Blog

Jul 05, 2023

AM, conoce la IA

¿Listo para más disrupciones en una industria manufacturera que cambia rápidamente? Por qué la inteligencia artificial y el aprendizaje automático son el próximo gran avance en la impresión 3D La inteligencia artificial (IA) tiene la

¿Listo para más disrupciones en una industria manufacturera que cambia rápidamente? Por qué la inteligencia artificial y el aprendizaje automático son el próximo gran avance en la impresión 3D

La inteligencia artificial (IA) tiene el potencial de mejorar enormemente las capacidades de la impresión 3D. Los posibles beneficios incluyen una optimización mejorada del diseño, un uso más eficiente de los materiales, un control de calidad más rápido y preciso y la capacidad de realizar un mantenimiento predictivo. En general, se espera que la integración de la IA y la impresión 3D conduzca a procesos de fabricación más eficientes y rentables, así como a nuevas innovaciones en materiales, diseño y aplicaciones.

El párrafo anterior provino de ChatGPT, un servicio en línea impulsado por IA que respondió de manera inteligente y apropiada cuando se le preguntó: "¿Cómo afectará la IA a la impresión 3D?"

La respuesta del robot fue larga, por lo que necesitaba algunos ajustes, pero la IA probablemente me dejará a mí y a muchos otros sin trabajo en algún momento, al igual que otras formas de automatización. Por el momento, sin embargo, confío en decir que soy mejor escritor que un motor de IA de modelo de lenguaje que tiene sólo unos pocos meses de experiencia en su haber digital. Y con eso en mente, prometo que el resto de las palabras de este artículo son generadas por humanos.

Dejando a un lado la evolución de las habilidades de escritura, la IA y el aprendizaje automático (ML) brillan en tareas tediosas y repetitivas que rápidamente harían que un trabajador humano añorara el fin de semana. Uno de ellos es clasificar inmensos conjuntos de datos. “Imagínese la capacidad de analizar una enorme hoja de cálculo llena de agujeros y ruido, y luego convertir esa información en un modelo sólido que la gente pueda utilizar para la toma de decisiones. Eso es lo que hace nuestro software”.

Así lo afirmó Stephen Warde, responsable de marketing de productos de Intellegens Ltd., “una filial” del departamento de física de la Universidad de Cambridge en Inglaterra. Hoy en día, los colegas de Warde pasan sus días desarrollando plataformas avanzadas de análisis de aprendizaje automático que pronto harán que la fabricación aditiva (AM) y otras tecnologías ávidas de datos sean más inteligentes, más rápidas y mucho menos dependientes de prototipos y experimentos de prueba y mejora que consumen mucho tiempo.

ML y su hermano mayor, la IA, no son nada nuevo. De hecho, el primero de estos términos se remonta a 1959, cuando Arthur Samuel, empleado de IBM, entrenó a computadoras del tamaño de un garaje para dos autos para jugar a las damas. Sin embargo, el aprendizaje automático ha adolecido durante mucho tiempo de una grave deficiencia (llenar los vacíos) que sólo recientemente ha sido abordada a través del trabajo de Intellegens y otros.

"Históricamente, los motores de aprendizaje automático no funcionan muy bien si los datos utilizados para entrenarlos están incompletos", dijo Warde. “Muchos de nosotros aquí tenemos experiencia en física, ciencia de materiales y formulaciones químicas, y reconocemos que la escasez de datos puede ser un factor limitante. Es por eso que nuestro equipo se sintió motivado a desarrollar un método de aprendizaje automático que tenga éxito en la creación de modelos utilizables a partir de conjuntos de datos que no son óptimos”.

Ese trabajo llevó a Intellegens al espacio de los aditivos, donde el motor Alchemite de la empresa se puede utilizar para la optimización de parámetros. “Los fabricantes suelen recopilar grandes cantidades de datos sobre sus procesos, los polvos que utilizan, la configuración del láser, etc. El aprendizaje automático les ayuda a analizar toda esta información para que puedan comprender lo que sucede en la cámara de construcción y, por lo tanto, adaptar las entradas para obtener los resultados deseados”.

Warde admite que el uso de esta tecnología en general aún está en su infancia, pero dijo que está viendo un gran interés por parte del sector comercial y que los fabricantes de aditivos ya están utilizando software de aprendizaje automático para reducir la necesidad de experimentos costosos al desarrollar nuevos materiales y procesos.

Benoit Soete, director de desarrollo empresarial de Oqton Inc., un proveedor de software con oficinas estadounidenses en Valencia, California y Cary, Carolina del Norte, es igualmente optimista sobre el creciente papel de la IA en la AM. "Aquí me concentro en las aplicaciones dentales y puedo decirles que el uso de la IA se está volviendo bastante común en los laboratorios dentales y los centros de producción", dijo.

