12吨废料变“黄金”:宝马推动其自主再生3D打印材料全球工厂应用

3D打印技术参考注意到,宝马集团于近日宣布已打通3D打印材料循环使用的闭环。该集团开发了一套回收系统,能够将废弃的3D打印粉末和使用过的零件再制造为3D打印线材或者颗粒料,并能采用丝材熔融沉积(FFF)和颗粒料熔融制造(FGF)技术,来生产一线所使用的工装、夹具等零部件。

作为宝马集团能力中心理念的一部分,该公司增材制造园区致力于持续推广其自主研发的再生线材。它通过分享专业知识和提供全面的解决方案,为各生产基地提供支持。宝马将测试合适的3D打印机,并针对相应车型开发和验证针对再生线材的优化打印参数。该方案包含打印机推荐、再生线材和经过验证的工艺参数,随后将提供给其他工厂。这确保了各生产基地能够高效地启用这些参数,并快速在现场获得高质量的打印结果。

报道指出,该公司位于奥伯施莱斯海姆的增材制造园区,每年能处理多达12吨的废粉末。这项回收计划始于2018年的“bottleUP”项目,最初专注于将PET瓶转化为3D打印材料。到2019年,该公司开始利用工业废料试点生产再生线材。到2021年,宝马集团成功利用再生材料打印了首批支架和生产设备。

宝马集团过去每年生产数千个部件时产生的废粉常被丢弃,如今与破碎的旧零件一起被加工成新的3D打印丝材,然后可用于3D打印新部件,如辅助生产设备和工具。除了3D打印丝材,园区还提供用于熔融颗粒制造 (FGF) 技术的再生颗粒,从而制造大型工具。

宝马集团非金属预开发项目经理Paul Victor Osswald表示,“我从一开始就参与了这个项目,我很高兴看到我们取得的进展——从最初的想法和初创阶段的尝试,到现在能够在宝马集团的任何生产基地利用再生线材生产大量高强度部件。”

如今,宝马集团的每家工厂都配备了3D打印机,每年生产数十万个用于各种用途的零部件。这些零部件包括工人的人体工程学解决方案、防刮保护装置、装配辅助装置、制造设备、仪表、模板和专用工具。借助3D打印,可以生产模腔、预装配支架,甚至整个夹具。

宝马表示,如今可以使用再生丝材3D打印各种各样的组件。例如,宝马集团慕尼黑工厂目前正在3D打印一个用于底盘和车身连接的特定部件。该部件将转向杆暂时固定在指定位置,使其能够穿过车身开口,避免碰撞风险。该可重复使用的部件在底盘和车身连接前不久安装到车辆上,并在连接完成后再次拆卸。

在柏林宝马摩托车工厂,3D打印的支撑基座用于为摩托车的装饰面板添加装饰。这些基座经过定制,可与装饰面板组件精确贴合,并配有锁定装置。这确保组件牢固固定到位,防止其在应用装饰时滑落。

优化运营的解决方案通常是为了应对工作场所的紧急需求而开发的。例如,宝马集团丁戈尔芬工厂的员工开发了自己的安装辅助工具,以防止在车辆组装过程中丢失螺丝。此外,他们还利用3D打印技术开发了一种用于磁性螺丝固定的支架,用于固定各种无线螺丝刀,从而确保螺丝的安全携带。

3D打印技术参考认为,宝马集团此次宣布的“3D打印材料闭环”,看似只是一次工艺迭代,但若把视野拉到整条价值链,它其实完成了三件事:把“废物”重新定义为“资产”、把“备件仓”下沉到“工位旁”、把“可持续”从营销话术变成财务指标。

注:本文由3D打印技术参考创作,未经联系授权,谢绝转载。

欢迎转发

千人行业专家交流Q群:248112776

延伸阅读:

