Los científicos e ingenieros están constantemente desarrollando nuevos materiales con propiedades únicas que se pueden usar para la impresión 3D, pero están descubriendo cómo Imprimir con estos materiales puede ser un rompecabezas complejo y costoso.
A menudo, un operador experto debe usar métodos manuales de prueba y error (quizás miles de impresiones) para determinar los parámetros ideales para imprimir de manera efectiva un nuevo material de manera consistente. Estos parámetros incluyen la velocidad de impresión y la cantidad de material que coloca la impresora.
Los investigadores del MIT ahora han utilizado inteligencia artificial para agilizar este proceso. Desarrollaron un sistema de aprendizaje automático que utiliza la visión por computadora para monitorear el proceso de fabricación y luego corregir los errores de manejo de materiales en tiempo real.
Usaron simulaciones para enseñarle a una red neuronal cómo ajustar los parámetros de impresión para minimizar los errores y luego aplicaron ese controlador a una impresora 3D real. Su sistema imprimió objetos con mayor precisión que cualquier otro controlador de impresión 3D con el que lo compararon.
El trabajo evita el proceso prohibitivamente costoso de imprimir miles o millones de objetos del mundo real para entrenar la red neuronal. Y podría permitir a los ingenieros incorporar más fácilmente materiales novedosos en sus impresiones, lo que podría ayudarlos a diseñar objetos con propiedades eléctricas o químicas especiales. También podría ayudar a los técnicos a realizar ajustes en el proceso de impresión sobre la marcha si las condiciones ambientales o del material cambian inesperadamente.
«Este proyecto es realmente la primera demostración de la construcción de un sistema de fabricación que utiliza el aprendizaje automático para aprender una política de control compleja», dice el autor principal Wojciech Matusik, profesor de ingeniería eléctrica e informática en el MIT que dirige el Grupo de Fabricación y Diseño Computacional ( CDFG). ) dentro del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). “Si tiene máquinas de fabricación más inteligentes, pueden adaptarse al entorno laboral cambiante en tiempo real para mejorar el rendimiento o la precisión del sistema. Puede sacar más provecho de la máquina”.
Los coautores principales de la investigación son Mike Foshey, ingeniero mecánico y director de proyectos en el CDFG, y Michal Piovarci, postdoctorado en el Instituto de Ciencia y Tecnología de Austria. Los coautores del MIT incluyen a Jie Xu, un estudiante graduado en ingeniería eléctrica y ciencias de la computación, y Timothy Erps, un ex técnico de CDFG.
seleccionar parámetros
Determinar los parámetros ideales de un proceso de fabricación digital puede ser una de las partes más costosas del proceso debido a la cantidad de prueba y error involucrada. Y una vez que un técnico encuentra una combinación que funciona bien, estos parámetros solo son ideales para una situación específica. Tiene pocos datos sobre cómo funciona el material en diferentes entornos, en diferentes hardware o si un nuevo lote exhibe propiedades diferentes.
El uso de un sistema de aprendizaje automático también está lleno de desafíos. Primero, los investigadores tenían que medir lo que sucedía en la impresora en tiempo real.
Para ello, desarrollaron un sistema de visión artificial con dos cámaras que apuntaban a la boquilla de la impresora 3D. El sistema ilumina el material a medida que se aplica y calcula el grosor del material en función de la cantidad de luz que deja pasar.
«Se puede pensar en el sistema de visión como un par de ojos que observan el proceso en tiempo real», dice Foshey.
Luego, el controlador procesaría las imágenes que recibió del sistema de visión y, en función de los errores detectados, ajustaría la velocidad y la dirección de avance de la impresora.
Sin embargo, entrenar un controlador basado en una red neuronal para comprender este proceso de fabricación requiere muchos datos y requeriría la fabricación de millones de impresiones. Entonces, los investigadores construyeron un simulador en su lugar.
Simulación exitosa
Para entrenar a su controlador, utilizaron un proceso llamado aprendizaje por refuerzo, donde el modelo aprende a través de prueba y error con una recompensa. El modelo se encargó de seleccionar los parámetros de impresión que producirían un objeto determinado en un entorno simulado. Después de mostrar el resultado esperado, el modelo era recompensado si los parámetros que elegía minimizaban el error entre su expresión y el resultado esperado.
En este caso, una «falla» significa que el modelo descargó demasiado material, lo colocó en áreas que deberían dejarse abiertas o no descargó lo suficiente, dejando espacios abiertos para llenar. A medida que el modelo realizó más impresiones simuladas, actualizó su política de control para maximizar la recompensa y se volvió cada vez más precisa.
Sin embargo, el mundo real es más caótico que una simulación. En la práctica, las condiciones suelen cambiar debido a fluctuaciones menores o ruidos en el proceso de impresión. Entonces, los investigadores crearon un modelo numérico que se aproxima al ruido de la impresora 3D. Usaron este modelo para agregar ruido a la simulación, lo que resultó en resultados más realistas.
«Lo interesante que encontramos fue que al implementar este modelo de ruido, pudimos transferir la política de control, que se entrenó puramente en simulación, al hardware sin entrenamiento con experimentos físicos», dice Foshey. «No tuvimos que ajustar el equipo real después».
Cuando probaron el controlador, imprimió objetos con mayor precisión que cualquier otro método de control que evaluaron. Se desempeñó particularmente bien en la impresión de relleno, que imprime el interior de un objeto. Algunos otros controladores aplicaron tanto material que el objeto impreso se abultó, pero el controlador de los investigadores ajustó la ruta de impresión para mantener el nivel del objeto.
Su política de control puede incluso aprender cómo se propagan los materiales después de la deposición y ajustar los parámetros en consecuencia.
“También pudimos diseñar políticas de control que podrían controlar diferentes tipos de materiales sobre la marcha. Entonces, si tuviera un proceso de fabricación en el campo y quisiera cambiar el material, no necesitaría volver a validar el proceso de fabricación. Podría simplemente cargar el nuevo metraje y el controlador se ajustaría automáticamente”, dice Foshey.
Ahora que han demostrado la eficacia de esta técnica para la impresión 3D, los investigadores quieren desarrollar controladores para otros procesos de fabricación. También les gustaría ver cómo se puede modificar el enfoque para escenarios en los que hay varias capas de material o se están imprimiendo varios materiales al mismo tiempo. Además, su enfoque asumió que cada material tiene una viscosidad fija («sirupidad»), pero una iteración futura podría usar IA para detectar y ajustar la viscosidad en tiempo real.
Otros coautores de este trabajo incluyen a Vahid Babaei, jefe del grupo de Diseño y Fabricación Asistidos por Inteligencia Artificial en el Instituto Max Planck; Piotr Didyk, Profesor Asociado de la Universidad de Lugano en Suiza; Szymon Rusinkiewicz, Profesor David M. Siegel ’83 de Ciencias de la Computación en la Universidad de Princeton; y Bernd Bickel, profesor del Instituto de Ciencia y Tecnología de Austria.
El trabajo fue apoyado en parte por el Programa FWF Lise Meitner, una subvención inicial del Consejo Europeo de Investigación y la Fundación Nacional de Ciencias de EE. UU.
