はじめに: 多品種少量バッチ時代のスケジュール管理のジレンマ
自動車、航空宇宙、医療機器などの業界では、3D プリンティング技術が試作品の製造から量産へと移行しつつあります。しかし、中国東部の自動車部品サプライヤーは、典型的なジレンマに直面しています。同社は 12 台の産業グレードの SLM メタル プリンター (EOS M290、SLM 280 などのモデルを含む) を保有しており、月間平均注文量は 2022 年の 450 個から 2023 年には 1,200 個に増加しました。しかし、全体の設備稼働率 (OEE) は 58% にすぎず、納期厳守率は高止まりしています。 72%。 核心的な矛盾は、注文が複数の種類（月平均SKUは80以上に達する）、小ロット（平均バッチサイズは3～5個）、大きなプロセスの違い（チタン合金、アルミニウム合金、ステンレス鋼、その他の材料で、印刷時間は4時間から36時間の範囲）によって特徴づけられることである。従来の手動スケジューリングは、Excel テーブルと経験的判断に依存していました。派遣者は、機器、資材、後処理プロセスの調整に 1 日 3 ～ 4 時間を費やします。緊急の注文により当初の計画が中断されることが多く、その結果、設備に空きが生じ、注文が滞ることになります。 このシーンは、3D プリンティングの生産スケジューリングの体系的な課題を反映しています。それは、プロセスの制約、機器の能力、納期の適時性といった複数の条件の下で、生産リソースの最適な割り当てをどのように達成するかということです。1.主要なボトルネックとスケジュール最適化の技術分析
1.印刷時間予測の不確実性
3D プリント時間は、部品の幾何学的複雑さ、充填密度、層の厚さ設定、サポート構造、材料特性などの複数の要因によって影響されます。SLM プロセスを例にとると、レーザー出力 280W、スキャン速度 1200mm/s、層厚 30μm の標準パラメータの下では、幾何学的形状の違いにより、同じ体積の部品のプリント時間の差は 300% 以上に達する可能性があります。 従来の手法では体積×材料係数の線形モデルを使用しており、予測誤差は±35%にも達します。ある企業の実測データによると、体積120cm3のチタン合金羽根車の場合、実際の印刷時間は22.4時間であるのに対し、予測値は15.2時間に過ぎず、誤差は-32％となっています。この不確実性により、スケジュール計画の失敗が頻繁に発生します。 解決策は機械学習予測モデルを導入することです。過去の注文データ (スライス ファイル パラメータ、実際の印刷時間、デバイス モデルなど) に基づいて、機能プロジェクトを構築します。 - 幾何学的特性: 表面積/体積比、オーバーハング角度分布、最小肉厚 - プロセス特性: 層の厚さ、充填密度、スキャン方法 (チェッカーボード/ストリップ タイプ)、サポート体積比 - 材料特性: 融点、熱伝導率、粉末粒度分布 ある企業は、XGBoost 回帰モデルを使用して、予測誤差を ±12% に削減しました。モデルは 300 以上の特徴次元を入力し、トレーニング セットには 8000 以上の印刷履歴レコードが含まれています。同時に動的修正メカニズムが確立され、注文が完了するたびに実際のデータがモデルに返され、継続的な最適化が実現されます。2.マルチデバイスの異種制約
産業グレードの 3D プリント装置には、機能が大きく異なるさまざまなモデルがあります。ある企業の設備リストを例に挙げます。 - EOS M290 (400W レーザー、250×250×325mm 成形チャンバー): 中小型精密部品に適し、チタン合金印刷精度 ±0.05mm - SLM 280 (デュアルレーザー 500W、280×280×365mm): 大型構造部品に適しており、アルミニウム合金印刷の高効率 - GE Arcam EBM Q20plus（電子ビーム、φ350×380mm）：