Machine learning e additive manufacturing: focus sul monitoraggio dei processi di stampa 3D

Sotto la guida del MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), un’inedita metodologia per il controllo del processo di stampa 3D tramite la tecnica del reinforcement learning.

TAKEAWAY

  • In una recente ricerca sul monitoraggio dei processi di additive manufacturing, una stampante 3D viene dotata di un sistema di visione artificiale declinato in due telecamere e di un sistema di controllo che impiega una particolare tecnica di apprendimento automatico.
  • Scopo del sistema di controllo dotato di intelligenza artificiale, l’analisi dei dati video che riceve dalle telecamere e, nel caso in cui rilevi errori o anomalie nelle operazioni, l’intervento per modificare la velocità della stampante 3D e la direzione dei suoi movimenti.
  • Tra le prospettive di ricerca future, lo sviluppo di sistemi che impiegano la medesima metodologia per il controllo di tecnologie di produzione 3D avanzate, tra cui la lavorazione meccanica e la lavorazione laser dei materiali.

Le tecniche di machine learning, tra cui il reinforcement learning (o “apprendimento per rinforzo”), trovano applicazione nel monitoraggio dei processi di additive manufacturing (in italiano “manifattura additiva” o “produzione additiva”), insieme di tecnologie finalizzate alla produzione di oggetti in stampa 3D aggiungendo materiale strato su strato.

Se ne parla in uno studio dal titolo “Closed-Loop Control of Direct Ink Writing via Reinforcement Learning” – condotto dal MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) in collaborazione con l’Institute of Science and Technology Austria (ISTA), il tedesco Max Planck Institute for Informatics e l’Università della Svizzera Italiana (USI) – in cui il focus è posto, in particolare, sull’ampia gamma di materiali a disposizione per la stampa 3D (dalle leghe di alluminio agli acciai vari, dai materiali plastici alla ceramica e alle fibre di vetro, disponibili sotto forma di polvere, filamenti, granuli, resine e altro ancora), ma non sempre facili da rendere stampabili a causa di peculiarità proprie, tra cui, ad esempio, il fatto di essere deformabili o di risultare piuttosto reattivi alle modifiche del loro stato.

«Rendere stampabili alcuni tipi di materiali, richiede scrupolose (e costose) operazioni fatte di molteplici tentativi ed errori. Anche nel caso in cui i parametri di processo vengano trovati correttamente, non vi è alcuna garanzia di coerenza da stampa a stampa, a causa delle differenze di materiale tra i lotti. E la variabilità sia dei materiali che dei parametri di processo può causare errori che portano a imprecisioni tali da compromettere le proprietà funzionali delle stampe finali»

si legge nel documento che illustra lo studio. La sfida che vede la progettazione di un controller efficiente dei processi di stampa 3D – spiegano – non è affatto nuova. Nuova è, invece, la messa a punto di una metodologia che, in tale progettazione, impiega l’apprendimento per rinforzo, tecnica di machine learning che, dati determinati obiettivi, consente alla macchina di scegliere le corrette azioni da compiere per il loro raggiungimento mediante una politica diricompense in seguito a una serie di tentativi.

Machine learning e additive manufacturing: la definizione dell’apparato di stampa

L’aspetto più critico al quale fanno riferimento gli autori dello studio in tema di machine learning e additive manufacturing riguarda la definizione di parametri assoluti, validi una volta per tutte, del processo di stampa 3D.

Definizione che, oltre a comportare difficoltà derivanti dall’eterogeneità dei materiali scelti di volta in volta per la stampa, presenta costi non indifferenti, poiché – come accennato – si rende necessario un elevato numero di “tentativi ed errori” eseguiti sull’hardware fisico.

E la complessità e i costi non sono ripagati dalla certezza che, una volta determinati i parametri corretti per quello specifico materiale, questi possano poi essere applicati successivamente per la stampa dello stesso materiale in altri ambienti, utilizzando, ad esempio, un differente hardware o attingendo a un diverso stock di materiale.

Riguardo all’hardware (ossia alla stampante 3D), il team – per realizzare simulazioni della metodologia sviluppata – ha optato per un sistema di deposizione dell’ago a scrittura diretta, montato su un robot a tre assi «che permette di controllare liberamente l’accelerazione e la posizione dell’erogatore (ugello). Quest’ultimo è in grado di elaborare un’ampia gamma di materiali viscosi e la deposizione è molto simile alla modellazione della deposizione fusa».

L’apparato è completato da un sistema di computer vision che sfrutta due telecamere montate ai lati opposti dell’ugello, per osservare e misurare in tempo reale tutte le operazioni di stampa, percependo, in particolare, quelle relative alla deposizione del materiale: in pratica, il sistema illumina il materiale mentre questo viene depositato e, in base alla quantità di luce che vi passa attraverso, calcola il suo spessore.

Il dispositivo deputato al controllo dell’intero processo ha il compito di analizzare le immagini che riceve dal sistema di visione artificiale e, nel caso in cui rilevi errori o anomalie nelle operazioni, interviene modificando la velocità della stampante e la direzione dei suoi movimenti.

«Il controllo si basa rigorosamente sullo spessore costante del materiale. Per sondare politiche in grado di adattare in maniera sempre più coerente il processo di stampa 3D alle osservazioni in situ, abbiamo deciso di formulare la nostra ricerca adottando la tecnica dell’apprendimento per rinforzo» specifica il gruppo di studio. Vediamo insieme in che modo.

