مناسب بودن مواد و ساخت (DFM): پرس و جو با هوش مصنوعی

سود:

• امکان کشف رابطه بین انتخاب مواد، روش تولید و هزینه با پرسیدن سوال از هوش مصنوعی
• امکان فهرست کردن محدودیت های DFM مانند ضخامت دیوار، زاویه کشش و تحمل در روش هایی مانند تزریق، ورق فلز و ریخته گری در چک لیست
• امکان تایید قابلیت ساخت و توصیه های مواد هوش مصنوعی با داده های تامین کننده، مهندس و استاندارد واقعی

فقط به این دلیل که یک طراحی روی صفحه نمایش خوب به نظر می رسد به این معنی نیست که قابل تولید است. این اصلی ترین چیزی است که طراحی صنعتی را از طراحی گرافیکی متمایز می کند: محصول از مواد واقعی، با روش تولید واقعی، با هزینه واقعی تولید می شود. DFM (Design for Manufacturing) رشته طراحی یک محصول به گونه ای است که بتوان آن را روان، با کیفیت و اقتصادی با روش تولید انتخاب شده تولید کرد. هر روش قوانین خاص خود را دارد: قوانین ضخامت دیواره قالب‌گیری تزریقی و زاویه ترسیم، شعاع خمش ورق فلز، قوانین سیدر ریخته‌گری و غیره. هوش مصنوعی کمک قدرتمندی برای یادگیری سریع این قوانین و زیر سوال بردن یک طرح از دیدگاه DFM است. اما مقادیری که می دهد همیشه فرضیه هایی هستند که باید با تامین کننده، برگه اطلاعات مواد و تایید مهندس تایید شوند.

مثلث مواد، روش و هزینه

در یک محصول، انتخاب مواد، روش تولید و هزینه به شدت به هم مرتبط هستند. تولید همان فرم با پلاستیک تزریقی، ریخته گری آلومینیوم یا ماشینکاری CNC هزینه، بافت و استحکام بسیار متفاوتی را به همراه دارد. طراح باید این مثلث را متعادل کند. هوش مصنوعی در اینجا یک "شریک پرس و جو" عالی است: "من 10000 واحد از این محصول را تولید خواهم کرد، کدام روش منطقی است؟" یا "این قسمت باید هم شفاف و هم مقاوم در برابر ضربه باشد، چه موادی کاندید هستند؟" این به شما اجازه می دهد تا به سرعت سوالاتی مانند. هوش مصنوعی لیستی از نامزدها، مقایسه مثبت و منفی و عواملی که باید در نظر بگیرید به شما ارائه می دهد. اما انتخاب مواد نهایی و مقادیر واقعی ویژگی (استحکام کششی، مقاومت در برابر حرارت، مناسب بودن تماس با مواد غذایی) از برگه اطلاعات مواد و تامین کننده می آید.

روش های رایج تولید و محدودیت های معمول آنها:

روش

استفاده معمولی

محدودیت بحرانی DFM

راستی آزمایی

قالب گیری تزریقی

پلاستیک با حجم بالا

ضخامت دیوار ثابت، زاویه کشش، شعاع

برگه اطلاعات قالب + مواد

ورق فلزی

محوطه، پانل

حداقل شعاع خمیدگی، فاصله سوراخ تا لبه

سازنده + استاندارد

ریخته گری (آلومینیوم)

بدنه مقاوم

ضخامت سیدر، زاویه کشش، تغذیه

ریخته گری

ماشینکاری CNC

مقدار کم، نمونه اولیه

شعاع گوشه داخلی، دسترسی، تحمل

کارگاه

پرینت سه بعدی

نمونه اولیه، مقدار کم

پشتیبانی، جهت لایه، قدرت

اپراتور چاپ

نکته: هنگام پرسیدن «کدام روش» از هوش مصنوعی، حتماً مقدار تولید، هزینه هدف، نیاز مواد و تحمل را ذکر کنید. پاسخی که او بدون این اطلاعات می دهد یک حدس کلی است.

قوانین DFM: نقاط هوش مصنوعی، مهندس تایید می کند

بیایید چند مفهوم اساسی DFM را روشن کنیم، زیرا هنگام صحبت با هوش مصنوعی از آنها استفاده خواهید کرد:

• ضخامت دیوار: ضخامت دیواره قسمت پلاستیکی. ضخامت نامنظم باعث ایجاد آثار سینک و تاب برداشتن در هنگام خنک شدن می شود. قانون: آن را تا حد امکان ثابت نگه دارید.
• زاویه کشش: شیب کمی که به دیوارها داده می شود تا قطعه از قالب خارج شود. در غیر این صورت، قطعه در قالب قرار می گیرد. مقدار آن بسته به جنس و بافت سطح متفاوت است.
• شعاع (فیله): گرد شدن گوشه های داخلی و خارجی. گوشه های تیز داخل، استرس را جمع می کنند و باعث شکستگی می شوند. شعاع این را کاهش می دهد.
• تحمل: محدوده انحراف قابل قبول یک اندازه گیری. هر روش می تواند تحمل متفاوتی داشته باشد. تحمل خیلی محدود هزینه ها را افزایش می دهد.
• Undercut: برآمدگی/ فرورفتگی که مانع از باز شدن صاف قالب می شود. به مکانیسم قالب اضافی (ساختار هسته) نیاز دارد و هزینه را افزایش می دهد.