Coronas y puentes, marcos de prótesis parciales, modelos de alineadores y protectores nocturnos: estos son algunos de los componentes dentales típicos producidos con impresoras 3D de metal y polímero. En términos de personalización masiva, la industria dental es un excelente ejemplo de hacia dónde se dirige la AM, pero procesar todas estas construcciones únicas requiere mucho tiempo y es engorroso.

Según Soete, los técnicos cualificados deben “hacer clic un millón de veces” para orientar piezas, añadir soportes y etiquetas, anidar y, por lo demás, pasar incontables horas preparando la enorme cantidad de productos dentales que se fabrican cada día. Afortunadamente, la IA ya elimina gran parte de este tedio y permite a los técnicos dentales realizar más actividades de valor agregado.

"Oqton hace que el proceso de preparación de datos esté altamente automatizado en este y otros sectores del mercado", afirmó Soete. “A medida que la IA siga mejorando, asumirá más responsabilidad, calculando parámetros de construcción basados ​​en la clasificación de piezas, por ejemplo, y haciendo sugerencias que un humano puede aceptar o anular. Es posible que necesiten hacer algunos ajustes de vez en cuando, pero en última instancia, están obteniendo un archivo imprimible mucho más rápido de lo que era posible antes”.

Esta última afirmación es crucial. Como se sugiere en el ejemplo escrito de ChatGPT, la IA todavía tiene un largo camino por recorrer antes de poder competir con la inteligencia humana. Eso, y como señaló Soete, “cada uno tiene su propia manera de hacer las cosas, por lo que si quieres automatizar, necesitas un sistema que sea flexible y pueda adaptarse a la realidad de su propietario”.

También debe tener la capacidad de seguir aprendiendo. A diferencia de los humanos, que a menudo olvidan lo que hicieron el año pasado y a veces olvidan lo que desayunaron, la IA puede mirar hacia atrás en toda su historia de toma de decisiones y utilizarla para tomar decisiones más informadas en el futuro. Y cuando un humano anuló esas decisiones pasadas reorientando una pieza o cambiando una estructura de soporte, el cerebro de la IA recordará esto y “seguirá con el programa”, por así decirlo.

"Esta capacidad también ayuda cuando aparece algo nuevo en el que el motor de IA podría no haber sido entrenado, porque puede captar rápidamente lo que el cliente ha pedido previamente y ajustar su lógica en consecuencia", añadió.

Materialize NV de Lovaina, Bélgica, bebe su propio AI Kool-Aid. Materialize, una empresa conocida por su larga trayectoria en AM, es en parte oficina de servicios y en parte desarrollador de software y, por lo tanto, tiene la oportunidad de evaluar sus soluciones industriales de primera mano. El CTO Bart Van der Schueren señaló que uno de ellos es la odontología y reiteró muchos de los casos de uso de IA y ML que acabamos de mencionar.

La automatización de la etapa de preparación de la construcción (dental o de otro tipo) es claramente una aplicación esencial para la IA. Pero dado que la AM es única en su capacidad para crear piezas capa por capa, quizás sea más importante desentrañar los misterios de ese proceso. Hacerlo permitiría a los fabricantes construir mejores piezas, aumentar el rendimiento y eliminar dudas persistentes que sólo pueden resolverse mediante exploraciones por tomografía computarizada, costosas y que consumen mucho tiempo, y otras tecnologías de inspección no destructivas.

Una forma de hacerlo es equipar impresoras 3D con cámaras visuales y térmicas, recopilar imágenes durante la construcción y luego usar IA para evaluar eventos como huecos, salpicaduras, grietas y fusión incompleta que podrían provocar deformaciones o piezas defectuosas.

“Digamos que la cuchilla del recoater arrastra una franja de polvo a lo largo de una capa a mitad de un trabajo de impresión”, dijo Van der Schueren. “Si ocurre en una región entre partes, probablemente no te importe. E incluso si ocurre directamente sobre la pieza de trabajo, es posible que no le importe, siempre que se corrija solo en las siguientes capas.

"De lo contrario, se podría utilizar la IA para detener el proceso en lugar de continuar, perdiendo tiempo en una pieza que terminará en la papelera de reciclaje y posiblemente dañando la cuchilla del recubridor u otros componentes de la máquina", continuó. "De todos modos, capturar y marcar automáticamente tales anomalías nos permite comprender mejor los problemas potenciales".

