Valmistusjärjestelmien tutkimusryhmä (MASYRE)

Wire Arc Additive Manufacturing: welding torch mounted on ABB robot

Tutkimusryhmä koostuu tutkijoista, joilla on syvällistä tietoa valmistusteknologioista ja suunnittelusta. Ryhmä yhdistää mallinnusta, simulointia ja kokeellista tutkimusta valmistusjärjestelmien alalla. Ryhmän fokus on metamallinnuksen hyödyntämisessä suunnittelusimulaatioiden ja päätöksenteon tukena. Kontekstina on erityisesti vankkojen metamallilähestymistapojen kehittäminen niukassa datakontekstissa.

Keskeiset tehtävät ja tavoite

Tutkimuksen painotukset ovat:

valmistusjärjestelmien mallinnus ja simulointi,
valmistusnäkökohtien varhainen integrointi järjestelmän kehittämisprosessiin,
suorakerrostus-prosessin tehokas dynaaminen ohjaus,
tiedon koodaus kausaalikaavioiden muodossa,
olemassa olevan tiedon integrointi ja hermoverkkotopologioiden suunnittelu kausaalikaavioiden avulla,
dimensioanalyysiteoria ja sen yhdistelmä kausaalikaavioiden kanssa,
kausaalikaavioverkot päätöksenteon tueksi,
monialainen optimointi ja luovuuden tukeminen suunnittelulle,
varhainen suunnitteluprosessi, automaattinen poiminta ja vaatimusten analysointi,
järjestelmäsuunnittelun ja valmistuksen mittarit,
kausaalikaavioiden ja Bayesian verkkojen käyttäminen koneoppimiseen.

Tutkimuksen tärkein tulos on monikäyttöinen kausaalikaavio, joka tukee seuraavia tavoitteita:

Ensimmäinen tavoite on luoda suunnittelu- ja valmistusaloille uudenlainen integroiva metamalli, joka tukee useiden eri tieteenalojen mallien integrointia ja jota kehitetään heterogeenisten mallinnus- ja simulointitapojen avulla.
Toisena tavoitteena on tarjota järjestelmäanalyysimenetelmä huonosti määriteltyjä ongelmia varten, jotka edellyttävät pelkästään laadullista tietoa.
Kolmas tavoite on käyttää kausaalikaavioita topologian suunnittelun tukena ja erilaisten koneoppimismenetelmien esiasteena. Ne voivat toimia myös järjestelmien koulutuksen tukena.

Toiminnan vaikuttavuus

Ryhmässämme kehitetyssä tutkimuksessa on tarkoitus muuttaa varhaisen suunnittelun, valmistuksen ja optimoinnin tieteenaloja tarjoamalla automaatiokerros tehokkaaseen päätöksenteon tukeen, mallintamiseen, simulointiin ja hallintaan niukassa dataympäristössä.

Tuloksena voi olla uusia mallinnus-, simulointi- ja ohjaustyökaluja insinööritieteenalojen käyttöön.

Seuraavassa on luettelo tutkimusryhmän julkaisuista:

Sr.	Conference Papers	Link
1	Improving worker health and safety in wire arc additive manufacturing: A graph-based approach.	https://doi.org/10.1016/j.procir.2020.01.116
2	A dimension reduction method for efficient optimization of manufacturing performance	https://doi.org/10.1016/j.promfg.2020.01.070
3	Probabilistic modeling of defects in additive manufacturing: a case study in powder bed fusion technology	https://doi.org/10.1016/j.procir.2019.03.234
4	Tracing the interrelationship between key performance indicators and production cost using Bayesian Networks	https://doi.org/10.1016/j.procir.2019.03.136
5	Knowledge-based artificial neural network (KB-ANN) in engineering: Associating functional architecture modeling, dimensional analysis and causal graphs to produce optimized topologies for KB-ANNs	https://doi.org/10.1115/DETC2018-85895
6	Dimensional analysis conceptual modeling supporting adaptable reasoning in simulation-based training	https://doi.org/10.1109/SYSOSE.2018.8428785
7	Dimension reduction and decomposition using causal graph and qualitative analysis for aircraft concept design optimization	https://doi.org/10.1115/DETC2017-67601

Sr.	Journal Articles	Link
1	Knowledge production, sharing, and design in an age of fundamental transformations	https://doi.org/10.3233/JID200010
2	Systematic manufacturability evaluation using dimensionless metrics and singular value decomposition: a case study for additive manufacturing	https://doi.org/10.1007/s00170-020-06158-0
3	Graph-based metamodeling for characterizing cold metal transfer process performance.	https://doi.org/10.1520/SSMS20190026
4	Knowledge-based design of artificial neural network topology for additive manufacturing process modeling: A new approach and case study for fused deposition modeling	https://doi.org/10.1115/1.4042084
5	A conceptual design and modeling framework for integrated additive manufacturing	https://doi.org/10.1115/1.4040163
6	Function modeling combined with physics-based reasoning for assessing design options and supporting innovative ideation	https://doi.org/10.1017/S0890060417000403
7	Comparative environmental impacts of additive and subtractive manufacturing technologies	https://doi.org/10.1016/j.cirp.2016.04.036