Почему поздний брак особенно дорог в 3D-печати

Металлическая деталь может строиться много часов или несколько суток. Если дефект становится очевиден на последних слоях, предприятие теряет не только порошок или проволоку: уже заняты принтер, оператор, энергия, последующая термообработка и место в производственном расписании. Станок всё это время честно выполнял программу — просто никто вовремя не сказал ему, что дальше можно не стараться.

У промышленного принтера при этом уже есть цифровые следы процесса: температура, мощность, скорость, вибрация, состояние газовой среды, параметры подачи материала и изображения каждого слоя. Задача ИИ — не «угадать судьбу детали», а заметить сочетание сигналов, после которого вероятность брака становится достаточно высокой для проверки или остановки.

Итальянская компания BitBang и центр BI-REX описали такой эксперимент в программе FFplus. По их данным, они создали SaaS-платформу для прогнозирования отказов в аддитивном производстве, объединив временные ряды и изображения слоёв. Для экспериментов и обучения использовали суперкомпьютер Leonardo; заявленный объём — около 14 000 GPU-часов.

Важно разделить подтверждённую архитектуру и коммерческие ожидания. Наличие платформы, используемые типы данных и вычислительный контур описаны в официальном кейсе FFplus. Снижение брака на 20–30%, цена около €10 000 в год и до €40 000 дополнительных услуг — оценки участников проекта, а не независимый аудит результатов на каждом типе оборудования. Для российского предприятия это ориентиры для собственной модели экономики, но не готовая строка в бюджете.

Как устроен полезный конвейер

Рабочая система состоит не из одной «волшебной модели», а из нескольких скучных, зато проверяемых блоков:

  • сбор телеметрии с принтера и периферийных датчиков;
  • синхронизация сигналов по времени и номеру слоя;
  • камера с постоянным ракурсом, освещением и контролем качества кадра;
  • модель временных рядов для поиска аномальной динамики;
  • компьютерное зрение для дефектов слоя;
  • объединение оценок в единый риск-сигнал;
  • правило эскалации: продолжить, попросить проверку или остановить процесс;
  • журнал решения, фактического исхода и действия оператора.

В кейсе упомянуты предобученные модели Chronos для временных рядов и GAN-подходы для изображений. Открытый репозиторий Amazon Science подтверждает, что Chronos преобразует числовой ряд в последовательность токенов и строит вероятностный прогноз; код опубликован под Apache-2.0. Это делает стек воспроизводимым для эксперимента, но не превращает универсальный прогноз автоматически в детектор дефекта конкретного принтера.

Ключевая интеграция находится между моделью и производственным управлением. Прогноз должен знать заказ, материал, профиль печати, партию порошка, версию управляющей программы и идентификатор слоя. Иначе красивый график риска останется отдельным экраном, который оператор открывает примерно никогда — то есть сразу после третьего срочного звонка.

Какие данные понадобятся

Для пилота нужны не «все данные завода», а сопоставимые истории печати. Минимальная единица наблюдения — один запуск с результатом:

  • параметры задания и геометрические признаки детали;
  • материал и партия сырья;
  • телеметрия с единым временем;
  • изображения или карты качества по слоям;
  • события оборудования и вмешательства оператора;
  • итог контроля: годная деталь, тип дефекта, слой обнаружения;
  • стоимость потерянного материала, машинного времени и переделки.

Слабое место почти всегда в разметке. Запись «печать не удалась» недостаточна: модели нужно отличать пористость, коробление, нарушение подачи, ошибку подготовки, ложный сигнал датчика и дефект, который невозможно увидеть во время процесса. Если причины смешаны, ИИ будет старательно предсказывать общий производственный характер дня.

Начать можно с двух контуров. Первый — офлайн-анализ завершённых заданий. Он проверяет, есть ли в доступных сигналах ранняя информация о дефекте. Второй — теневой режим на живом производстве: модель выдаёт риск, но не управляет станком. Оператор отмечает полезность предупреждения, а команда считает ложные остановки и пропуски.

