《Stratasys发布新型原形制作打印机以及工装夹具制作软件和生产级设备》

  • 来源专题:中国科学院文献情报制造与材料知识资源中心 | 领域情报网
  • 编译者: 冯瑞华
  • 发布时间:2018-05-04
  • 应用型增材技术解决方案全球领导者Stratasys(NASDAQ:SSYS),近日在美国Rapid TCT 2018 : 3D打印和增材制造会展上展示了一系列先进的解决方案和软件技术,包括增强版Stratasys J750 3D打印机与新款Stratasys J735 3D打印机、Jigs and Fixtures for GrabCAD Print新型软件以及新款F900 生产级 3D打印机,进一步拓展了3D打印原型在应用上的极限,减少了制造工装夹具零部件的时间和成本,并提高增材制造在生产车间的使用率。

    为快速原型制作在真实感、色彩和速度方面设定新标准

    在3D打印的原形制作中,设计师和制造商面临的最大挑战就是原型无法达到某些操作所必须具备的真实感。Stratasys最新发布的增强版Stratasys J750 3D打印机与新款Stratasys J735 3D打印机,在GrabCAD Print软件的支持下,能够制作高逼真度、色彩鲜艳的部件,而且速度可以达到传统方法的5-10倍。这将帮助缩短产品开发周期和上市时间,帮助设计师和工程师简化从设计到原型制作的工作流程,使原型制作更具成本效益。

    Stratasys打印机色彩鲜艳,色彩搭配精确度高,且具有纹理功能,能够很好地满足汽车制造商对3D打印原型的需求。

    这两款打印机均采用PolyJet技术驱动,配备了全新的色彩包,具有高度精确的色彩匹配能力,而且具有纹理功能,能够产生高清晰度的效果,可提供50多万种色彩组合,制作出的原型在外观、感觉和操作方面均可完美接近成品。这两套打印系统均无需喷漆、装配或后处理等工序,可节省较多的成本;生产出的部件具有良好的稳定性,性能一致,可有效缩短原型制作的周期。针对需要进行ABS级塑性成形模拟的部件和耐撕裂橡胶类部件,增强版GrabCAD打印软件(现在也可用于connex 3™ 3D打印机)进一步改进了工作流程和功能原型。

    新推出的J750和J735两款打印机适用于从汽车、消费品到研究和教育等不同行业的原型制作,制作出和最终产品极为接近的原型,以便进行设计验证、功能性能测试和贴合/成型应用。此外,它们还配备了VeroYellowV和VeroMagentaV两种新材料,可实现具有半透明性的增强型红/橙/黄颜色,完美适用于车灯和外壳等一些消费品和模型产品。

    凭借Stratasys J750和J735 3D打印机的强大功能,设计人员现在可以直接从本机CAD格式进行3D打印,无须再进行STL文件的转换和修复。该软件还具有3D打印VRML文件的新功能,可以在产品上实现更逼真的纹理、图像和图形。模型、托盘和切片预览的详细视图进一步缩短了设计时间,便于在进行最终3D打印之前进行调整。

    新软件简化工装夹具的制作并提高快速制模的效率

    作为一款用于改进Stratasys增材制造解决方案的新型软件,Jigs and Fixtures for GrabCAD Print (GrabCAD Print工装夹具版),可简化与工具快速制作有关的打印准备工作,提高其自动化程度。该软件将改进工装夹具等制造工具的制作工艺,进一步提高Stratasys工业硬件和材料在工装夹具制作中的使用率,使其普及到车间实用的水平。

    通过将易于使用的GrabCAD打印界面与功能强大的Stratasys Insight软件相结合,Jigs and Fixtures for GrabCAD Print可自动执行部件准备任务。

    该软件通过GrabCAD Print使用,实现了几个复杂且耗时的处理步骤的自动化,并且其工作流中不再需要多个程序同时运行。该软件还扩展了Stratasys Insight中的各项功能,从而简化了刀具路径规划过程;增加了易用性,减少了制造工装夹具零部件的时间和成本,最大限度地提高了Stratasys增材制造解决方案的价值。

