MADRID, 17 (EUROPA PRESS)
PUBLICIDAD
Los ingenieros de la Universidad de Cambridge desarrollaron un algoritmo de aprendizaje automático que puede detectar y corregir una amplia variedad de errores diferentes en tiempo real, y puede agregarse fácilmente a máquinas nuevas o existentes para mejorar sus capacidades.
Las impresoras 3D que utilizan el algoritmo también podrían aprender a imprimir nuevos materiales por sí mismas. Los detalles de su enfoque de bajo costo se informan en la revista Nature Communications.
La impresión 3D tiene el potencial de revolucionar la producción de piezas complejas y personalizadas, como componentes de aviones, implantes médicos personalizados o incluso dulces elaborados, y también podría transformar las cadenas de suministro de fabricación. Sin embargo, también es vulnerable a errores de producción, desde imprecisiones a pequeña escala y debilidades mecánicas hasta fallas totales de construcción.
Actualmente, la forma de prevenir o corregir estos errores es que un trabajador calificado observe el proceso. El trabajador debe reconocer un error (un desafío incluso para el ojo entrenado), detener la impresión, retirar la pieza y ajustar la configuración para una pieza nueva. Si se utiliza un material o una impresora nuevos, el proceso lleva más tiempo a medida que el trabajador aprende la nueva configuración. Incluso entonces, los errores pueden pasarse por alto, ya que los trabajadores no pueden observar continuamente varias impresoras al mismo tiempo, especialmente para impresiones largas.
"La impresión 3D es un desafío porque hay muchas cosas que pueden salir mal y, por lo tanto, las impresiones 3D fallan con bastante frecuencia", dijo en un comunicado el doctor Sebastian Pattinson del Departamento de Ingeniería de Cambridge, autor principal del artículo. "Cuando eso sucede, todo el material, el tiempo y la energía que usaste se pierde".
PUBLICIDAD
Los ingenieros han estado desarrollando un control de impresión 3D automatizado, pero los sistemas existentes solo pueden detectar una gama limitada de errores en una pieza, un material y un sistema de impresión.
"Lo que realmente se necesita es un sistema de 'automóvil sin conductor' para la impresión 3D", dijo el primer autor Douglas Brion, también del Departamento de Ingeniería. "Un automóvil sin conductor sería inútil si solo funcionara en una carretera o en una ciudad: debe aprender a generalizar en diferentes entornos, ciudades e incluso países. De manera similar, una impresora 'sin controlador' debe funcionar para múltiples partes, materiales y condiciones de impresión".
Brion y Pattinson dicen que el algoritmo que han desarrollado podría ser el "automóvil sin conductor" que los ingenieros han estado buscando.
"Lo que esto significa es que podrías tener un algoritmo que pueda ver todas las diferentes impresoras que estás operando, monitoreando constantemente y haciendo cambios según sea necesario, básicamente haciendo lo que un humano no puede hacer", dijo Pattinson.
Los investigadores entrenaron un modelo de visión por computadora de aprendizaje profundo mostrándole alrededor de 950.000 imágenes capturadas automáticamente durante la producción de 192 objetos impresos. Cada una de las imágenes se etiquetó con la configuración de la impresora, como la velocidad y la temperatura de la boquilla de impresión y el caudal del material de impresión. El modelo también recibió información sobre qué tan lejos estaban esas configuraciones de los buenos valores, lo que le permitió al algoritmo aprender cómo surgen los errores.
"Una vez entrenado, el algoritmo puede determinar con solo mirar una imagen qué configuración es correcta y cuál es incorrecta, por ejemplo, si una configuración en particular es demasiado alta o demasiado baja, y luego aplicar la corrección adecuada", dijo Pattinson. "Y lo bueno es que las impresoras que utilizan este enfoque podrían recopilar datos continuamente, por lo que el algoritmo también podría mejorar continuamente".
Con este enfoque, Brion y Pattinson pudieron crear un algoritmo generalizable; en otras palabras, se puede aplicar para identificar y corregir errores en objetos o materiales desconocidos, o incluso en nuevos sistemas de impresión.
"Cuando está imprimiendo con una boquilla, sin importar el material que esté usando (polímeros, concreto, ketchup o lo que sea), puede obtener errores similares", dijo Brion. "Por ejemplo, si la boquilla se mueve demasiado rápido, a menudo termina con gotas de material, o si está expulsando demasiado material, las líneas impresas se superpondrán formando pliegues.
"Los errores que surgen de configuraciones similares tendrán características similares, sin importar qué parte se imprima o qué material se utilice. Debido a que nuestro algoritmo aprendió las características generales compartidas en diferentes materiales, podría decir 'Oh, las líneas impresas están formando pliegues, por lo tanto, es probable que estemos sacando demasiado material'".
Como resultado, el algoritmo que se entrenó usando solo un tipo de material y sistema de impresión pudo detectar y corregir errores en diferentes materiales, desde polímeros de ingeniería hasta incluso salsa de tomate y mayonesa, en un tipo diferente de sistema de impresión.
En el futuro, el algoritmo entrenado podría ser más eficiente y confiable que un operador humano para detectar errores. Esto podría ser importante para el control de calidad en aplicaciones donde la falla de los componentes podría tener consecuencias graves.
