Les ingénieurs ont créé des imprimantes 3D intelligentes capables de détecter et de corriger rapidement les erreurs, même dans des conceptions inédites, ou des matériaux inconnus comme le ketchup et la mayonnaise, en apprenant des expériences d’autres machines.
Les ingénieurs de l’Université de Cambridge ont développé un algorithme d’apprentissage automatique able de détecter et de corriger une grande variété d’erreurs différentes en temps réel, et qui peut être facilement ajouté à des equipment nouvelles ou existantes pour améliorer leurs capacités. Les imprimantes 3D utilisant l’algorithme pourraient également apprendre à imprimer elles-mêmes de nouveaux matériaux. Les détails de leur approche à faible coût sont rapportés dans la revue Character Communications.
L’impression 3D a le potentiel de révolutionner la creation de pièces complexes et personnalisées, telles que les composants d’avions, les implants médicaux personnalisés ou même les bonbons complexes, et pourrait également transformer les chaînes d’approvisionnement de fabrication. Cependant, il est également vulnérable aux erreurs de generation, des inexactitudes à petite échelle et des faiblesses mécaniques aux échecs de construction totaux.
Actuellement, le moyen de prévenir ou de corriger ces erreurs est qu’un ouvrier qualifié notice le processus. Le travailleur doit reconnaître une erreur (un défi même pour un œil averti), arrêter l’impression, retirer la pièce et ajuster les paramètres pour une nouvelle pièce. Si un nouveau matériau ou une nouvelle imprimante est utilisé, le processus prend as well as de temps à mesure que le travailleur apprend la nouvelle configuration. Même dans ce cas, des erreurs peuvent être manquées motor vehicle les travailleurs ne peuvent pas observer en permanence plusieurs imprimantes en même temps, en particulier pour les longues impressions.
Les ingénieurs ont développé une surveillance automatisée de l’impression 3D, mais les systèmes existants ne peuvent détecter qu’une gamme limitée d’erreurs dans une pièce, un matériau et un système d’impression.
“Ce dont nous avons vraiment besoin, c’est d’un système de ‘voiture sans conducteur’ pour l’impression 3D”, a déclaré le premier auteur Douglas Brion, également du département d’ingénierie. “Une voiture sans conducteur serait inutile si elle ne fonctionnait que sur une seule route ou dans une seule ville – elle doit apprendre à généraliser dans différents environnements, villes et même pays. De même, une imprimante “sans conducteur” doit fonctionner pour plusieurs pièces, matériaux, et les ailments d’impression.”
Brion et Pattinson disent que l’algorithme qu’ils ont développé pourrait être la “voiture sans conducteur” que les ingénieurs recherchaient.
en surveillant constamment et en apportant les modifications nécessaires – en gros, en faisant ce qu’un humain ne peut pas faire”, a déclaré Pattinson.
Les chercheurs ont formé un modèle de vision par ordinateur d’apprentissage en profondeur en lui montrant approximativement 950 000 illustrations or photos capturées automatiquement lors de la generation de 192 objets imprimés. Chacune des pictures était étiquetée avec les paramètres de l’imprimante, tels que la vitesse et la température de la buse d’impression et le débit du matériau d’impression. Le modèle a également reçu des informations sur la distance entre ces paramètres et les bonnes valeurs, permettant à l’algorithme d’apprendre comment les erreurs se produisent.
“Une fois formé, l’algorithme peut déterminer simplement en regardant une impression quel réglage est appropriate et lequel est fake – est-ce qu’un réglage particulier est trop élevé ou trop bas, par exemple, puis appliquer la correction appropriée”, a déclaré Pattinson. “Et ce qui est cool, c’est que les imprimeurs qui utilisent cette approche pourraient collecter en permanence des données, de sorte que l’algorithme pourrait également s’améliorer continuellement.”
En utilisant cette approche, Brion et Pattinson ont pu créer un algorithme qui est généralisable – en d’autres termes, il peut être appliqué pour identifier et corriger les erreurs dans des objets ou des matériaux inconnus, ou même dans de nouveaux systèmes d’impression.
polymères, béton, ketchup ou autre – vous pouvez obtenir des erreurs similaires”, a déclaré Brion. “Par exemple, si la buse se déplace trop rapidement, vous vous retrouvez souvent avec des gouttes de matériau, ou si vous poussez trop de matériau, les lignes imprimées se chevaucheront en formant des plis.
“Les erreurs qui surviennent à partir de paramètres similaires auront des caractéristiques similaires, quelle que soit la partie imprimée ou le matériau utilisé. Parce que notre algorithme a appris des caractéristiques générales partagées entre différents matériaux, il pourrait dire” Oh, les lignes imprimées forment des plis, par conséquent, nous produisons probablement trop de matériel’.”
En conséquence, l’algorithme formé à l’aide d’un seul type de matériau et de système d’impression a pu détecter et corriger les erreurs dans différents matériaux, des polymères procedures au ketchup et à la mayonnaise, sur un variety de système d’impression différent.
À l’avenir, l’algorithme formé pourrait être furthermore efficace et additionally fiable qu’un opérateur humain pour repérer les erreurs. Cela pourrait être vital pour le contrôle de la qualité dans les purposes où la défaillance d’un composant pourrait avoir de graves conséquences.
Avec le soutien de Cambridge Organization, la branche de commercialisation de l’Université, Brion a formé Matta, une entreprise dérivée qui développera la technologie pour des apps commerciales.
“Nous portons notre attention sur la façon dont cela pourrait fonctionner dans des industries à forte valeur ajoutée telles que les secteurs de l’aérospatiale, de l’énergie et de l’automobile, où les technologies d’impression 3D sont utilisées pour fabriquer des pièces hautes performances et coûteuses”, a déclaré Brion. “Cela peut prendre des jours ou des semaines pour terminer un seul composant à un coût de milliers de livres. Une erreur qui se produit au début peut ne pas être détectée tant que la pièce n’est pas terminée et inspectée. Notre approche repérerait l’erreur en temps réel, de manière significative améliorer la productivité de la fabrication.”
La recherche a été soutenue par le Conseil de recherche en génie et en sciences physiques, la Royal Society, l’Académie des sciences médicales et l’Isaac Newton Rely on.