    该软件还接受本机CAD设计,因而可以保持零件的原始设计意图。用户无需再将其CAD设计转换为STL文件,从而避免了在转换过程中丢失关键信息的风险。同时,帮助工具设计人员和制造工程师简化了设计到零件的工作流程,在工具CAD设计和增材制造之间构建了一条用户友好的路径。

    Jigs and Fixtures for GrabCAD Print软件适用人群包括制造工程师、工具设计师、生产经理,以及技术服务企业的程序员、主管和企业主。

    全新的车间解决方案推动增材制造进入主流工艺行列

    Stratasys公司正在助力将增材制造技术从仅适用于原型设计和模具制作的细分领域技术,发展成为一套真正的工业增材制造系统。最新发布的多款可以与碳纤维复合材料兼容的3D打印机,支持模具、夹具、卡具和零件等工具的生产,将提高增材制造在生产车间的使用率。这些全新解决方案包括可以使用碳纤维Nylon 12的新款F900生产级3D打印机以及Fortus 380 尼龙碳纤打印机(第二季度至第三季度上市)。

    新款F900生产3D打印机出厂时已配置了MTConnect接口和可兼容复合材料,可直接投入车间使用。

    F900 生产级3D打印机是Stratasys旗舰FDM系统的第三代产品,其功能包括具备生产就绪精度和可重复性的MTConnect就绪界面。F900是在Fortus 900 MC平台上构建的,在当今用于高端增材制造的各种增材制作系统中,该平台是使用最广泛的系统之一。F900有三种新的解决方案系列:F900、F900 AICS(飞机内饰认证解决方案)和F900 PRO。

    Stratasys F900飞机内饰认证解决方案(AICS)是这一类别中的首款解决方案,可满足飞行部件在性能和可追溯性方面的需求,为飞机内饰以及其他高度规范的生产应用提供了高重复性专业解决方案。

    Stratasys F900 PRO是一个生产级系统,能够以ULTEM 9085树脂为原材料生产拥有最高级FDM重复性和性能的零件。它不仅具备AICS产品的全部优点和价值,还将专门针对AICS开发的高重复性扩展到了所有行业。

  • 原文来源:http://www.xincailiao.com/news/news_detail.aspx?id=178844
相关报告
  • 《可编程的swarmbots制作灵活的生物工具》

    • 来源专题:生物安全网络监测与评估
    • 编译者:yanyf@mail.las.ac.cn
    • 发布时间:2019-09-19
    • 杜克大学的生物医学工程师开发了一个新平台,使用特殊工程细菌制造生物药物,当他们感觉到胶囊变得过于拥挤时,这些细菌会破裂并释放有用的蛋白质。 该平台依赖于两个主要组成部分:被称为“swarmbots”的工程细菌,其被编程以感知其容器内对等物的密度,以及限制swarmbots的生物材料,这是一种多孔胶囊,可以随着变化而缩小。细菌种群。当它收缩时,胶囊会挤出由圈养细菌产生的目标蛋白质。 这个独立的平台可以使研究人员更容易创建,分析和纯化用于小规模生物制造的各种生物制剂。 这项研究于9月16日在线发表在“自然 - 化学生物学”杂志上。 细菌通常用于生产生物制剂,其是诸如疫苗,基因疗法和从生物来源产生或合成的蛋白质的产品。目前,该过程涉及一系列复杂的步骤,包括细胞培养,蛋白质分离和蛋白质纯化,每个步骤都需要精细的基础设施以确保效率和质量。对于工业操作,这些步骤是大规模进行的。虽然这有助于产生大量的某些分子,但当研究人员需要生产少量不同的生物制剂或在资源有限的环境中工作时,这种设置并不灵活或在经济上可行。 这项新技术由杜克大学生物医学工程教授Lingchong You和前杜克大学博士后研究员戴卓钧开发,现任深圳先进技术研究院副教授。在这项新研究中,他们展示了他们的新平台如何利用swarmbots与其胶囊之间的通信,实现多种蛋白质和蛋白质复合物的多样化生产,分析和纯化。 在早期的概念证明中,You和他的团队设计了一种非致病性的大肠杆菌菌株,当细菌达到一定的密度时会产生抗生素的解毒剂。然后将这些swarmbots限制在胶囊中,胶囊浸泡在抗生素中。如果一个细菌离开了胶囊,它就会被破坏,但如果它留在人口密度高的容器内,它就能存活下来。 “我们的第一项研究基本上显示了单向通信,其中细胞可以感知胶囊内的环境,但环境对细胞没有反应,”你说。 “现在,我们有双向沟通 - 工程化的swarmbots仍能感知它们的密度和限制,但是我们已经引入了一种材料,当它内部的细菌群体发生变化时可以做出反应。就像两个组件相互交谈一样,他们一起给你非常有活力的行为。“ 一旦胶囊内的群体达到一定密度,细菌开始“爆发”,释放所有细胞内容物,包括感兴趣的蛋白质产物。同时,这种细菌生长改变了胶囊内的化学环境,导致其收缩。当它收缩时,它挤出从破裂细胞释放的蛋白质,同时细菌和细胞碎片保持在胶囊内。 收集蛋白质后,研究人员可以在培养皿中添加营养补充剂作为胶囊扩大的提示。这会重置内部环境,让细菌再次开始生长,重新启动过程。根据你的说法,这个循环可以重复长达一周。 为了使该方法对生物制造有用,该团队将胶囊添加到微流体芯片中,其中包括一个腔室,用于检测和量化哪些蛋白质被释放。这可以用纯化室代替,以制备用于生物制剂的蛋白质。 “这是一个非常紧凑的过程。你不需要电力,你不需要离心机来生产和分离这些蛋白质,”你说。 “它使这成为生物制造的良好平台。您能够以低成本生产某种类型的药物,并且易于交付。最重要的是,这个平台提供了一种简单的生产方式同时有多种蛋白质。“ 据You介绍,这种易用性使得该团队能够与Ashutoshi Chilkoti,Alan L. Kaganov教授和杜克大学生物医学工程系主任的实验室合作,生产,量化和纯化50多种不同的蛋白质。他们还探索了他们的平台如何简化蛋白质复合物的产生,蛋白质复合物是由多种蛋白质制成的结构。 在一个从多种酶产生脂肪酸合成途径的概念验证实验中,“我们能够使用七种版本的微生物swarmbots,每种都被编程生产出不同的酶,”You说。 “通常,为了产生代谢途径,你需要平衡供应链,这可能涉及上调一种酶的表达并下调另一种酶的表达。使用我们的平台你不需要这样做,你只需要设定正确的swarmbots比例。“ “这项技术非常多才多艺,”他说。 “这是我们想要利用的能力。” ——文章发布于2019年9月17日
  • 《人工智能辅助材料制作》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2017-11-09
