SVEAT publicerar en krönika av Mattias Kristiansson, skribent och marknadsförare med många års erfarenhet inom additiv tillverkning. Mattias skriver en krönika om AI:s möjligheter inom additiv tillverkning. Kanske finns det även några farhågor med AI?
Efter över ett decennium i 3d-printvärlden ser jag tre tydliga områden där AI kan förändra AM: smartare design, bättre kvalitetskontroll och effektivare produktion. Men allt är inte rosenrött – glöm inte att läsa mina kritiska kommentarer.
Jag slår vad om att du redan använt Chat GPT – frågat vad blockchain betyder, vilken den bästa rutten från Västkusten till Västindien är, eller bett om en godnattsaga åt en treåring som har dille på enhörningar. Förutom tips och råd om hur du kan använda de olika verktygen är mycket av det vi läser framtidsprognoser som är omöjliga att bekräfta. Men baserat på vad vi vet idag är jag övertygad om att artificiell intelligens kommer att spela en viktig roll inom AM.
AI som designguide
En av de mest spännande aspekterna av AI är teknikens potential att effektivisera själva designprocessen. Det här är ett steg som många företag utmanas av, vare sig det handlar om att skapa helt nya produkter eller anpassa befintliga delar för AM.
AI kan hjälpa oss att utforska ett stort antal designalternativ baserat på specifika kriterier som du matar in – vikt, styrka eller materialbesparing. Några av fördelarna är effektivare metoder för att ta fram lättare och starkare komponenter med minimalt materialspill.
Ett exempel på detta är flygindustrin. Här har företag som Airbus redan använt AI-drivna AM-lösningar för att skapa komplexa strukturer som minskar vikten på flygplansdelar, vilket i sin tur sparar bränsle och minskar koldioxidutsläpp. Ett annat potentiellt område är att använda AI för att förenkla designen av individanpassade implantat. Just digitaliseringen av implantatkedjan – från patient till tillverkning och tillbaka till patienten – är komplex och innefattar många parter samt begränsad designkunskap.
Se upp med detta
AI kan förse oss med en rad innovativa designlösningar, men många av dem är fortfarande teoretiska och kan vara svåra att omsätta i praktiken. Här behöver vi använda våra ingenjörskollegors gedigna expertis för att validera om en design verkligen är genomförbar.
Många AI-drivna designverktyg är också slutna system. Det kan begränsa vår rörlighet och göra oss beroende av leverantörer som kanske inte lever upp till våra krav i slutändan.
Kvalitetskontroll: Från reaktiv till proaktiv
Kvalitetskontroll är ett annat område där AI kan bidra med stor nytta. AM-processer är komplexa och har många variabler som kan påverka resultatet. Här tror jag att vi kan använda AI för att analysera data från sensorer i realtid och justera parametrar för att säkerställa att varje komponent tillverkas enligt våra specifikationer.
Min vision är att vi ska kunna använda AI för att upptäcka avvikelser i t ex temperatur, lasereffekt och materialflöde under tillverkningsprocessen. Därefter ska AI:n kunna göra justeringar direkt för att undvika defekter. Det är något som är särskilt viktigt inom reglerade industrier som medicinteknik och flyg.
En av de största utmaningarna är bristen på strukturerad och klassificerad data. För att AI ska kunna nå sin fulla potential behöver vi systematiskt samla in och kategorisera produktionsdata. Här tror jag att det finns en möjlighet för oss att arbeta tillsammans för att bygga gemensamma databaser som vi alla kan dra nytta av.
Se upp med detta
För att AI ska fungera effektivt krävs bra data, men många företag arbetar i isolerade system. Vem äger egentligen denna data och hur kan vi bygga gemensamma databaser utan att röja affärshemligheter?
Om vi förlitar oss för mycket på AI för att identifiera defekter kan vi missa andra kvalitetsproblem som AI inte är tränad att upptäcka.
Effektivisering: Mer än bara maskiner
AI kan göra mycket mer än att stödja design och kvalitet – jag tror också att det kan hjälpa oss att optimera hela produktionskedjan. Om vi bara har relevant data att mata in tror jag att AI kan hjälpa oss att analysera detta data. Det gör att vi kan fatta bättre beslut kring allt från materialinköp till maskinunderhåll och strategisk planering.
Tänk dig en fabrik där AI hjälper till att hålla koll på lagerstatus eller produktionskapacitet och automatiskt föreslår justeringar i scheman eller inköp för att maximera upptiden. Den här typen av smarta fabriker är redan på väg att bli verklighet, särskilt i Asien och USA, där stora tillverkare integrerar AI i sina AM-processer.
Men AI:s roll slutar inte där. Genom att kombinera data från produktionen med prognoser kan vi också få insikter som hjälper oss att planera bättre för framtida efterfrågan.
Se upp med detta
AI:s analyser är baserade på data, men om det datat är bristfällig kan vå få fel beslutsunderlag. Hur säkerställer vi att AI används som ett verktyg för att stödja våra beslut snarare än att ersätta dem?
Och än en gång – om AI-system utvecklas inom slutna ekosystem kan vi bli beroende av enskilda leverantörer med en egen agenda. Hur gör vi då för att balansera effektivitet och flexibilitet så att AI verkligen blir en långsiktig lösning för våra behov?
Slutsats: AI gör AM smartare – men vi är smartast
Additiv tillverkning har redan visat sig vara en banbrytande teknik inom branscher som flyg-, medicin- och fordonsindustri. Men AI är inte en magisk lösning – det finns fortfarande viktiga frågor att besvara, och det tycker jag att du ska ta med dig i din organisation. Här är tre viktiga frågor:
- Hur hanterar vi frågor om datadelning och standardisering?
- Hur säkerställer vi att AI:s beslut är transparenta och förståeliga?
- Vad händer om vi förlorar kontrollen över teknologin och blir inlåsta i slutna system?
Mattias Kristiansson, skribent och marknadsförare med många års erfarenhet inom additiv tillverkning
