Utiliser l’IA pour corriger les erreurs de fabrication additive en temps réel

Des chercheurs du Massachusetts Institute of Technology (MIT) ont formé un modèle d'apprentissage automatique pour surveiller et ajuster le processus d'impression 3D afin de corriger les erreurs en temps réel.

De nouveaux matériaux pouvant être utilisés pour l'impression 3D sont constamment développés, mais savoir comment imprimer avec eux peut être un casse-tête complexe et coûteux. En règle générale, les opérateurs doivent recourir à des essais et des erreurs manuels, exécutant potentiellement des milliers d'impressions, pour déterminer les paramètres idéaux pour imprimer de nouveaux matériaux de manière cohérente et efficace.

Des chercheurs du MIT ont utilisé l'intelligence artificielle pour rationaliser le processus. Les scientifiques de l'agence ont développé un nouveau système d'apprentissage automatique qui utilise la vision par ordinateur pour observer le processus de fabrication et peut corriger les erreurs dans la façon dont les matériaux sont manipulés en temps réel.

Ils ont utilisé la simulation pour apprendre à un réseau neuronal comment ajuster les paramètres d'impression afin de minimiser les erreurs, puis ont appliqué ce contrôleur à une véritable imprimante 3D. Le nouveau système peut imprimer des objets avec plus de précision que les autres contrôleurs d'impression 3D existants.

Ce travail évite le processus coûteux d'impression de milliers ou de millions d'objets réels pour entraîner les réseaux de neurones. Cela pourrait permettre aux ingénieurs d’intégrer plus facilement de nouveaux matériaux dans leurs produits imprimés en 3D, ce qui pourrait les aider à développer des produits dotés de propriétés électriques ou chimiques particulières. Cela aide également les techniciens à apporter des ajustements au processus d'impression lorsque les matériaux ou les conditions environnementales changent de manière inattendue.

"Ce projet est vraiment la première démonstration de la construction d'un système de fabrication qui utilise l'apprentissage automatique pour apprendre des stratégies de contrôle complexes", a déclaré Wojciech Matusik, professeur de génie électrique et d'informatique au MIT qui dirige le projet. plus d'équipements de fabrication intelligents qui peuvent s'adapter en temps réel à l'environnement changeant du lieu de travail pour augmenter le rendement ou la précision du système, vous pourrez alors tirer plus de valeur de vos machines "

Choisir les paramètres

OK. Déterminer les paramètres idéaux car un processus de fabrication numérique peut être l’une des parties les plus coûteuses du processus, car il nécessite de nombreux essais et erreurs. Une fois que le technicien a trouvé une combinaison qui fonctionne bien, ces paramètres ne s'appliquent qu'à une situation précise. Ils disposent de peu de données sur le comportement du matériau dans d’autres environnements, sur un matériel différent ou dans de nouveaux lots, présentant des propriétés différentes.

L'utilisation de systèmes d'apprentissage automatique est également pleine de défis. Premièrement, les chercheurs doivent mesurer en temps réel ce qui se passe sur l’imprimante 3D.

Pour ce faire, les chercheurs ont développé un système de vision industrielle utilisant deux caméras pointées vers la buse de l’imprimante 3D. Le système éclaire le matériau au fur et à mesure de son dépôt et calcule l'épaisseur du matériau en fonction de la quantité de lumière qui le traverse. "Vous pouvez considérer le système visuel comme une paire d'yeux observant ce processus en temps réel", a déclaré Foshey.

Le contrôleur traitera ensuite les images qu'il reçoit du système de vision et ajustera la vitesse d'alimentation et l'orientation de l'imprimante en fonction des erreurs qu'il détecte.

Cependant, former un contrôleur basé sur un réseau neuronal pour comprendre ce processus de fabrication nécessite de nombreuses données et des millions d'impressions. Les chercheurs ont donc construit un simulateur.

Simulation réussie

Pour mieux entraîner le contrôleur, ils ont utilisé un processus appelé apprentissage par renforcement, dans lequel le modèle apprend par essais et erreurs et est récompensé. La tâche du modèle est de sélectionner les paramètres d'impression afin de créer des objets spécifiques dans l'environnement de simulation. Après avoir affiché le résultat attendu, le modèle est récompensé lorsqu'il sélectionne des paramètres qui minimisent l'erreur entre son impression et le résultat attendu.

Dans ce cas, « erreur » signifie que le modèle soit alloue trop de matière, le laissant dans des zones qui devraient rester ouvertes, soit il n'alloue pas assez de matière, laissant des endroits ouverts qui devraient être remplis. Au fur et à mesure que le modèle effectue davantage d'impressions simulées, il met à jour sa stratégie de contrôle pour maximiser les récompenses, devenant de plus en plus précise.

Cependant, le monde réel est plus compliqué que la simulation. Dans la pratique, les conditions varient souvent en raison de petits changements ou du bruit dans le processus d'impression. Les chercheurs ont donc créé un modèle numérique qui se rapproche du bruit d’une imprimante 3D. Ils ont utilisé ce modèle pour ajouter du bruit à leurs simulations, produisant ainsi des résultats plus réalistes.

"Ce que nous avons trouvé intéressant, c'est qu'en implémentant ce modèle de bruit, nous avons pu transférer des stratégies de contrôle formées uniquement en simulation vers du matériel sans aucune formation en expériences physiques", a déclaré Foshey, "Et ensuite, nous n'avons pas eu besoin de peaufiner l'appareil lui-même. »

Lorsque le contrôleur a été testé, il a imprimé les objets avec plus de précision que toute autre méthode de contrôle précédemment évaluée. Il fonctionne particulièrement bien dans l’impression intercalaire, qui consiste à imprimer l’intérieur d’un objet. Certains autres contrôleurs ont déposé tellement de matière que les objets imprimés ont été soulevés, mais le contrôleur des chercheurs a ajusté le chemin d'impression pour que les objets restent de niveau.

Leur stratégie de contrôle peut même comprendre comment le matériau se propage après le dépôt et ajuster les paramètres en conséquence.

Ajustement automatique

"Nous sommes également en mesure de concevoir des stratégies de contrôle permettant de contrôler dynamiquement différents types de matériaux. Ainsi, si vous avez un processus de fabrication sur site et que vous souhaitez changer de matériaux, vous n'avez pas besoin de revalider le processus de fabrication. Vous pouvez simplement chargez le nouveau matériau dans le contrôleur. Il s'ajustera automatiquement", a déclaré Foshey.

Maintenant qu'ils ont démontré l'efficacité de cette technique pour l'impression 3D, les chercheurs espèrent développer des contrôleurs pour d'autres procédés de fabrication. Ils souhaitent également voir comment la méthode peut être modifiée pour gérer plusieurs couches de matériaux ou imprimer plusieurs matériaux en même temps. De plus, leur méthode suppose que chaque matériau a une viscosité fixe, mais les futures itérations pourraient utiliser l’IA pour identifier et ajuster la viscosité en temps réel.

MIT a une longue histoire dans la fabrication additive et a donné naissance à plusieurs grandes sociétés d'impression 3D, telles que Desktop Metal et VulcanForms. Ce travail a été soutenu en partie par le programme FWF Lise-Meitner, une subvention de démarrage du Conseil européen de la recherche et la National Science Foundation.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!