Más allá de lo básico:aprendizaje automático y AM

En la era de la Industria 4.0, la fabricación se dirige cada vez más hacia un mundo de aprendizaje automático e inteligencia artificial. Un mundo en el que se puedan desarrollar sistemas basados ​​en datos para mejorar los procesos de producción. Y la fabricación aditiva puede aprovechar los beneficios del aprendizaje automático para lograr una mayor eficiencia, mejorar la calidad del producto y optimizar los flujos de trabajo de AM.

Aumento de la eficiencia con el aprendizaje automático

A medida que la fabricación aditiva se amplía para la producción de uso final, los avances en el aprendizaje automático no se limitan solo a la perspectiva de los automóviles autónomos. El aprendizaje automático se puede utilizar dentro de la fabricación aditiva para impulsar la eficiencia en parte al eliminar los métodos de prueba y error durante el proceso de producción.

Una gran cantidad de factores, como la orientación de la pieza o el diseño de las estructuras de soporte, pueden afectar potencialmente la estructura del material de una pieza y provocar fallas en la construcción. Esto inevitablemente significa que la razón detrás del error de una compilación se puede atribuir a una serie de variables. Por lo general, se ha aplicado un enfoque de prueba y error para lograr un proceso de impresión confiable. Sin embargo, como esto implica pasar por una serie de fallas antes de alcanzar el proceso óptimo, un enfoque de prueba y error carece inevitablemente de eficiencia. El aprendizaje automático puede ayudar a evitar un enfoque de prueba y error en la producción mediante el desarrollo de un sistema para ayudar a las máquinas a determinar las variables y los parámetros por adelantado, optimizando así el proceso de producción.

La Oficina de Investigación Naval (ONR) de la Marina de los EE. UU. Se ha asociado recientemente con la empresa de datos Senvol para desarrollar un software de aprendizaje automático que puede analizar la relación entre los parámetros del proceso de AM y el rendimiento del material. El objetivo es permitir que ONR reduzca la dependencia de las pruebas de materiales tradicionales.

Y la investigación del Centro ADAPT en Colorado ya ha comenzado a explorar cómo el aprendizaje automático puede identificar la geometría interior de la pieza, predecir los parámetros correctos para cualquier pieza nueva y, por lo tanto, optimizar el proceso de impresión.

Uso del aprendizaje automático para mejorar los procesos de calidad

El aprendizaje automático también se puede implementar para agregar otra capa de control de calidad al proceso de producción, ya que las máquinas eventualmente pueden autocorregirse y supervisarse a sí mismas. Con la tecnología de aprendizaje automático, se pueden analizar y utilizar grandes cantidades de datos para proporcionar un estado en tiempo real de cada etapa de producción. Las máquinas pueden usar algoritmos para encontrar patrones en los datos de producción y, a partir de esto, construir modelos predictivos, refinados mediante comparaciones con datos reales.

El año pasado, GE reveló su investigación sobre el uso de inteligencia artificial y gemelo digital para mejorar el rendimiento de la máquina y el material para la impresión 3D de metal. A través de su investigación sobre el aprendizaje automático, GE tiene como objetivo reducir el desperdicio de material mediante la detección de problemas de procesos de calidad, con el objetivo final de obtener un rendimiento del 100%. La investigación de GE tiene como objetivo lograr una visibilidad completa de cada capa de la construcción de una pieza, entrenando a la máquina para reconocer problemas con la construcción en sí. Esto permitirá a los usuarios ver la mecánica y la estructura de una compilación, así como identificar problemas al principio del proceso.

Otros casos prácticos de aprendizaje automático

Repuestos

La fabricación aditiva ha demostrado ser una solución ideal para la industria de repuestos, debido a los altos costos de almacenamiento y mantenimiento de un inventario de repuestos. La fabricación aditiva resuelve este problema al permitir que los fabricantes produzcan y suministren piezas de repuesto bajo demanda en el lugar donde las necesiten.

Y, sin embargo, el aprendizaje automático puede llevar esta solución un paso más allá para mejorar la eficiencia del proceso de producción y mejorar las capacidades predictivas. En el caso de la fabricación discreta, por ejemplo, las empresas pueden hacer uso de modelos de mantenimiento predictivo para predecir la vida útil de una pieza específica. El aprendizaje automático también se puede utilizar para identificar cuándo un cliente necesita reemplazar piezas utilizando un programa de datos preestablecido, lo que permite a los fabricantes enviar piezas de repuesto con anticipación. Por lo tanto, los fabricantes deben considerar el uso del aprendizaje automático para reducir costos y garantizar una mayor satisfacción del cliente.

Aprendizaje automático:un gran potencial para AM

El aprendizaje automático tiene el potencial de mejorar los procesos de producción, guiar la toma de decisiones y, en última instancia, transformar los modelos comerciales. Las aplicaciones del aprendizaje automático para AM son numerosas, desde la mejora de los procesos de diseño hasta la mejora de la eficiencia e incluso la determinación de la capacidad de impresión de un objeto 3D antes de que comience el proceso de impresión. Sin embargo, la implementación de sistemas de inteligencia artificial y aprendizaje automático también tiene sus propios desafíos, que requieren una planificación estratégica y una inversión tanto en infraestructura de software como de hardware. Pero dentro de la era de la Industria 4.0, está claro que el uso del aprendizaje automático, la inteligencia artificial y los macrodatos para AM solo está en la punta del iceberg.