    • 近年来,材料基因组计划(Materials Genome Initiative)和材料项目(the Materials Project)等研究成果为设计用于一系列应用的新材料提供了大量的计算工具,从能源、电子到航空和土木工程。 但是,开发这些材料的过程继续依赖于经验、直觉和手工文献综述的结合。 麻省理工学院(MIT)、马萨诸塞大学阿姆赫斯特分校(University of Massachusetts at Amherst)和加州大学伯克利分校(University of California at Berkeley)的一组研究人员希望通过一种新的人工智能系统来关闭这种材料——科学自动化的缺口,该系统将通过研究论文来推断出生产特定材料的“食谱”。 麻省理工学院材料科学与工程学系的能源研究助理教授Elsa Olivetti说:“计算材料科学家们已经在‘该做什么’上取得了很大的进展,这是基于我们想要的特性来设计的材料。”“但由于成功,瓶颈已经转移到,‘好吧,现在我怎么做呢?’” 研究人员设想了一个数据库,其中包含从数百万份文件中提取的材料食谱。科学家和工程师可以输入目标材料的名称和任何其他标准——前体材料、反应条件、制造过程——并提出建议配方。 一步实现这一愿景,奥利维蒂和她的同事已经开发出一种机器学习系统,可以分析一篇研究论文,推断其段落包含材料的配方,并对其进行分类单词在这些段落根据他们的角色在食谱:目标材料的名字,数字量,设备名称、操作条件、描述性形容词,等等。 在一篇出现在最新一期的《化学材料,他们也证明了机器学习系统可以分析提取的数据来推断总体特征的类的材料,如他们的合成需要的不同温度范围-或特定特征的个人材料,如不同的物理形式时,他们将他们的制造条件有所不同。 Olivetti是这篇论文的资深作者,她和麻省理工学院的研究生爱德华·金一起,Kevin Huang,一位DMSE博士后;亚当·桑德斯(Adam Saunders)和安德鲁·麦卡勒姆(Andrew McCallum),UMass Amherst的计算机科学家;Gerbrand Ceder是加州大学伯克利分校材料科学与工程学系的校长。 填写空白 研究人员使用监督和无监督的机器学习技术训练他们的系统。“监督”是指给系统提供的培训数据首先由人进行注解;系统试图找出原始数据和注释之间的相关性。“无监督”意味着训练数据是无注释的,而系统则根据结构相似性学习将数据聚在一起。 由于材料配方的提取是一个新的研究领域,Olivetti和她的同事们并没有享受到由不同的研究团队多年积累的大型、带注释的数据集。相反,他们不得不自己注释自己的数据——最终,大约有100篇论文。 通过机器学习标准,这是一个相当小的数据集,为了改进它,他们使用了一个在谷歌开发的名为Word2vec的算法。Word2vec研究单词发生的上下文——单词在句子中的句法角色和周围的其他单词——以及组合在一起的单词,这些单词往往有类似的上下文。例如,如果一篇论文中包含了“我们将四氯化钛加热到500摄氏度”的句子,另一篇文章则包含了“氢氧化钠加热到500摄氏度”的句子,Word2vec会将“四氯化钛”和“氢氧化钠”组合在一起。 在Word2vec中,研究人员能够极大地扩展他们的训练集,因为机器学习系统可以推断出一个附加在任何给定单词上的标签很可能应用于与之相关联的其他单词。因此,研究人员可以用大约64万张纸来训练他们的系统,而不是100篇论文。 冰山一角 然而,为了测试系统的准确性,他们不得不依赖被标记的数据,因为他们没有标准来评估其在未标记数据上的性能。在这些测试中,该系统能够识别出包含食谱的段落的99%的准确性,并以86%的准确度将这些段落中的单词准确地标注出来。 研究人员希望进一步的研究能提高系统的准确性,在正在进行的工作中,他们正在探索一种深度学习技术,可以对材料配方的结构进行进一步的归纳,目标是自动设计在现有文献中没有考虑到的材料的食谱。 Olivetti先前的研究主要集中在寻找更具成本效益和环保的方法来生产有用的材料,她希望一个材料的数据库可以abet这个项目。 “这是具有里程碑意义的工作,”加州大学圣芭芭拉分校(University of California at Santa Barbara)材料科学的弗雷德(Fred)和Linda r . Wudl教授的Ram Seshadri说。“作者们通过人工智能方法,利用人工智能方法来捕捉新材料,这是一项艰巨而又雄心勃勃的挑战。”这项工作展示了机器学习的力量,但准确地说,最终的成功或失败的判断需要有说服力的实践者相信,这种方法的效用可以使他们放弃更本能的方法。 这项研究是由美国国家科学基金会、海军研究办公室、能源部和麻省理工学院能源计划的种子支持所支持的。金部分得到了加拿大自然科学和工程研究委员会的支持。 ——文章发布于2017年的11月5日