Los científicos e ingenieros suelen recurrir manualmente al método de ensayo y error para encontrar los parámetros óptimos que permitan imprimir nuevos materiales en 3D de forma eficaz y sistemática.
Sin embargo, los investigadores han agilizado ahora el proceso al entrenar un modelo de aprendizaje automático para supervisar y ajustar la impresión 3D y corregir errores en tiempo real.
El sistema podría ayudar a los ingenieros a incorporar fácilmente materiales novedosos en sus impresiones y permitir que los técnicos ajusten el proceso de impresión si las condiciones del material o del entorno cambian de forma inesperada.
Los científicos e ingenieros desarrollan constantemente nuevos materiales con propiedades únicas que pueden utilizarse para la impresión 3D, pero determinar cómo imprimir con estos materiales puede ser un problema complejo y costoso.
A menudo, un operador experto debe recurrir al ensayo y error manual —posiblemente realizando miles de impresiones— para determinar los parámetros ideales que permitan imprimir un nuevo material de forma eficaz y sistemática. Entre estos parámetros figuran la velocidad de impresión y la cantidad de material que deposita la impresora.
Investigadores del MIT han utilizado ahora inteligencia artificial para agilizar este procedimiento. Desarrollaron un sistema de aprendizaje automático que utiliza visión artificial para observar el proceso de fabricación y corregir en tiempo real los errores en la manipulación del material.
Utilizaron simulaciones para enseñar a una red neuronal a ajustar los parámetros de impresión y minimizar los errores; después, aplicaron ese controlador a una impresora 3D real. Su sistema imprimió objetos con más precisión que todos los demás controladores de impresión 3D con los que lo compararon.
Este trabajo evita el proceso prohibitivamente costoso de imprimir miles o millones de objetos reales para entrenar la red neuronal. Además, podría permitir que los ingenieros incorporen con mayor facilidad materiales novedosos en sus impresiones, lo que podría ayudarles a desarrollar objetos con propiedades eléctricas o químicas especiales. También podría ayudar a los técnicos a ajustar sobre la marcha el proceso de impresión si las condiciones del material o del entorno cambian de forma inesperada.
«Este proyecto es realmente la primera demostración de la creación de un sistema de fabricación que utiliza el aprendizaje automático para aprender una política de control compleja», afirma el autor principal, Wojciech Matusik, profesor de ingeniería eléctrica e informática del MIT, quien dirige el Grupo de Diseño y Fabricación Computacionales (CDFG) en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL). «Si se cuenta con máquinas de fabricación más inteligentes, estas pueden adaptarse en tiempo real a los cambios del entorno de trabajo para mejorar el rendimiento o la precisión del sistema. Se puede sacar más partido de la máquina».
Los coautores principales de la investigaciónson Mike Foshey, ingeniero mecánico y director de proyectos del CDFG, y Michal Piovarci, investigador posdoctoral del Instituto de Ciencia y Tecnología de Austria. Entre los coautores del MIT figuran Jie Xu, estudiante de posgrado en ingeniería eléctrica e informática, y Timothy Erps, antiguo asociado técnico del CDFG.
Selección de parámetros
Determinar los parámetros ideales de un proceso de fabricación digital puede ser una de las partes más costosas del proceso, porque requiere mucho ensayo y error. Y, una vez que un técnico encuentra una combinación que funciona bien, esos parámetros solo son ideales para una situación concreta. Dispone de pocos datos sobre cómo se comportará el material en otros entornos, con distintos equipos o si un nuevo lote presenta propiedades diferentes.
El uso de un sistema de aprendizaje automático también presenta numerosos desafíos. En primer lugar, los investigadores necesitaban medir lo que ocurría en la impresora en tiempo real.
Para ello, desarrollaron un sistema de visión artificial con dos cámaras enfocadas en la boquilla de la impresora 3D. El sistema ilumina el material a medida que se deposita y calcula su grosor según la cantidad de luz que lo atraviesa.
«Se puede pensar en el sistema de visión como un par de ojos que observa el proceso en tiempo real», afirma Foshey.
A continuación, el controlador procesaría las imágenes que recibe del sistema de visión y, en función de los errores que detecte, ajustaría la velocidad de alimentación y la dirección de la impresora.
Sin embargo, entrenar un controlador basado en una red neuronal para que comprenda este proceso de fabricación requiere muchos datos y exigiría realizar millones de impresiones. Por eso, los investigadores construyeron un simulador.
Una simulación eficaz
Para entrenar su controlador, utilizaron un proceso conocido como aprendizaje por refuerzo, en el que el modelo aprende mediante ensayo y error y recibe una recompensa. Se encargó al modelo seleccionar los parámetros de impresión que crearían un objeto determinado en un entorno simulado. Tras mostrarle el resultado esperado, se recompensaba al modelo cuando los parámetros elegidos reducían al mínimo el error entre su impresión y el resultado esperado.
En este caso, «error» significa que el modelo dispensó demasiado material y lo colocó en zonas que debían quedar vacías, o que no dispensó suficiente, dejando huecos que debían rellenarse. A medida que el modelo realizaba más impresiones simuladas, actualizaba su política de control para maximizar la recompensa y ganar precisión.
Sin embargo, el mundo real es más complejo que una simulación. En la práctica, las condiciones suelen cambiar debido a pequeñas variaciones o al ruido del proceso de impresión. Por ello, los investigadores crearon un modelo numérico que aproxima el ruido de la impresora 3D. Utilizaron este modelo para añadir ruido a la simulación, lo que produjo resultados más realistas.
«Lo interesante que descubrimos fue que, al implementar este modelo de ruido, pudimos transferir al equipo físico la política de control entrenada exclusivamente en simulación, sin entrenarla mediante experimentos físicos», afirma Foshey. «Después, no tuvimos que hacer ningún ajuste fino en el equipo real».
Al probar el controlador, imprimió objetos con más precisión que cualquier otro método de control evaluado. Su rendimiento fue especialmente bueno en la impresión de relleno, que consiste en imprimir el interior de un objeto. Algunos otros controladores depositaron tanto material que el objeto impreso se abombó, pero el controlador de los investigadores ajustó la trayectoria de impresión para que el objeto quedara nivelado.
Su política de control puede incluso aprender cómo se esparcen los materiales después de depositarlos y ajustar los parámetros en consecuencia.
«También pudimos diseñar políticas de control capaces de adaptarse sobre la marcha a distintos tipos de materiales. Así, si se tuviera un proceso de fabricación en terreno y se quisiera cambiar el material, no habría que volver a validar el proceso de fabricación. Bastaría con cargar el nuevo material y el controlador se ajustaría automáticamente», afirma Foshey.
Ahora que han demostrado la eficacia de esta técnica para la impresión 3D, los investigadores quieren desarrollar controladores para otros procesos de fabricación. También les gustaría estudiar cómo adaptar el enfoque a situaciones en las que haya varias capas de material o se impriman varios materiales a la vez. Además, su enfoque suponía que cada material tenía una viscosidad fija («consistencia de jarabe»), pero una versión futura podría utilizar IA para reconocer la viscosidad y ajustarse a ella en tiempo real.