Где запускать модель

FFplus использовал HPC для обучения и сравнения моделей, однако промышленному предприятию не обязательно держать суперкомпьютер рядом с принтером. Для эксплуатации важнее задержка, надёжность связи и требования к данным.

Практичная схема выглядит так:

  • обучение и тяжёлые эксперименты выполняются на арендуемых GPU или в выделенном центре;
  • компактная модель временных рядов и модель зрения работают на локальном сервере или промышленном edge-узле;
  • сырые изображения остаются в контуре предприятия, если они чувствительны;
  • центральная система получает агрегированные признаки, версии моделей и журнал решений;
  • остановка станка требует отдельного детерминированного правила и, на первом этапе, подтверждения человека.

Локальный вывод снижает зависимость от канала и позволяет не отправлять технологические режимы наружу. Но слово «локальный» не отменяет MLOps: нужно версионировать модели и признаки, контролировать дрейф, хранить события и уметь быстро вернуть предыдущую версию. Модель без версии — это уже не помощник, а производственная легенда.

Главный риск — не пропуск, а неверная остановка

Для дорогой печати страшно пропустить дефект, но слишком чувствительная система тоже обходится дорого. Если она останавливает годные задания, предприятие теряет загрузку, сырьё и доверие операторов. Поэтому качество нельзя сводить к accuracy.

Считать следует как минимум:

  • долю дефектов, замеченных до экономически значимой точки;
  • среднее число часов и килограммов материала, спасённых предупреждением;
  • число ложных остановок на 100 запусков;
  • точность по каждому типу дефекта и оборудованию;
  • время от сигнала до решения;
  • долю предупреждений, по которым оператор смог выполнить понятное действие.

Порог риска выбирают через стоимость ошибок. Для детали с дешёвым сырьём и коротким циклом можно терпеть больше пропусков и реже останавливать линию. Для недельной печати из титана цена позднего сигнала резко выше. Один универсальный порог для всех принтеров удобен только для презентации.

Экономика пилота без обещаний из воздуха

Модельный расчёт лучше строить от одной производственной линии. Допустим, за месяц выполняется 40 длительных печатей, четыре завершаются браком, а средняя потеря материала, машинного времени и переделки составляет 250 000 рублей. Текущий ущерб — около 1 млн рублей в месяц.

Если теневой пилот показывает, что система могла бы безопасно прервать половину неудачных заданий после расходования лишь 30% ресурсов, потенциально предотвращаемая потеря составит около 350 000 рублей в месяц. Из неё нужно вычесть ложные остановки, обслуживание камер и датчиков, вычисления, интеграцию и работу инженеров. Это пример с явными допущениями, а не обещание результата BitBang для другого производства.

Полезная единица экономики — не «стоимость одного прогноза», а стоимость предотвращённого часа станка или килограмма материала. Она связывает модель с тем, за что предприятие действительно платит.

Как провести пилот за шесть–восемь недель

1. Выберите один принтер, один материал и один повторяемый класс деталей.
2. Соберите 50–100 завершённых запусков или честно зафиксируйте меньший объём и неопределённость.
3. Синхронизируйте телеметрию, изображения и результаты контроля по слоям.
4. Сначала постройте простые правила и базовую модель; сложная нейросеть должна обыграть их на отложенных заданиях.
5. Запустите теневой режим без автоматической остановки.
6. Заранее задайте допустимое число ложных тревог и формулу предотвращённого ущерба.
7. После пилота решите, нужен ли edge-контур, внешний сервис или достаточно аналитики после смены.

Что считать успешным результатом

Пилот успешен не тогда, когда кривая красиво отделяет красные точки от синих. Нужен воспроизводимый ранний сигнал, понятное действие оператора и положительная экономика после учёта ложных остановок.

Кейс BitBang показывает разумную логику: тяжёлое обучение можно вынести на мощную инфраструктуру, а продукт строить вокруг данных конкретного оборудования и удобного рабочего процесса. Для малого и среднего производства первый шаг намного скромнее 14 000 GPU-часов: одна линия, одна причина брака и теневой режим. Пусть Внутрик сначала научится вовремя поднимать руку — к аварийной кнопке его допустят после испытательного срока.