировать их по отдельности.

От догадок к прозрению

Хотя метод DoE не нов, он всё ещё недостаточно используется в аддитивном производстве. Инженеры часто полагаются на интуицию, проводя длительные серии однопараметрических испытаний, чтобы выделить факторы, способные улучшить прочность или качество поверхности детали. Но, как отмечает Мартин Хайден, инженер, стоящий за этим исследованием, такой подход приводит к пустой трате времени и ресурсов.

«Планирование экспериментов помогает нам эффективно и рационально прогнозировать производительность процесса с минимальными затратами средств и времени. Это позволяет нам оптимизировать производительность, снизить затраты и значительно сократить сроки разработки продукта или процесса», — пояснил Мартин Хейден. «В случае 3D-печати существует множество переменных, потенциально контролирующих процесс и конечные характеристики продукта. Случайные или бессистемные подходы к исследованию этих переменных крайне неэффективны и приводят к значительным задержкам в получении полезных знаний».

Используя статистический метод для планирования тестов, команда определила, какие переменные действительно имеют значение и как они взаимодействуют, что практически невозможно определить вручную.

Это важно

Каждая компания, занимающаяся 3D-печатью, стремится к более быстрым циклам оптимизации, более прочным деталям и более низким затратам. Но по мере увеличения количества машин, материалов и сфер применения число возможных комбинаций процессов стремительно растёт. Интеллектуальная стратегия испытаний на основе данных, такая как DoE, помогает компаниям перейти от интуиции к фактическим данным.

Мартин Хейден заявил, что уже существуют доступные инструменты для команд, желающих начать работу: «Существует множество стандартных экспериментальных проектов, рекомендаций по сбору данных, а также бесплатного программного обеспечения, которые мы можем использовать для быстрого создания эффективных и полезных моделей».

В этом исследовании показано, как методы Lean и Six Sigma, давно используемые для повышения качества на автомобильных и аэрокосмических заводах, могут также принести пользу 3D-печати. ​​DoE не делает процесс непредсказуемым, а делает его более измеримым и воспроизводимым.

Для производителей, стремящихся к стабильности, это больше, чем просто инженерный успех; это выгодный бизнес. Сокращение количества испытаний до нескольких тысяч — это выгодно всем: это не только экономит время и снижает затраты, но и помогает 3D-печати приблизиться к тому, чтобы стать полноценным промышленным процессом.