هوش مصنوعی می‌تواند این قوانین را توضیح دهد و طرحی را به‌عنوان پیش‌نویس علامت‌گذاری کند که می‌گوید: «آن گوشه خیلی تیز است، ضخامت دیوار در آنجا تغییر می‌کند، این برآمدگی می‌تواند یک زیرشاخه باشد». اما این یک غربالگری اولیه است. ضخامت واقعی دیوار، زاویه کشش و مقادیر تحمل با توجه به مواد، قالب و تامین کننده تعیین می شود و مهندس/ریخته ساز تایید می کند.

سه کیف کوچک

مورد 1 - دیر متوجه شدن آندرکات. یک طراح یک گیره گیره شیک روی سطح کناری جعبه طراحی می کند. رندر عالی به نظر می رسد. سازنده می گوید که این گیره یک آندرکات ایجاد می کند، با یک قالب مسطح تولید نمی شود و نیاز به قالب هسته دار دارد. این هزینه قالب را تقریباً 35٪ افزایش می دهد. من از قبل از هوش مصنوعی پرسیدم: "آیا از نظر الگوها با این هندسه مشکلی پیش خواهد آمد؟" اگر از شما خواسته شود، ریسک کاهش قیمت می‌توانست از ابتدا مشخص شود. درس: پرس و جوی DFM را قبل از رندر انجام دهید. هوش مصنوعی این را در اوایل یادآوری می کند، مولر تأیید می کند.

مورد 2 - مشخصات مواد نادرست. یک کارآموز از هوش مصنوعی موادی را برای بخشی که با غذا در تماس است می خواهد. هوش مصنوعی نوعی پلاستیک را توصیه می‌کند و می‌گوید «گرید مواد غذایی». کارآموز این را می پذیرد. با این حال، مناسب بودن تماس با غذا به نوع ماده بستگی ندارد، بلکه به این بستگی دارد که آیا آن محصول خاص دارای سند/گواهی تماس با غذا است یا خیر. هوش مصنوعی یک بیانیه کلی ارائه کرده است. درجه تماس گواهی شده با غذا باید از تامین کننده درخواست می شد. درس: ادعاهای انطباق مواد از برگه داده و گواهی تأیید می شوند، نه از جمله کلی AI.

مورد 3 - استفاده صحیح. یک طراح از هوش مصنوعی می‌خواهد روشی را با ارائه «مقدار، هزینه هدف، استحکام و سطح مورد نیاز» برای یک محفظه 5000 قطعه ای مقایسه کند. هوش مصنوعی جدولی از مثبت و منفی و فاکتورهایی که برای تزریق، ورق فلز و ریخته‌گری باید در نظر گرفته شود، تهیه می‌کند. طراح این کار را شروع می کند، قیمت ها و پیشنهادات واقعی را از دو تامین کننده دریافت می کند و در مورد تزریق تصمیم می گیرد. هوش مصنوعی کشف را تسریع کرده است، قیمت واقعی و تامین کننده تصمیم می گیرند. درس: هوش مصنوعی گزینه ها را باز می کند، داده های واقعی را انتخاب می کند.

الگوهای درخواستی قابل کپی

الگوی کشف روش"من محصول زیر را تولید خواهم کرد: [دستور العمل]. مقدار تولید: [تعداد]. محدوده هزینه واحد هدف: [محدوده]. ویژگی های مورد نیاز: [استحکام، شفافیت، دما، سطح]. روش های تولید مناسب را مقایسه کنید: مزایا، معایب و عواملی که برای هر روش باید در نظر بگیرم.

الگوی غربالگری مقدماتی DFM"من بخش زیر را با [تزریق/ورق فلز/ریخته گری] تولید خواهم کرد: [هندسه را شرح دهید یا تصویر اضافه کنید]. مشکلات احتمالی را از نظر DFM علامت گذاری کنید: ضخامت دیوار متغیر، گوشه داخلی تیز، نداشتن زاویه کشش، زیر برش، تحمل خیلی محکم.

الگوی کاندیداهای مواد"فهرست نامزدهای موادی که شرایط زیر را برآورده می کنند: [مقاومت در برابر ضربه، دما، تماس با غذا/پوست، اشعه ماوراء بنفش، بازیافت]. استفاده معمولی و احتیاط را برای Heraday بنویسید. ادعای مناسب بودن نکنید؛ مشخص کنید برگه/گواهی اطلاعاتی را برای هر نامزدی که باید از عرضه کننده خاص درخواست کنم."