I reinforcement learning a supporto del controllo dei processi

Il sistema di controllo messo a punto dai ricercatori in tema di machine learning e additive manufacturing, è dotato di un algoritmo di reinforcement learning addestrato attraverso una serie di tentatiti ed errori in compiti di monitoraggio nell’ambito della simulazione del processo di stampa.

Nello specifico, al modello di apprendimento per rinforzo – dopo avergli somministrato l’output atteso – è stato chiesto di selezionare i parametri di stampa per la creazione di un determinato oggetto, ricevendo un feedback positivo (ricompensa) quando i parametri da lui prescelti portavano a un livello minimo il grado di errore, riducendo la differenza tra il prodotto finale del processo di stampa impostato e il risultato atteso.

Che cosa si intende, in questo caso specifico, per “errore”? Che, ad esempio, il sistema AI ha ordinato all’ugello della stampante 3D di erogare materiale in eccesso, posizionandolo in punti che, invece, avrebbero dovuto rimanere liberi, o – al contrario – di erogare poco materiale, lasciando aree vuote nella stampa.

L’apprendimento da parte del modello di reinforcement learning è avvenuto in più tempi attraverso più simulazioni, durante le quali ha via via perfezionato la propria tecnica, affinando precisione e puntualità.

Un’osservazione a parte merita l’utilizzo del feed di immagini provenienti dalle telecamere montate ai lati dell’erogatore:

«La grande varietà di materiali disponibili introdurrebbe una notevole difficoltà nel processo di apprendimento da parte dell’algoritmo di reinforcement learning – notano gli autori – col rischio che materiali con un comportamento fisico simile vengano trattati in modo diverso in base al loro aspetto».

Sfida – questa – risolta impiegando «uno spazio di osservazione ingegnerizzato che, anziché utilizzare il feed diretto proveniente da un modulo telecamera, elabora il segnale in una “heightmap”».

Una heightmap – spiega i team – è un’immagine 2D in cui ogni pixel memorizza spessore, contorni e percorso di riempimento del materiale depositato rispetto alla piastra da costruzione. Il che consente al sistema di controllo di compiere una generalizzazione di un’ampia gamma di sensori e di materiali.

Immagine che ritrae, a sinistra, l'apparato di stampa messo a punto dai ricercatori e, a destra, un esempio di immagine 2D (in cui ogni pixel riproduce spessore, contorni e percorso di riempimento del materiale depositato) sulla base della quale il sistema di controllo fondato sul reinforcement learning regola velocità e direzione della stampa (Fonte: “Closed-Loop Control of Direct Ink Writing via Reinforcement Learning” - MIT Computer Science and Artificial Intelligence Laboratory (CSAIL) - https://arxiv.org/pdf/2201.11819.pdf).
A sinistra, l’apparato di stampa messo a punto dai ricercatori e, a destra, un esempio di immagine 2D (in cui ogni pixel riproduce spessore, contorni e percorso di riempimento del materiale depositato) sulla base della quale il sistema di controllo fondato sul reinforcement learning regola velocità e direzione della stampa (Fonte: “Closed-Loop Control of Direct Ink Writing via Reinforcement Learning” – MIT Computer Science and Artificial Intelligence Laboratory – https://arxiv.org/pdf/2201.11819.pdf).

Machine learning e additive manufacturing: esiti dei test di prova e ricerca futura

In tema di machine learning e additive manufacturing, le prove alle quali il sistema di controllo basato su tecnica di apprendimento per rinforzo è stato sottoposto, hanno dato esito positivo, in particolare per quanto concerne le operazioni relative alla stampa di riempimento – ovvero alla stampa dell’interno dell’oggetto – «riuscendo a regolare il percorso di stampa in modo che l’oggetto rimanesse in piano».

Un altro esito particolarmente positivo ha riguardato il controllo di materiali di stampa diversi nel corso dello stesso processo. Il che significa che questo metodo permette di non dover riconvalidare l’intero processo di additive manufacturing ogniqualvolta si decida di cambiare materiale in corsa, in quanto il nuovo sistema di controllo si regola automaticamente.

Nel futuro del team di ricerca, lo sviluppo di sistemi di controllo che impiegano l’intelligenza artificiale per la stampa 3D multistrato – caratterizzata da più strati di materiale o da più materiali stampati contemporaneamente – oltre che per la stampa di materiali con grado di viscosità varia, rilevata e regolata in tempo reale dal sistema di machine learning.

«Riteniamo – concludono gli autori della ricerca – che l’approccio introdotto possa fungere da modello, per lavori futuri, nel controllo guidato dall’intelligenza artificiale di tecnologie di produzione 3D avanzate, come la lavorazione meccanica e la lavorazione laser dei materiali».

Immagine predefinita
Paola Cozzi

Giornalista dal solido background acquisito lavorando presso i più prestigiosi Editori italiani | Ventidue anni di esperienza nello sviluppo di prodotti editoriali b2b, cartacei e digitali | Vent'anni alla direzione di una testata b2b in tema di Sicurezza anticrimine di tipo fisico | Attualmente si dedica al Giornalismo Digitale ed esplora nuove tecniche e nuovi stili di comunicazione

Articoli: 276

Newsletter Updates

Inserisci il tuo indirizzo email qui sotto per iscriverti alla nostra newsletter