Usar IA para identificar defectos ya es una gran mejora, pero se vuelve aún más valioso si se usa para categorizar errores y luego prevenirlos, ya sea mediante acciones correctivas en la siguiente pieza de trabajo o ajustes del proceso in situ. Esto último podría alarmar a quienes aún no confían en un algoritmo informático para tomar decisiones que podrían afectar la calidad de las piezas; sin embargo, los controles de mecanizado por descarga eléctrica (EDM) han estado aplicando "lógica difusa" a las trayectorias y parámetros de los electrodos durante las últimas décadas, una vez que Dominada en un ámbito más amplio, dicha tecnología tendría profundas influencias en otros procesos de fabricación: mecanizado, corte por láser, soldadura robótica e impresión 3D por igual.

Una vez más, la IA aún no está lista para el horario de máxima audiencia, aunque esfuerzos como estos son pasos necesarios en ese viaje. Esto se debe a que brindan al ML lo que más anhela: datos.

“Ese es uno de los mayores desafíos para nosotros y otros que intentan desarrollar esta tecnología, ya que no hay suficiente información disponible para entrenar los modelos. Peor aún, muchas empresas guardan sus datos por razones obvias de confidencialidad, por lo que en Materialize estamos buscando formas en que estas empresas puedan aprender de sus propios datos sin compartirlos”, dijo Van der Schueren.

A pesar de esto, los propietarios y operadores de impresoras 3D pueden esperar algún día consejos y sugerencias útiles de sus máquinas y sistemas de software a medida que cada uno de ellos se vuelva progresivamente más inteligente. Es una gran noticia, pero como señaló James Page, vicepresidente de software de Stratasys Ltd., con sede en Eden Prairie, Minnesota, "incluso si ha controlado el proceso perfectamente, aún puede terminar con una pieza que no funciona". cumplir con sus especificaciones.”

Page es el fundador de Riven, un desarrollador de software con sede en Berkeley que Stratasys adquirió en 2022. Señaló que hay muchos tipos de FA y muchas oportunidades para cerrar el círculo, y todos son complejos a su manera. Desde la compactación del lecho de polvo y el ciclo térmico del material hasta la colocación del soporte y la eliminación posterior a la construcción, estos y muchos otros factores pueden hacer que una pieza terminada se desvíe de su intención de diseño, a menudo de manera significativa, y ninguna cantidad de IA podrá evitarlo. ¿Bien?

No necesariamente. "Una de las cosas en las que hemos estado trabajando es un sistema que corrige automáticamente errores dimensionales y geométricos, ya sea que provengan de deformaciones, escalamiento diferencial o incluso posprocesamiento", dijo Ward. "Ahora tenemos algoritmos que corregirán esas y otras causas de la variabilidad de las piezas".

Sin embargo, hay una advertencia: la acción correctiva requiere un cordero para el sacrificio. “Cerramos el ciclo imprimiendo una pieza de prueba, escaneándola y luego usando IA para determinar los ajustes de procesamiento necesarios para que la pieza cumpla con las especificaciones y la mantenga ahí. De esa manera, cuando vayas a fabricar mil piezas, todas saldrán con mucha mayor precisión”.

Ward discrepa con la caracterización del cordero sacrificial. Dijo que es bastante común, especialmente a medida que la AM pasa a la producción de uso final, imprimir múltiples iteraciones de una pieza de trabajo, ajustando gradualmente los parámetros de construcción y las estructuras de soporte hasta que el proceso sea estable. Usar un software que pueda automatizar esta tarea de manera confiable es una gran victoria. Además, llegará el día en que la IA se volverá lo suficientemente inteligente como para eliminar también la parte de prueba.

"Ha habido un gran cambio en los últimos años, donde la impresión 3D ha pasado de su papel tradicional como tecnología de creación de prototipos y herramientas a uno de fabricación en volumen", dijo. “Pero uno de los desafíos que la industria manufacturera en general continúa enfrentando es la incapacidad de la fabricación aditiva para cumplir con estrictas tolerancias dimensionales. Con los modelos predictivos y algoritmos que estamos lanzando, vamos a cambiar eso y abriremos clases de piezas completamente nuevas a las que los aditivos no podían abordar antes”.

Toda esta charla sobre lo que se avecina en la mañana es algo emocionante, pero como a Trent Still le gusta señalar, muchos de los que leen esto ya usan IA todos los días, incluso si no se refieren a ella como tal. Aún así, el gerente senior de marketing técnico para diseño y fabricación de Autodesk Inc., con sede en San Francisco, está hablando de software de diseño generativo, una herramienta que va de la mano con la AM y su capacidad para construir prácticamente cualquier cosa que se le presente. Al igual que la IA, esta tecnología incipiente está a punto de volverse mucho más inteligente.