الگوی استعلام کاهش هزینه "ایده هایی پیشنهاد کنید که هزینه تولید طرح زیر را کاهش دهد: [شرح قطعه]. از نظر کاهش تعداد قطعات، تغییر مواد، شل شدن تحمل، ساده سازی قالب. خطر احتمالی (دوام، کیفیت، ظاهر) هر ایده را بنویسید. من تصمیم خود را با مهندس و مهندس خواهم گرفت."

اعلان ضعیف / اعلان قوی

پیام ضعیف: "بهترین ماده برای این محصول چیست؟"

هشدار قوی: "من بدنه لامپ کمپینگ در فضای باز طراحی می کنم. الزامات: ضد ضربه، -10/+50 درجه سانتیگراد، مقاوم در برابر اشعه ماوراء بنفش، ضد پاشش، قالب گیری تزریقی 8000، روکش مات. نامزدهای مواد مناسب (مثلاً چندین خانواده ترموپلاستیک) را با ذکر ارزش افزوده و منهای از هر نامزد باید بنویسم. دقیقاً "از این استفاده کنید" نگویید که من با تامین کننده تایید می کنم."

اعلان ضعیف به سوی یک پاسخ واحد و غیرقابل تأیید فشار می آورد. اعلان قدرتمند زمینه (کمیت، شرایط، روش) را می دهد، لیستی از نامزدها را درخواست می کند و تصمیم گیری را به دیتاشیت + تامین کننده واگذار می کند.

اشتباهات رایج

• استفاده از ویژگی مواد داده شده توسط هوش مصنوعی بدون تأیید آن از صفحه داده. ارزش واقعی از محصولی به محصول دیگر متفاوت است.
• پذیرش ادعای مناسب بودن (تماس با غذا/پوست، تاخیر در شعله) به صورت کلی. اینها با گواهی ثابت می شود.
• در نظر گرفتن DFM پس از رندر. آندرکات، ضخامت دیوار و زاویه کشش را از همان ابتدا زیر سوال ببرید.
• درخواست روش بدون توجه به مقدار و هزینه. پاسخ یک میانگین بی معنی خواهد بود.
• تلورانس خیلی باریک کردن. هر دقت اضافی به سرعت هزینه را افزایش می دهد.

توجه: ادعاهای مواد و ساخت مربوط به ایمنی و انطباق قانونی (اشتعال پذیری، تماس با غذا، دوام) است. فقط به این دلیل که هوش مصنوعی یک عنصر را "مناسب" می نامد، دلیلی بر این نیست. انطباق فقط با برگه داده، آزمایش و گواهی مربوطه و در صورت لزوم با تایید مهندس ثبت می شود.

به طور خلاصه

DFM رشته ای است که طراحی را بدون مشکل و از نظر اقتصادی قابل تولید با روش انتخاب شده می سازد. مواد، روش و هزینه به هم مرتبط هستند و هر روش قوانین خاص خود را دارد (ضخامت دیوار، زاویه کشش، شعاع، زیر برش، تلرانس). هوش مصنوعی کمکی قدرتمند در یادگیری این قوانین و پیش نمایش یک طرح برای DFM است. نامزدهای مواد و مقایسه روش را ایجاد می کند. اما ارزش‌های واقعی دارایی، ادعاهای انطباق و انتخاب نهایی توسط برگه داده، گواهی و تأییدیه تأمین‌کننده/مهندس تأیید می‌شوند. قبل از رندر کردن، پرس و جوی DFM را انجام دهید و هیچ مشکلی از هوش مصنوعی را بدون تأیید اعتبار به تولید منتقل نکنید.

وظیفه کاربردی

یک قطعه از محصول (به عنوان مثال، درب بطری) را انتخاب کنید. با ارائه کمیت و الزامات با الگوی «کشف روش»، روش‌هایی را با هوش مصنوعی مقایسه کنید. سپس مشکلات احتمالی تولید را با الگوی "DFM pre-scan" علامت گذاری کنید. محدوده معمولی مقادیر را از اطلاعات منبع/تامین کننده واقعی برای حداقل دو محدودیت DFM که AI به آنها اشاره می کند (به عنوان مثال ترسیم زاویه، زیر برش) تحقیق کنید، آن را با آنچه AI می دهد مقایسه کنید و توجیه کنید که به کدام یک اعتماد کنید.

چک لیست

• [ ] من سوال روش را در زمینه کمیت، هزینه و نیاز پرسیدم.
• [ ] برنامه ریزی کردم تا ویژگی های مواد را از صفحه داده/تامین کننده بررسی کنم.
• [ ] من نیاز دارم که ادعاهای انطباق (غذا/پوست/شعله) با گواهی اثبات شود.
• [ ] من پیش اسکن DFM را قبل از رندر انجام دادم (آندرکات، ضخامت دیوار، زاویه ترسیم).
• [ ] من هیچ شماره ای را که توسط هوش مصنوعی داده شده است را بدون تأیید مهندس / قالب تولید نکردم.
• [ ] من تلرانس ها را سخت تر از حد لازم نگه نداشتم، تاثیر هزینه را در نظر گرفتم.