Репортаж от Wedoany，Институт материаловедения IMDEA (IMDEA Materials Institute, Испания) совместно с Национальной лабораторией Лоуренса в Беркли (Lawrence Berkeley National Laboratory, LBNL, США) разработали алгоритм, позволяющий выявлять отклонения в производительности между теоретически идентичными производственными устройствами и на этой основе определять наиболее подходящие варианты оптимизации. Соответствующая статья опубликована в журнале Advanced Engineering Informatics и затрагивает давнюю проблему автоматизированного производства: даже устройства одной марки и модели могут демонстрировать неодинаковую производительность, и эти различия в условиях масштабного производства — например, в параллельных средах, таких как фермы 3D-печати, — накапливаются и приводят к дефектам.
Процесс работы системы состоит из двух этапов: сначала проводится диагностика каждого устройства для создания индивидуального профиля производительности; затем с помощью статистического анализа количественно оценивается степень отклонений между устройствами. На основе результатов анализа система применяет совместную стратегию оптимизации для устройств с высокой степенью схожести, а при обнаружении значительных различий переходит к индивидуальной оптимизации для каждого устройства, отдавая приоритет точности обработки, а не эффективности, достигаемой за счёт унифицированного подхода.
На этапе верификации исследовательская группа выбрала три теоретически полностью идентичных 3D-принтера в качестве объектов тестирования. Алгоритм выявил измеримые различия между этими устройствами и определил, что каждому из них требуется независимый путь оптимизации, а не единый подход. В частности, анализ распределения и показатели дисперсии указали на необходимость индивидуальной оптимизации: оценки плотности печатных частиц для каждого устройства демонстрировали явное разделение, а попарные значения дисперсии были велики, что свидетельствует о непересекающихся фактических рабочих диапазонах каждого принтера.
Исследовательская группа отметила, что после внедрения индивидуальной оптимизации «по сравнению с подходом, при котором все устройства рассматриваются одинаково и индивидуальные отклонения не корректируются должным образом, вес печатных деталей сходился значительно быстрее, а погрешность существенно уменьшилась». Они добавили: «Даже устройства из одной партии могут иметь свои собственные рабочие „характеры". Эта система изучает эти различия и использует их, определяя, эффективнее ли рассматривать их как команду или как независимые единицы. Это повышает точность и экономит ресурсы за счёт предотвращения неудачных экспериментов, что является важным шагом на пути к полностью автоматизированным лабораториям и фабрикам будущего».
Хотя верификация была сосредоточена на 3D-печати, исследовательская группа заявила, что тот же метод может быть распространён на другие области, зависящие от высокопроизводительных экспериментов, включая открытие новых материалов, химический синтез и калибровку датчиков.
