ЗАСТОСУВАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДО УПРАВЛІННЯ 3D ПРИНТЕРОМ
DOI: 10.31673/2412-4338.2024.010415
Анотація
Стаття розглядає важливі аспекти використання методів машинного навчання для оптимізації управління 3D принтерами. У зв'язку з поширенням технології 3D друку в сучасному виробництві та дизайні, виникає необхідність вдосконалення процесів налаштувань та контролю за друкуванням. Автори досліджують вплив використання алгоритмів машинного навчання на покращення якості виробів, а також зниження часу друку та витрат матеріалу. Стаття розглядає можливості застосування алгоритмів машинного навчання для автоматизації процесів налаштування принтера. Це включає в себе підбір оптимальних параметрів друку, таких як швидкість друку, температура інгредієнтів та інші. Автори розглядають можливість створення моделей прогнозування, які дозволяють передбачати оптимальні умови друку для конкретних завдань та матеріалів. Основна увага приділяється ідентифікації та усуненню дефектів друку за допомогою аналізу великого обсягу даних, зібраних під час процесу друку. Застосування методів машинного навчання дозволяє автоматизувати виявлення неполадок та пропозиції оптимальних шляхів їх виправлення. Це не тільки підвищує якість виготовлених виробів, але й зменшує відсоток браку та забезпечує стабільність виробничих процесів. В статті також розглядаються аспекти забезпечення керованості та безпеки процесу друку. Методи машинного навчання використовуються для реалізації систем автоматичного виявлення та управління ризиками, пов'язаними з виробництвом на 3D принтерах. Загальний висновок статті полягає в тому, що застосування методів машинного навчання до управління 3D принтером має великий потенціал для покращення ефективності виробничих процесів та якості виробів. Подальше дослідження в цьому напрямку може відкрити нові можливості для індустрії та дизайну, сприяючи розвитку цифрового виробництва.
Ключові слова: 3D принтер, нейромережі, машинне навчання, комп’ютерний зір, інформаційна технологія, інформаційна система, модель, алгоритм.
Список використаної літератури
1. Про програмне забезпечення для Raspberry Pi [Електронний ресурс] – Режим доступу до ресурсу: https://raspberrypi.org/software.
2. Використання OctoPrint з Raspberry Pi для керування 3D-принтерами [Електронний ресурс] – Режим доступу до ресурсу: https://www.raspberrypi.com/news/octoprint/.
3. Machine Learning with PyTorch and Scikit-Learn / Sebastian Raschka., 2022. – 770 с.
4. Програмування на Python [Електронний ресурс] – Режим доступу до ресурсу: https://diveinto.org/python3/.
5. EfficientNet-Lite [Електронний ресурс] – Режим доступу до ресурсу: https://blog.tensorflow.org/2020/03/higher-accuracy-on-vision-models-with-efficientnet-lite.html.
6. Використання глибокого навчання для детекції дефектів [Електронний ресурс] – Режим доступу до ресурсу: https://www.mdpi.com/2571-5577/4/2/34.
7. Глибоке навчання для пошуку дефектів [Електронний ресурс] – Режим доступу до ресурсу: https://www.emerald.com/insight/content/doi/10.1108/RPJ-05-2023-0157/full/html
8. Zhurakovskyi B., Toliupa S., Druzhynin V., Bondarchuk A., Stepanov M. Calculation of Quality Indicators of the Future Multiservice Network. Lecture Notes in Electrical Engineering, 2022, 831, p. 197–209
9. Shevchenko O., Bondarchuk A., Polonevych O., Zhurakovskyi B., Korshun N. Methods of the objects identification and recognition research in the networks with the IoT concept support. CEUR Workshop ProceedingsЭта ссылка отключена., 2021, 2923, p. 277–282
10. Zhebka V., Gertsiuk M., Sokolov V., Malinov V., Sablina M. Optimization of Machine Learning Method to Improve the Management Efficiency of Heterogeneous Telecommunication Network // CEUR Workshop Proceedings, 2022, 3288, p. 149–155