"El siguiente paso es lo que llamamos modelado generativo, que es efectivamente una herramienta consciente de la fabricación que permite a los diseñadores industriales llegar a soluciones óptimas en segundos", dijo. "Históricamente, el diseño generativo requería que fueras un ingeniero experimentado o un experto en simulaciones para configurar un estudio de modelado, pero hemos creado nuevos motores impulsados ​​por IA que pueden aprender con el tiempo cómo satisfacer diversas necesidades de diseño".

Un ejemplo de esto proviene de un proveedor de repuestos para automóviles que necesitaba fabricar un colector de escape que conectara varios componentes dentro de un compartimiento del motor "excepcionalmente hermético". "Anteriormente, les habría llevado un mes modelar, imprimir en 3D y probar un puñado de prototipos, pero la IA produjo tres diseños estructuralmente viables en un par de horas".

Estas son capacidades impresionantes, pero no están ni cerca de la estrella del norte de la IA y el ML, que es hacer que consuman diversos requisitos estructurales, operativos y electromecánicos y no solo entreguen un diseño de producto óptimo, sino que también le digan al ingeniero cómo y dónde fabricar. él.

Llevada al extremo, la IA podría incluso diseñar plantas de producción. "Digamos que usted es un fabricante de primer nivel que planea una instalación de miles de millones de dólares", dijo Still. “Esta tarea significa responder miles o quizás millones de preguntas muy específicas para lograr un rendimiento optimizado para su fábrica. La IA puede ayudar a los fabricantes a tomar decisiones más informadas para el problema número 1267, aunque en este momento solo están en el problema 37. También nos permitirá unificar industrias históricamente aisladas como la arquitectura, la ingeniería y la construcción, mejorando su capacidad para compartir información y conocimientos”.

Sakthivel Arumugam es gerente principal de productos en la ubicación de Ansys Inc. en Cambridge, Reino Unido. El proveedor de software con sede en Canonsburg, Pensilvania, se centra en la simulación de ingeniería y, como se ha indicado varias veces hasta ahora, la IA se está convirtiendo en una parte integral de muchas herramientas de software de simulación, ya sea simulando los resultados de las decisiones tomadas durante el diseño del producto o simulando el proceso de fabricación. , o simular el comportamiento de materiales, piezas y conjuntos en diversas condiciones de funcionamiento.

En el caso de Ansys, estas capacidades se extienden más allá de la pura simulación para incluir la captura, el análisis y la gestión de datos de ingeniería, incluidos los asociados con las materias primas utilizadas en AM y otros procesos. "Los materiales son un factor enorme cuando se trata de la calificación y certificación de piezas de fabricación aditiva, especialmente en el sector aeroespacial y de defensa", dijo Arumugam. "Para respaldar este mercado, Ansys tiene una unidad de negocios dedicada exclusivamente a una solución de gestión de datos de materiales llamada Granta MI".

La fabricación aditiva es un proceso que requiere muchos datos, añadió. Para empezar, hay que considerar las propiedades y características de la materia prima, ya sea metal o polímero, y si llega a la fábrica en forma de resina, polvo, alambre, varilla, lámina, barra o filamento.

Pero igual de importante es lo que viene después. Estas características cambian a medida que el material se funde, cura o fusiona y, con bastante frecuencia, cambian una vez más cuando la pieza pasa a un tratamiento térmico secundario o curado. Para complicar aún más una situación ya compleja, está el hecho de que las propiedades dimensionales y mecánicas del producto pueden verse influenciadas aún más por la estrategia utilizada para construir la pieza, ya sea potencia láser, enfoque de rayado cruzado, etc. Es trabajo de Granta MI capturar y gestionar todos estos datos, explicó Arumugam.

“Los clientes pueden recopilar datos de cada paso del proceso de impresión e ingresarlos en la base de datos de la plataforma de una manera muy organizada e integrada. Y como todo está vinculado, resulta más fácil para el usuario comprender la relación entre una propiedad del material terminado, por ejemplo, y los parámetros del proceso, qué máquina se utilizó e incluso el proveedor del material”.

¿Dónde encajan el ML y la IA en esta ecuación? Analizar datos como este es una de las tareas aburridas y repetitivas en las que sobresale la IA. Como tal, Ansys se asoció con Intellegens e incorporó sus algoritmos a la plataforma Granta MI.

"Esta es otra extensión más del análisis de datos de materiales", dijo Arumugam.

“Los fabricantes ahora pueden recopilar, analizar y almacenar datos sobre las materias primas y las relaciones que existen entre sus propiedades y el producto final. Pueden utilizar esta información para producir piezas de mayor calidad u optimizar sus procesos, y si hay un fallo en el producto años después, se puede realizar un análisis forense para comprender el motivo, y los datos resultantes se pueden utilizar con fines de mejora continua. Es un trabajo grande y requiere muchos datos, pero la IA ayuda a que todo sea manejable”.

Conéctate con nosotros