[論文レビュー] Digital Twins in Additive Manufacturing: A Systematic Review

Md Manjurul Ahsan, Yingtao Liu+2 more|arXiv (Cornell University)|Sep 2, 2024

Additive Manufacturing and 3D Printing Technologies被引用数 4

ひとこと要約

本系統的レビューは、積層造形（AM）におけるデジタルツイン（DT）に関する現在の研究を統合し、主なDTの種別、インダストリー4.0技術との統合、およびプロセス最適化やハイブリッド製造への応用を特定する。マルチセンサー融合、物理に基づく機械学習、リアルタイムシミュレーションが欠陥検出およびプロセス制御を向上させることを示しているが、リアルタイム展開に際してのデータ品質、スケーラビリティ、計算要求の課題も浮き彫りにしている。

ABSTRACT

Digital Twins (DTs) are becoming popular in Additive Manufacturing (AM) due to their ability to create virtual replicas of physical components of AM machines, which helps in real-time production monitoring. Advanced techniques such as Machine Learning (ML), Augmented Reality (AR), and simulation-based models play key roles in developing intelligent and adaptable DTs in manufacturing processes. However, questions remain regarding scalability, the integration of high-quality data, and the computational power required for real-time applications in developing DTs. Understanding the current state of DTs in AM is essential to address these challenges and fully utilize their potential in advancing AM processes. Considering this opportunity, this work aims to provide a comprehensive overview of DTs in AM by addressing the following four research questions: (1) What are the key types of DTs used in AM and their specific applications? (2) What are the recent developments and implementations of DTs? (3) How are DTs employed in process improvement and hybrid manufacturing? (4) How are DTs integrated with Industry 4.0 technologies? By discussing current applications and techniques, we aim to offer a better understanding and potential future research directions for researchers and practitioners in AM and DTs.

研究の動機と目的

• 積層造形（AM）におけるデジタルツイン（DT）の応用の現状を把握し、主な研究ギャップを同定すること。
• 機械学習、拡張現実（AR）、インターネット・オブ・シングズ（IoT）などの新興技術とDTがどのように統合され、リアルタイム監視および制御に応用されているかを分析すること。
• DTがAMプロセスにおけるプロセス品質の向上、欠陥の低減、および適応型制御の実現に果たす役割を評価すること。
• マルチスケールモデリング、持続可能な製造、インダストリー5.0の原則との統合を含む、今後の研究の方向性を検討すること。

提案手法

• 2010年から2024年までの、積層造形におけるデジタルツインに関する学術論文を対象とした系統的文献レビューを実施した。
• アーキテクチャ、データソース、シミュレーションおよびセンシング技術との統合に基づいて、DTの種別を分類した。
• 物理ベースのモデル、機械学習（例：PINNs、RNNs）、マルチセンサー融合（MFDT）を用いたリアルタイムプロセス予測および欠陥検出の利用状況を評価した。
• インダストリー4.0技術（例：IoT、AR/VR、サイバーフィジカルシステム）とのDT統合が、監視および制御の向上にどのように寄与しているかを分析した。
• リアルタイムAMアプリケーションに向けたDTの展開における計算要件、データ品質の課題、スケーラビリティの問題を評価した。
• 得られた知見を統合し、持続可能な製造、コストモデリングの改善、応用範囲の拡大を含む今後の研究方向性を提示した。

Figure 1: The multiscale nature of the powder-bed metal AM process, showing various properties and interactions across different length and time scales [ 7 ] .

実験結果

リサーチクエスチョン

• RQ1 積層造形で用いられる主なデジタルツインの種別とその具体的な応用は何か？
• RQ2 AMプロセスにおけるデジタルツインの最近の発展および実装状況は何か？
• RQ3 デジタルツインはAMにおけるプロセス改善およびハイブリッド製造にどのように活用されているか？
• RQ4 デジタルツインはインダストリー4.0技術とどのように統合されているか？

主な発見

• 複数のセンサーからのデータ統合により、ロボット制御レーザー指向エネルギー堆積（L-DED）プロセスを含め、AMにおけるリアルタイム欠陊検出が顕著に向上しており、単一センサー手法を上回る性能を示している。
• 物理ベースのシミュレーションにボクセル化ジオメトリと一時的熱モデリングを組み合わせることで、溶融積層造形における熱分布の正確な予測と最適な印刷パラメータの決定が可能となり、材料の無駄と計算負荷が低減された。
• 物理に基づくニューラルネットワーク（PINNs）や再帰型ニューラルネットワーク（RNNs）を含む機械学習モデルは、リアルタイムプロセスの適応を向上させ、即時の補正が可能な自動チューニングされたツールパスとプロセスパラメータの実現を可能にした。
• 拡張現実（AR）および仮想現実（VR）とデジタルツインを統合することで、オペレータのインタラクションが向上し、複雑なAMプロセスの直感的な監視と制御が可能になった。
• 特にIoT、人間-サイバーフィジカルシステム（HCPS）、リアルタイムデータパイプラインと統合されたデジタルツインは、AM環境における動的で適応型の制御と意思決定の向上を実現した。
• 進展は見られるが、データ品質、計算要求、スケーラビリティ、および広範な産業応用を支援するための標準化フレームワークの必要性といった課題が依然として残っている。

Figure 2: Different types of AM techniques [ 17 ] .