Engenheiros criaram impressoras 3D inteligentes que podem detectar e corrigir rapidamente erros, mesmo em projetos inéditos ou materiais desconhecidos, como ketchup e maionese, aprendendo com as experiências de outras máquinas.
Os engenheiros, da Universidade de Cambridge, desenvolveram um algoritmo de aprendizado de máquina que pode detectar e corrigir uma ampla variedade de erros diferentes em tempo real e pode ser facilmente adicionado a máquinas novas ou existentes para aprimorar seus recursos. As impressoras 3D que usam o algoritmo também podem aprender a imprimir novos materiais por conta própria. Detalhes de sua abordagem de baixo custo são relatados na revista Nature Communications.
A impressão 3D tem o potencial de revolucionar a produção de peças complexas e personalizadas, como componentes de aeronaves, implantes médicos personalizados ou até doces intrincados, e também pode transformar as cadeias de suprimentos de fabricação. No entanto, também é vulnerável a erros de produção, desde imprecisões em pequena escala e fraquezas mecânicas até falhas totais de construção.
Atualmente, a forma de prevenir ou corrigir esses erros é um trabalhador especializado observar o processo. O trabalhador deve reconhecer um erro (um desafio mesmo para o olho treinado), interromper a impressão, remover a peça e ajustar as configurações para uma nova peça. Se um novo material ou impressora for usado, o processo levará mais tempo à medida que o trabalhador aprender a nova configuração. Mesmo assim, os erros podem ser perdidos, pois os trabalhadores não podem observar continuamente várias impressoras ao mesmo tempo, especialmente para impressões longas.
“A impressão 3D é um desafio porque há muita coisa que pode dar errado, e muitas vezes as impressões 3D falharão”, disse o Dr. Sebastian Pattinson, do Departamento de Engenharia de Cambridge, autor sênior do artigo. “Quando isso acontece, todo o material, tempo e energia que você usou são perdidos.”
Os engenheiros vêm desenvolvendo monitoramento automatizado de impressão 3D, mas os sistemas existentes só podem detectar uma gama limitada de erros em uma peça, um material e um sistema de impressão.
“O que é realmente necessário é um sistema de ‘carro sem motorista’ para impressão 3D”, disse o primeiro autor Douglas Brion, também do Departamento de Engenharia. “Um carro sem motorista seria inútil se funcionasse apenas em uma estrada ou em uma cidade – ele precisa aprender a generalizar em diferentes ambientes, cidades e até países. Da mesma forma, uma impressora ‘sem motorista’ deve funcionar para várias peças, materiais, e condições de impressão.”
Brion e Pattinson dizem que o algoritmo que eles desenvolveram pode ser o ‘carro sem motorista’ que os engenheiros estão procurando.
“O que isso significa é que você pode ter um algoritmo que pode olhar para todas as diferentes impressoras que você está operando, monitorando constantemente e fazendo alterações conforme necessário – basicamente fazendo o que um humano não pode fazer”, disse Pattinson.
Os pesquisadores treinaram um modelo de visão computacional de aprendizado profundo, mostrando cerca de 950.000 imagens capturadas automaticamente durante a produção de 192 objetos impressos. Cada uma das imagens foi rotulada com as configurações da impressora, como velocidade e temperatura do bico de impressão e vazão do material de impressão. O modelo também recebeu informações sobre o quão longe essas configurações estavam de bons valores, permitindo que o algoritmo aprendesse como os erros surgem.
“Uma vez treinado, o algoritmo pode descobrir apenas olhando para uma imagem qual configuração está correta e qual está errada – é uma configuração específica muito alta ou muito baixa, por exemplo, e então aplicar a correção apropriada”, disse Pattinson. “E o legal é que as impressoras que usam essa abordagem podem coletar dados continuamente, de modo que o algoritmo também pode melhorar continuamente.”
Usando essa abordagem, Brion e Pattinson conseguiram criar um algoritmo que é generalizável – em outras palavras, pode ser aplicado para identificar e corrigir erros em objetos ou materiais desconhecidos, ou mesmo em novos sistemas de impressão.
“Quando você está imprimindo com um bico, não importa o material que está usando – polímeros, concreto, ketchup ou qualquer outro – você pode obter erros semelhantes”, disse Brion. “Por exemplo, se o bico estiver se movendo muito rápido, muitas vezes você acaba com bolhas de material, ou se estiver empurrando muito material, as linhas impressas se sobrepõem formando vincos.
“Erros que surgem de configurações semelhantes terão recursos semelhantes, não importa qual peça está sendo impressa ou qual material está sendo usado. Como nosso algoritmo aprendeu recursos gerais compartilhados em diferentes materiais, ele poderia dizer ‘Ah, as linhas impressas estão formando vincos, portanto, provavelmente estamos lançando muito material’.”
Como resultado, o algoritmo que foi treinado usando apenas um tipo de material e sistema de impressão foi capaz de detectar e corrigir erros em diferentes materiais, desde polímeros de engenharia até ketchup e maionese, em um tipo diferente de sistema de impressão.
No futuro, o algoritmo treinado poderá ser mais eficiente e confiável do que um operador humano na detecção de erros. Isso pode ser importante para o controle de qualidade em aplicações onde a falha do componente pode ter sérias consequências.
Com o apoio da Cambridge Enterprise, o braço de comercialização da Universidade, a Brion formou a Matta, uma empresa spin-out que desenvolverá a tecnologia para aplicações comerciais.
“Estamos voltando nossa atenção para como isso pode funcionar em indústrias de alto valor, como os setores aeroespacial, de energia e automotivo, onde as tecnologias de impressão 3D são usadas para fabricar peças caras e de alto desempenho”, disse Brion. “Pode levar dias ou semanas para concluir um único componente a um custo de milhares de libras. Um erro que ocorre no início pode não ser detectado até que a peça seja concluída e inspecionada. Nossa abordagem detectaria o erro em tempo real, significativamente melhorando a produtividade de fabricação.”
Publicado em 17/08/2022 14h28
Artigo original:
Estudo original: