in

Des chercheurs forment un modèle d'apprentissage automatique pour surveiller et ajuster le processus d'impression 3D afin de corriger les erreurs en temps réel

Les scientifiques et les ingénieurs développent constamment de nouveaux matériaux aux propriétés uniques pouvant être utilisés pour l’impression 3D, mais trouver remark imprimer avec ces matériaux peut être une énigme complexe et coûteuse.

Souvent, un opérateur pro doit utiliser des essais et erreurs manuels – éventuellement en réalisant des milliers d’impressions – pour déterminer les paramètres idéaux qui impriment systématiquement un nouveau matériau de manière efficace. Ces paramètres incluent la vitesse d’impression et la quantité de matériau que l’imprimante dépose.

Les chercheurs du MIT ont maintenant utilisé l’intelligence artificielle pour rationaliser cette procédure. puis corriger les erreurs dans la façon dont il traite le matériau en temps réel.

Leur système a imprimé des objets avec in addition de précision que tous les autres contrôleurs d’impression 3D auxquels ils l’ont comparé.

Le travail évite le processus prohibitif d’impression de milliers ou de millions d’objets réels pour entraîner le réseau de neurones. Et cela pourrait permettre aux ingénieurs d’incorporer additionally facilement de nouveaux matériaux dans leurs impressions, ce qui pourrait les aider à développer des objets dotés de propriétés électriques ou chimiques particulières. Cela pourrait également aider les techniciens à ajuster le processus d’impression à la volée si les conditions matérielles ou environnementales changent de manière inattendue.

déclare l’auteur principal Wojciech Matusik, professeur de génie électrique et d’informatique au MIT qui dirige le groupe de conception et de fabrication informatiques (CDFG ) au sein du Laboratoire d’Informatique et d’Intelligence Artificielle (CSAIL). “Si vous disposez de equipment de fabrication in addition intelligentes. pour améliorer les rendements ou la précision du système. Vous pouvez tirer davantage parti de la device.”

Paramètres de prélèvement

La détermination des paramètres idéaux d’un processus de fabrication numérique peut être l’une des events les additionally coûteuses du processus motor vehicle de nombreux essais et erreurs sont nécessaires. Et une fois qu’un technicien trouve une combinaison qui fonctionne bien, ces paramètres ne sont idéaux que pour une condition spécifique. Elle a peu de données sur la façon dont le matériau se comportera dans d’autres environnements, sur un matériel différent, ou si un nouveau whole lot présente des propriétés différentes.

Premièrement, les chercheurs devaient mesurer ce qui se passait sur l’imprimante en temps réel.

Pour ce faire, ils ont développé un système de vision artificielle utilisant deux caméras pointant vers la buse de l’imprimante 3D. Le système éclaire le matériau au fur et à mesure qu’il est déposé et, en fonction de la quantité de lumière qui le traverse, calcule l’épaisseur du matériau.

“Vous pouvez considérer le système de vision comme une paire d’yeux observant le processus en temps réel”, explique Foshey.

en fonction de toute erreur détectée, ajusterait la vitesse d’alimentation et la course de l’imprimante.

Mais la development d’un contrôleur basé sur un réseau neuronal pour comprendre ce processus de fabrication nécessite beaucoup de données et nécessiterait de réaliser des millions d’impressions. Ainsi, les chercheurs ont construit un simulateur à la area.

Simulation réussie

Pour previous leur contrôleur. Le modèle était chargé de sélectionner les paramètres d’impression qui créeraient un particular objet dans un environnement simulé. le modèle a été récompensé lorsque les paramètres qu’il a choisis ont minimisé l’erreur entre son impact et le résultat attendu.

Dans ce cas, une “erreur” signifie que le modèle a distribué trop de matériau, en le plaçant dans des zones qui auraient dû être laissées ouvertes, ou n’en a pas distribué suffisamment, laissant des factors ouverts qui devraient être remplis. Au fur et à mesure que le modèle effectuait additionally d’impressions simulées, il a mis à jour sa politique de contrôle pour maximiser la récompense, devenant de furthermore en plus précise.

Cependant, le monde réel est in addition désordonné qu’une simulation. En pratique, les situations changent généralement en raison de légères variants ou du bruit dans le processus d’impression. Ils ont utilisé ce modèle pour ajouter du bruit à la simulation, ce qui a conduit à des résultats as well as réalistes.

“La chose intéressante que nous avons trouvée est qu’en mettant en œuvre ce modèle de bruit, nous avons pu transférer la politique de contrôle qui était purement formée en simulation sur du matériel sans formation avec aucune expérimentation physique”, explique Foshey. “Nous n’avons pas eu besoin de faire de réglage fin sur l’équipement réel par la suite.”

Lorsqu’ils ont testé le contrôleur, il a imprimé les objets avec moreover de précision que toute autre méthode de contrôle qu’ils ont évaluée. Il a particulièrement bien fonctionné lors de l’impression de remplissage, qui imprime l’intérieur d’un objet. Certains autres contrôleurs ont déposé tellement de matière que l’objet imprimé a gonflé, mais le contrôleur des chercheurs a ajusté le chemin d’impression pour que l’objet reste de niveau.

Ainsi, si vous aviez un processus de fabrication sur le terrain et que vous vouliez changer le matériau, vous n’auriez pas à revalider le processus de fabrication. Il vous suffisait de charger le nouveau matériau et le contrôleur s’ajusterait automatiquement », explique Foshey.

Maintenant qu’ils ont montré l’efficacité de cette technique pour l’impression 3D, les chercheurs veulent développer des contrôleurs pour d’autres procédés de fabrication. De plus. mais une potential itération pourrait utiliser l’IA pour reconnaître et ajuster la viscosité en temps réel.

Les autres co-auteurs de ce travail incluent Vahid Babaei, qui dirige le groupe de conception et de fabrication assistées par intelligence artificielle à l’Institut Max Planck Piotr Didyk, professeur associé à l’Université de Lugano en Suisse Szymon Rusinkiewicz, professeur d’informatique David M. Siegel ’83 à l’Université de Princeton et Bernd Bickel, professeur à l’Institut des sciences et de la technologie en Autriche.

Le travail a été soutenu, en partie, par le programme FWF Lise-Meitner, une subvention de démarrage du Conseil européen de la recherche et la US Nationwide Science Foundation.