1.斩获双奖!金石三维荣膺2025深圳市“潜在独角兽企业”、“瞪羚企业”称号

2.从运动鞋到灵巧手,3D打印正在重塑产品创造力——这些案例你必须看看

3.金属3D打印助力汽车轻量化与快速迭代,汉邦激光应用案例

4.中国学者3D打印晶格结构肌肉骨骼机器人,登上‌Sci Adv封面

大气污染是影响公众健康与生态环境的重要问题,精准的空气质量时空预测与污染源贡献度量化是精准治污的关键支撑。针对现有研究多源融合不充分、时空关联刻画不足、预测与源解析割裂三方面缺陷,本文设计实现了城市空气质量时空预测与污染源贡献度分析系统,融合监测、气象、工业排放与交通四类数据,构建基于时空注意力的LSTM(STAM-LSTM)预测模型与基于正定矩阵因子分解(PMF)的源解析模型,形成数据融合-特征工程-预测-源解析-可视化闭环。 系统实现四类数据时空对齐与融合,构建时序与空间邻域特征,以普通克里金插值生成1km网格浓度场;STAM-LSTM引入时空注意力自适应学习站点间污染传输时权重,以72小时输入预测未来24小时逐小时PM2.5浓度;PMF识别交通、工业、燃煤、扬尘与二次生成五个源因子,量化各源全年贡献度并分析时空演。 实验表明:STAM-LSTM预测RMSE 24.6、MAE 17.8、R² 0.88,相对LSTM基线(30.2)提升18.5%;普通克里金插值误差8.9,优于反距离加权(11.4);源解析显示交通源28.4%、工业源23.1%、燃煤源19.6%为主要贡献源,冬季燃煤源升至27.3%、早高峰交通源达34.8%,下风向工业源贡献高出上风向8~12个百分点;减排情景显示交通源减排20%可使年均PM2.5下降5.7%,与源贡献度排序一致。 系统按五模块14组件实现,功能测试16项用例全部通过,为大气污染预警、源管控与减排政策制定提供了决策依据。 【课程报告内容】 摘要 第1章 绪论 第2章 相关技术与理论 第3章 系统需求分析 第4章 系统总体设计 第5章 系统详细设计与实现 第6章 系统测试与分析 第7章 总结与展望 参考文献 附件-实现指南
基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测研究(Python代码实现)内容概要:本文提出了一种基于iTransformer-BiGRU-KAN多模型融合的滚动轴承剩余寿命预测方法,旨在通过结合多种先进深度学习模型的优势,提升在复杂工况下的预测精度与鲁棒性。该方法利用iTransformer捕捉长期时间序列中的全局依赖关系,通过BiGRU模型提取双向时序特征,最后引入KAN(Kernel Attention Network)增强非线性映射与关键特征的自适应加权能力,实现对轴承退化过程的精准建模。文中详细介绍了模型架构设计、训练流程及在公开数据集上的实验验证,结果表明该融合模型相比单一模型在预测精度和稳定性方面均有显著提升。; 适合人群:具备一定机器学习与深度学习基础,从事设备故障诊断、工业大数据分析或智能运维相关领域的研究人员及工程技术人员,尤其适合研究生及以上学历或有相关项目经验的专业人员。; 使用场景及目标:①应用于工业设备状态监测与预测性维护系统中,实现对滚动轴承等关键部件剩余寿命的精准预测;②为复杂时间序列回归任务提供多模型融合的设计思路与技术参考;③推动深度学习在智能制造与工业物联网领域的落地应用。; 阅读建议:建议读者结合Python代码实现部分,深入理解各子模型的接口设计与融合逻辑,重点关注特征融合机制与注意力权重的可视化分析,以便在实际项目中灵活调整与优化模型结构。
代码下载地址: https://pan.quark.cn/s/f675b88243cd 《华大HC32L110库函数与例程详解》 华大HC32L110属于低功耗且高性能的微控制器,在众多嵌入式系统设计中具有广泛的应用,特别是在需要电池供电的物联网设备和便携式装置中表现出色。该微控制器的库函数与例程为程序设计者提供了重要的参考资料,包含了丰富的功能接口和示范性代码,从而辅助开发者迅速掌握并运用该芯片。库函数是事先编写完成且可反复使用的代码单元,针对HC32L110的特定硬件特性进行了优化,使得开发者无需深入探究底层机制,仅需调用相应的库函数即可达成预期功能。这些库函数一般涵盖了时钟管理、GPIO操控、ADC转换、串行通信(包含UART、SPI、I2C等形式)以及中断管理等多个方面。比如,若需将一个GPIO端口设置为输出模式并设定其电平状态,开发者可通过调用`HAL_GPIO_Init()`与`HAL_GPIO_WritePin()`函数来实现。 例程则是展示如何运用库函数的应用范例代码,它们具体说明了在实际操作中如何适当地调用库函数及设定相关参数。以HC32L110的串行通信例程为例,它可能涉及初始化UART接口、传输数据、接收数据等环节,借助这些例程,开发者能够清晰地洞察每个功能的具体实现途径。对于新手而言,例程是理解芯片特性及库函数使用的理想途径。 在华大HC32L110的库函数与例程中,通常包含以下核心组成部分: 1. **初始化函数**:诸如`SystemInit()`,其作用是配置系统时钟,作为其他功能的基础。 2. **外设驱动函数**:例如GPIO的`HAL_GPIO_xxx()`系列函数,ADC的`HAL_ADC_xxx()`函数等,用于管理和设定...
【多量输入超前多步预测】基于CNN-BiGRU的光伏功率预测研究(Matlab代码实现)内容概要:本文研究基于CNN-BiGRU混合神经网络模型的多量输入超前多步光伏功率预测方法,并提供了完整的Matlab代码实现。该模型结合卷积神经网络(CNN)强大的局部特征提取能力和双向门控循环单元(BiGRU)对时间序列前后向依赖关系的建模能力,能够有效处理光伏发电受光照强度、温度、湿度等多因素影响的非线性、非平稳特性,实现对未来多个时间步长的功率输出进行精准预测。研究涵盖了数据预处理、模型构建、训练优化及结果分析全过程,并通过实验验证了模型在不同天气条件下的预测性能,展示了其在提升预测精度方面的有效性。; 适合人群:具备一定机器学习和时间序列预测基础知识,从事新能源发电预测、电力系统调度或相关领域研究的研究生、科研人员及工程技术人员。; 使用场景及目标:①应用于光伏发电站的功率预测系统,为电网调度、能量管理和电力交易提供数据支持;②作为深度学习在可再生能源预测领域应用的教学案例,帮助理解CNN与RNN类模型的融合机制;③为进一步研究更复杂的预测模型(如加入注意力机制)提供基础框架和技术参考。; 阅读建议:建议读者结合Matlab代码逐步复现文中实验,重点关注数据预处理流程、模型结构设计细节以及超参数调优策略,同时可尝试在不同数据集上验证模型泛化能力,以深入掌握多量时间序列预测的关键技术要点。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值