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.

Stel je een wereld voor waarin machines niet alleen bevelen opvolgen, maar ook echt "nadenken" over wat ze doen, waarbij ze leren van elke snede die ze maken om in de loop van de tijd beter te worden. Dit is het domein van Zero-Defect Manufacturing (productie zonder defecten), een spel met hoge inzet waarbij het doel is om perfecte onderdelen te maken zonder ook maar één fout, wat enorme hoeveelheden geld en tijd bespaart. Om dit spel te spelen, gebruiken ingenieurs een Digital Twin: een virtuele geest van een echte machine die in een computer leeft. Deze geest bootst de bewegingen, hitte en slijtage van de echte machine na, waardoor operators problemen kunnen voorspellen voordat ze optreden. Echter, traditionele digitale twins zijn als oude tekstboeken; ze worden één keer geschreven en nooit meer bijgewerkt. Als de echte machine een beetje roestig wordt of het metaal heter wordt dan verwacht, wordt het oude tekstboek nutteloos en falen de voorspellingen. Om dit op te lossen, proberen wetenschappers nu "zelf evoluerende" twins te bouages die zichzelf in realtime leren en bijwerken, met behulp van Reinforcement Learning (een type AI dat leert door middel van vallen en opstaan, zoals een videogame-personage dat beter wordt in een level) en Physics-Informed Machine Learning (het de AI de werkelijke natuurwetten aanleren zodat het geen onmogelijke gissingen doet).

Dit artikel introduceert een nieuw, superintelligent systeem genaamd SE-PMAT, ontworpen om een zeer specifiek, moeilijk probleem op te lossen: het snijden van een taai aerospace-metaal genaamd Ti-6Al-4V (een titaniumlegering) met een vijf-assige freesmachine. Dit metaal staat erom bekend sterk te zijn, maar is een nachtmerrie om te bewerken; het wordt ongelooflijk heet, slijt gereedschap snel en kan gemakkelijk kleine scheurtjes of ruwe oppervlakken ontwikkelen die dure vliegtuigonderdelen verruineren. De auteurs hebben een zelf evoluerende digitale twin gebouwd die fungeert als een team van drie deskundige coaches die samenwerken om de machine aan te sturen. Eén coach geeft alleen om Kwaliteit (het maken van een glad oppervlak), één geeft om Energie (het besparen van vermogen), en één geeft om Productiviteit (snel afmaken). In plaats van te discussiëren, gebruiken ze een speciale onderhandelingsregel genaamd Nash Bargaining om een perfect middenpad te vinden waar iedereen wint.

Het systeem werkt door de machine constant te observeren via sensoren die trillingen, hitte en krachten voelen. Het gebruikt een "physics-informed" brein om de wetten van het snijden en de hitte te begrijpen, maar het heeft ook een "zelf evoluerende" laag die zijn eigen interne wiskunde bijwerkt naarmate het gereedschap botter wordt of het metaal zich anders gedraagt. Voordat er een beweging wordt gemaakt, voert het systeem een snelle simulatie uit om te voorspellen of er in de volgende paar seconden een defect (zoals een kras of een scheur) zal optreden. Als het een probleem ziet aankomen, verandert het onmiddellijk de snelheid, de voedingssnelheid of de hoek van de machine om het defect te stoppen nog voordat het begint.

In een massale computersimulatie van een productie draai van 500 onderdelen presteerde dit nieuwe systeem beter dan vijf andere veelvoorkomende methoden. Het verminderde de oppervlakte-ruwheidsvariantie (hoeveel de gladheid fluctueert) met 41,3% vergeleken met de beste eerdere methode. Het verminderde de gereedschapsslijtage-snelheid met 24,4%, wat betekent dat de snijgereedschappen langer meegaan. Het verlaagde de specifieke snijkracht (de energie die wordt gebruikt om een stuk metaal te verwijderen) met 19,6%, wat het proces efficiënter maakt. Het meest indrukwekkend is dat het de defect escape rate (het percentage slechte onderdelen dat de inspectie passeert) verlaagde van 4,2% (de beste baseline) naar slechts 0,7%. De auteurs merken op dat deze resultaten voortkomen uit een gedetailleerde numerieke simulatie met behulp van gegevens uit gepubliceerde experimenten, en nog niet uit een fysieke test op een echte fabrieksvloer, maar de wiskunde suggereert dat dit "zelf evoluerende" team van AI-coaches de manier waarop we hoogwaardige onderdelen maken kan revolutioneren.