Giới thiệu: Vấn đề nan giải về lập kế hoạch trong thời đại đa chủng loại và theo từng đợt nhỏ
Trong các ngành công nghiệp như ô tô, hàng không vũ trụ và thiết bị y tế, công nghệ in 3D đang chuyển đổi từ sản xuất nguyên mẫu sang sản xuất hàng loạt. Tuy nhiên, một nhà cung cấp phụ tùng ô tô ở Đông Trung Quốc phải đối mặt với một tình huống khó xử điển hình: Họ có 12 máy in kim loại SLM cấp công nghiệp (bao gồm EOS M290, SLM 280 và các mẫu khác), và lượng đặt hàng trung bình hàng tháng đã tăng từ 450 chiếc vào năm 2022 lên 1.200 chiếc vào năm 2023. Tuy nhiên, tỷ lệ sử dụng thiết bị tổng thể (OEE) chỉ là 58% và tỷ lệ giao đơn hàng đúng hạn dao động quanh mức 72%. Mâu thuẫn cốt lõi là các đơn đặt hàng được đặc trưng bởi nhiều loại (SKU trung bình hàng tháng đạt 80+), lô nhỏ (cỡ lô trung bình là 3-5 chiếc) và sự khác biệt lớn về quy trình (hợp kim titan, hợp kim nhôm, thép không gỉ và các vật liệu khác, và thời gian in dao động từ 4 giờ đến 36 giờ). Lập kế hoạch thủ công truyền thống dựa trên bảng Excel và đánh giá thực nghiệm. Người điều phối dành 3-4 giờ mỗi ngày để điều phối thiết bị, vật liệu và quy trình xử lý hậu kỳ. Các lệnh khẩn cấp thường làm gián đoạn kế hoạch ban đầu, dẫn đến thiết bị bị bỏ trống và đơn hàng tồn đọng. Cảnh này phản ánh thách thức mang tính hệ thống của việc lập kế hoạch sản xuất in 3D: làm thế nào để đạt được sự phân bổ tối ưu các nguồn lực sản xuất trong nhiều điều kiện hạn chế về quy trình, khả năng của thiết bị và tính kịp thời giao hàng?1. Những điểm nghẽn cốt lõi và phân tích kỹ thuật về tối ưu hóa lịch trình
1. Sự không chắc chắn trong dự đoán thời gian in
Thời gian in 3D bị ảnh hưởng bởi nhiều yếu tố: độ phức tạp hình học của bộ phận, mật độ lấp đầy, cài đặt độ dày lớp, cấu trúc hỗ trợ, tính chất vật liệu, v.v. Lấy quy trình SLM làm ví dụ, theo các thông số tiêu chuẩn là công suất laser 280W, tốc độ quét 1200mm/s và độ dày lớp 30μm, chênh lệch thời gian in cho các bộ phận có cùng khối lượng có thể đạt tới hơn 300% do hình dạng hình học khác nhau. Phương pháp truyền thống sử dụng mô hình tuyến tính của hệ số khối lượng × vật liệu và sai số dự đoán cao tới ±35%. Số liệu đo thực tế từ một công ty cho thấy, đối với cánh quạt bằng hợp kim titan có thể tích 120cm³ thì thời gian in thực tế là 22,4 giờ, trong khi giá trị dự đoán chỉ là 15,2 giờ, sai số -32%. Sự không chắc chắn này dẫn đến thất bại thường xuyên trong kế hoạch lập kế hoạch. Giải pháp là giới thiệucác mô hình dự đoán học máy. Dựa trên dữ liệu đơn hàng lịch sử (bao gồm các tham số tệp lát, thời gian in thực tế, kiểu thiết bị, v.v.), xây dựng một dự án tính năng: - Đặc điểm hình học: tỷ lệ diện tích bề mặt/thể tích, phân bố góc nhô ra, độ dày thành tối thiểu - Đặc điểm quy trình: độ dày lớp, mật độ lấp đầy, chiến lược quét (loại bàn cờ/dải), tỷ lệ khối lượng hỗ trợ - Đặc tính vật liệu: nhiệt độ nóng chảy, độ dẫn nhiệt, phân bố kích thước hạt bột Bằng cách sử dụng mô hình hồi quy XGBoost, một công ty đã giảm sai số dự đoán xuống ±12%. Mô hình nhập hơn 300 thứ nguyên tính năng và tập huấn luyện chứa hơn 8000 bản ghi in lịch sử. Đồng thời, cơ chế hiệu chỉnh động được thiết lập: mỗi khi một đơn hàng được hoàn thành, dữ liệu thực tế sẽ được trả về mô hình để đạt được sự tối ưu hóa liên tục.2. Ràng buộc không đồng nhất trên nhiều thiết bị
Có nhiều mẫu thiết bị in 3D cấp công nghiệp khác nhau với các khả năng khác nhau đáng kể. Lấy danh mục thiết bị của một doanh nghiệp nào đó làm ví dụ: - EOS M290 (laser 400W, buồng tạo hình 250×250×325mm): thích hợp cho các bộ phận có độ chính xác vừa và nhỏ, độ chính xác in hợp kim titan ± 0,05mm - SLM 280 (laser kép 500W, 280×280×365mm): phù hợp cho các chi tiết kết cấu lớn, hiệu quả cao trong in hợp kim nhôm - GE Arcam EBM Q20plus (chùm tia điện tử, φ350×380mm):
Bước tiếp theo
Điều này có gần với nhu cầu của bạn không?
Gửi mô hình, bản vẽ, hình ảnh hoặc ghi chú bằng văn bản. Kỹ sư sẽ xem xét vật liệu, quy trình, hoàn thiện và giao hàng dựa trên sử dụng thực tế.