Immagine di esempio dell'ugello della stampante 3D utilizzato da un algoritmo di apprendimento automatico per rilevare e correggere gli errori in tempo reale. Le regioni evidenziate mostrano aspetti dell'immagine su cui si concentra il sistema, fornendo potenziali informazioni su come l'algoritmo effettua le previsioni. Credito:Douglas Brion
Gli ingegneri hanno creato stampanti 3D intelligenti in grado di rilevare e correggere rapidamente errori, anche in progetti mai visti prima, o materiali sconosciuti come ketchup e maionese, imparando dalle esperienze di altre macchine.
Gli ingegneri, dell'Università di Cambridge, hanno sviluppato un algoritmo di apprendimento automatico in grado di rilevare e correggere un'ampia varietà di errori diversi in tempo reale e può essere facilmente aggiunto a macchine nuove o esistenti per migliorarne le capacità. Le stampanti 3D che utilizzano l'algoritmo potrebbero anche imparare a stampare nuovi materiali da sole. I dettagli del loro approccio a basso costo sono riportati nella rivista Nature Communications .
La stampa 3D ha il potenziale per rivoluzionare la produzione di parti complesse e personalizzate, come componenti di aeromobili, impianti medici personalizzati o persino dolci intricati, e potrebbe anche trasformare le catene di approvvigionamento manifatturiere. Tuttavia, è anche vulnerabile agli errori di produzione, da imprecisioni su piccola scala e debolezze meccaniche fino a errori di costruzione totali.
Attualmente, il modo per prevenire o correggere questi errori è che un lavoratore specializzato osservi il processo. L'operatore deve riconoscere un errore (una sfida anche per l'occhio allenato), interrompere la stampa, rimuovere la parte e regolare le impostazioni per una nuova parte. Se viene utilizzato un nuovo materiale o una nuova stampante, il processo richiede più tempo man mano che il lavoratore apprende la nuova configurazione. Anche in questo caso, è possibile che gli errori non vengano rilevati poiché i lavoratori non possono osservare continuamente più stampanti contemporaneamente, soprattutto per le stampe lunghe.
"La stampa 3D è impegnativa perché ci sono molte cose che possono andare storte e quindi molto spesso le stampe 3D falliscono", ha affermato il dott. Sebastian Pattinson del Dipartimento di Ingegneria di Cambridge, autore senior del documento. "Quando ciò accade, tutto il materiale, il tempo e l'energia che hai utilizzato sono persi."
Gli ingegneri hanno sviluppato il monitoraggio automatizzato della stampa 3D, ma i sistemi esistenti possono rilevare solo una gamma limitata di errori in una parte, un materiale e un sistema di stampa.
"Ciò che serve davvero è un sistema di 'auto senza conducente' per la stampa 3D", ha affermato il primo autore Douglas Brion, anche lui del Dipartimento di Ingegneria. "Un'auto senza conducente sarebbe inutile se funzionasse solo su una strada o in una città:deve imparare a generalizzare in diversi ambienti, città e persino paesi. Allo stesso modo, una stampante "senza conducente" deve funzionare per più parti, materiali, e condizioni di stampa."
Brion e Pattinson affermano che l'algoritmo che hanno sviluppato potrebbe essere l'"auto senza conducente" che gli ingegneri stavano cercando.
"Ciò significa che potresti avere un algoritmo in grado di esaminare tutte le diverse stampanti che stai utilizzando, monitorando costantemente e apportando modifiche secondo necessità, fondamentalmente facendo ciò che un essere umano non può fare", ha affermato Pattinson.
I ricercatori hanno addestrato un modello di visione artificiale di apprendimento profondo mostrandolo circa 950.000 immagini catturate automaticamente durante la produzione di 192 oggetti stampati. Ciascuna delle immagini è stata etichettata con le impostazioni della stampante, come la velocità e la temperatura dell'ugello di stampa e la portata del materiale di stampa. Il modello ha anche ricevuto informazioni su quanto queste impostazioni fossero lontane da buoni valori, consentendo all'algoritmo di apprendere come si verificano gli errori.
"Una volta addestrato, l'algoritmo può capire semplicemente guardando un'immagine quale impostazione è corretta e quale è sbagliata, ad esempio un'impostazione particolare troppo alta o troppo bassa, e quindi applicare la correzione appropriata", ha affermato Pattinson. "E la cosa interessante è che le stampanti che utilizzano questo approccio potrebbero raccogliere continuamente dati, quindi anche l'algoritmo potrebbe migliorare continuamente."
Utilizzando questo approccio, Brion e Pattinson sono stati in grado di creare un algoritmo generalizzabile, in altre parole, può essere applicato per identificare e correggere errori in oggetti o materiali sconosciuti, o anche in nuovi sistemi di stampa.
"Quando si stampa con un ugello, indipendentemente dal materiale utilizzato, polimeri, cemento, ketchup o altro, è possibile ottenere errori simili", ha affermato Brion. "Ad esempio, se l'ugello si muove troppo velocemente, spesso si ottengono macchie di materiale o se si sta spingendo fuori troppo materiale, le linee stampate si sovrapporranno formando delle pieghe.
"Gli errori che derivano da impostazioni simili avranno caratteristiche simili, indipendentemente dalla parte stampata o dal materiale utilizzato. Poiché il nostro algoritmo ha appreso le caratteristiche generali condivise tra diversi materiali, potrebbe dire 'Oh, le linee stampate stanno formando pieghe, quindi probabilmente stiamo tirando fuori troppo materiale'."
As a result, the algorithm that was trained using only one kind of material and printing system was able to detect and correct errors in different materials, from engineering polymers to even ketchup and mayonnaise, on a different kind of printing system.
In the future, the trained algorithm could be more efficient and reliable than a human operator at spotting errors. This could be important for quality control in applications where component failure could have serious consequences.
With the support of Cambridge Enterprise, the University's commercialization arm, Brion has formed Matta, a spin-out company that will develop the technology for commercial applications.
"We're turning our attention to how this might work in high-value industries such as the aerospace, energy, and automotive sectors, where 3D printing technologies are used to manufacture high performance and expensive parts," said Brion. "It might take days or weeks to complete a single component at a cost of thousands of pounds. An error that occurs at the start might not be detected until the part is completed and inspected. Our approach would spot the error in real time, significantly improving manufacturing productivity." + Esplora ulteriormente