Self-Evolving Digital Twin for Zero-Defect Manufacturing Using Physics-Informed Reinforcement Learning and Multi-Agent Artificial Intelligence: A Case Study on Five-Axis Milling of Ti-6Al-4V.

एक ऐसी दुनिया की कल्पना करें जहाँ मशीनें केवल आदेशों का पालन ही नहीं करतीं, बल्कि वास्तव में इस बारे में "सोचती" हैं कि वे क्या कर रही हैं, और हर एक कट से सीखकर समय के साथ बेहतर होती जाती हैं। यह जीरो-डिफेक्ट मैन्युफैक्चरिंग (शून्य-दोष विनिर्माण) का क्षेत्र है, जो एक उच्च-दांव वाला खेल है जहाँ लक्ष्य बिना किसी गलती के सटीक पुर्जे बनाना है, जिससे भारी मात्रा में पैसा और समय बचाया जा सके। इस खेल को खेलने के लिए, इंजीनियर एक डिजिटल ट्विन का उपयोग करते हैं: एक वास्तविक मशीन का आभासी भूत (virtual ghost) जो कंप्यूटर के भीतर रहता है। यह भूत वास्तविक मशीन की गतिविधियों, गर्मी और घिसावट की नकल करता है, जिससे ऑपरेटर समस्याएँ होने से पहले ही उनका पूर्वानुमान लगा सकते हैं। हालाँकि, पारंपरिक डिजिटल ट्विन पुराने पाठ्यपुस्तकों की तरह होते हैं; उन्हें एक बार लिखा जाता है और कभी अपडेट नहीं किया जाता। यदि वास्तविक मशीन थोड़ी जंग खा जाए या धातु उम्मीद से अधिक गर्म हो जाए, तो वह पुराना पाठ्यपुस्तक बेकार हो जाता है, और भविष्यवाणियाँ विफल हो जाती हैं। इसे ठीक करने के लिए, वैज्ञानिक अब "स्व-विकसित" (self-evolving) ट्विन्स बनाने की कोशिश कर रहे हैं जो रीइन्फोर्समेंट लर्निंग (एक प्रकार की AI जो परीक्षण और त्रुटि से सीखती है, जैसे कि एक वीडियो गेम पात्र किसी लेवल में बेहतर होता है) और फिजिक्स-इन्फॉर्म्ड मशीन लर्निंग (AI को प्रकृति के वास्तविक नियमों को सिखाना ताकि वह असंभव अनुमान न लगाए) का उपयोग करके स्वयं को वास्तविक समय में सीखते और अपडेट करते हैं।

यह शोध पत्र एक नई, अत्यंत स्मार्ट प्रणाली जिसे SE-PMAT कहा जाता है, पेश करता है जिसे एक बहुत ही विशिष्ट, कठिन समस्या को हल करने के लिए डिज़ाइन किया गया है: एक फाइव-एक्सिस मिलिंग मशीन का उपयोग करके Ti-6Al-4V (एक टाइटेनियम मिश्र धातु) नामक एक कठिन एयरोस्पेस धातु को काटना। यह धातु अपनी मजबूती के लिए प्रसिद्ध है लेकिन इसे काटना एक दुःस्वप्न है; यह अविश्वसनीय रूप से गर्म होती है, औजारों को जल्दी घिसा देती है, और आसानी से इसमें सूक्ष्म दरारें या खुरदरी सतहें विकसित हो सकती हैं जो महंगे हवाई जहाज के पुर्जों को बर्बाद कर देती हैं। लेखकों ने एक स्व-विकसित डिजिटल ट्विन बनाया है जो मशीन को नियंत्रित करने के लिए मिलकर काम करने वाले तीन विशेषज्ञ कोचों की एक टीम की तरह कार्य करता है। एक कोच केवल गुणवत्ता (सतह को चिकना बनाना) की परवाह करता है, दूसरा ऊर्जा (शक्ति बचाना) की, और तीसरा उत्पादकता (तेजी से काम पूरा करना) की। बहस करने के बजाय, वे नाश बार्गेनिंग (Nash Barging) नामक एक विशेष बातचीत नियम का उपयोग करते हैं ताकि एक आदर्श मध्य मार्ग निकाला जा सके जहाँ हर कोई जीत सके।

यह प्रणाली सेंसरों के माध्यम से मशीन की निरंतर निगरानी करके काम करती है जो कंपन, गर्मी और बल को महसूस करते हैं। यह काटने और गर्मी के नियमों को समझने के लिए एक "फिजिक्स-इन्फॉर्म्ड" मस्तिष्क का उपयोग करती है, लेकिन इसमें एक "स्व-विकसित" परत भी है जो औजार के कुंद होने या धातु के अलग तरह से व्यवहार करने पर अपने आंतरिक गणित को अपडेट करती है। कोई भी कदम उठाने से पहले, सिस्टम एक त्वरित सिमुलेशन चलाता है ताकि यह अनुमान लगाया जा सके कि अगले कुछ सेकंड में कोई दोष (जैसे खरोंच या दरार) होगा या नहीं। यदि इसे आने वाली समस्या दिखती है, तो यह दोष शुरू होने से पहले ही मशीन की गति, फीड रेट या कोण को तुरंत बदल देता है।

500-पुर्जों के उत्पादन रन के एक विशाल कंप्यूटर सिमुलेशन में, इस नई प्रणाली ने पांच अन्य सामान्य तरीकों को पछाड़ दिया। इसने पिछले सबसे अच्छे तरीके की तुलना में सतह की खुरदरापन भिन्नता (smoothness का उतार-चढ़ाव) को 41.3% कम कर दिया। इसने टूल वियर रेट (औजार घिसने की दर) को 24.4% कम किया, जिसका अर्थ है कि काटने वाले औजार अधिक समय तक चले। इसने विशिष्ट कटिंग ऊर्जा (धातु के एक हिस्से को हटाने के लिए उपयोग की जाने वाली ऊर्जा) को 19.6% कम किया, जिससे प्रक्रिया अधिक कुशल बनी। सबसे प्रभावशाली बात यह है कि इसने डिफेक्ट एस्केप रेट (दोषपूर्ण पुर्जों का प्रतिशत जो निरीक्षण से बच निकलते हैं) को सबसे अच्छे बेसलाइन के 4.2% से घटाकर केवल 0.7% कर दिया। लेखक उल्लेख करते हैं कि ये परिणाम प्रकाशित प्रयोगों के डेटा का उपयोग करके एक विस्तृत संख्यात्मक सिमुलेशन से आए हैं, न कि अभी तक वास्तविक कारखाने के फर्श पर भौतिक परीक्षण से, लेकिन गणित बताता है कि यह "स्व-विकसित" AI कोचों की टीम उच्च-तकनीकी पुर्जों को बनाने के तरीके में क्रांति ला सकती है।