Un metodo nato nella teoria del controllo potrebbe trovare applicazione nelle macchine additive
Un nuovo lavoro della Eindhoven University of Technology affronta uno dei problemi più delicati nell’impiego del machine learning all’interno dei sistemi di controllo: come stabilire se un controller ottimizzato utilizzando una quantità limitata di dati continuerà a funzionare correttamente quando incontra condizioni diverse da quelle utilizzate durante l’addestramento.
Il tema non riguarda direttamente una nuova stampante 3D né una tecnologia sviluppata specificamente per la produzione additiva. Lo studio, pubblicato nel giugno 2026 dal ricercatore Domagoj Herceg del Department of Mechanical Engineering della Eindhoven University of Technology, appartiene alla teoria generale del controllo.
Il titolo del lavoro è PAC-Bayesian Certificates for Quadratic Closed-Loop Control e propone un metodo per associare una garanzia statistica alle prestazioni di determinati controller appresi dai dati.
È proprio questa caratteristica a renderlo interessante anche per il settore della stampa 3D.
Le macchine additive stanno infatti incorporando un numero crescente di sensori, telecamere, sistemi di visione, controlli termici, misurazioni del bagno di fusione e algoritmi capaci di modificare i parametri durante la costruzione.
Quando un algoritmo deve reagire autonomamente a vibrazioni, cambiamenti di temperatura, variazioni del materiale o errori di deposizione, non è sufficiente sapere che abbia funzionato nei test precedenti. Bisogna comprendere quanto sia probabile che continui a comportarsi correttamente quando si verificano condizioni non presenti nel set di dati utilizzato per configurarlo.
È precisamente il problema sul quale interviene l’approccio PAC-Bayesian studiato da Herceg.
Il problema non è imparare dai dati, ma generalizzare
Un controller può essere ottimizzato utilizzando decine o centinaia di prove sperimentali.
Durante l’addestramento può ottenere risultati molto buoni. Questo, tuttavia, non garantisce che le stesse prestazioni vengano mantenute quando il sistema incontra una perturbazione nuova.
Nel caso di un robot industriale, per esempio, possono cambiare massa dell’utensile, posizione del braccio, attrito delle articolazioni o vibrazioni.
In una macchina per additive manufacturing possono invece variare temperatura, condizioni ambientali, viscosità del materiale, portata dell’estrusore, geometria del componente, quantità di calore accumulata oppure comportamento meccanico della struttura.
Un algoritmo adattato troppo precisamente ai dati utilizzati per l’addestramento può ottenere ottimi risultati su quei dati e prestazioni peggiori su nuove condizioni.
Nel machine learning questo problema viene normalmente descritto attraverso il concetto di generalizzazione.
Per un’applicazione digitale come il riconoscimento di immagini, un errore di generalizzazione può produrre una classificazione sbagliata. Per un sistema fisico in anello chiuso le conseguenze possono essere diverse: oscillazioni, errori geometrici, movimenti troppo aggressivi, perdita di stabilità o parametri di processo non appropriati.
Da qui nasce l’interesse per metodi che non si limitino a trovare il controller con il risultato migliore sui dati disponibili, ma cerchino anche di quantificare l’incertezza sulle sue prestazioni future.
Che cosa significa PAC-Bayes
PAC-Bayes combina concetti della statistica bayesiana con la teoria Probably Approximately Correct, generalmente abbreviata in PAC.
L’idea fondamentale è costruire un limite statistico sulla differenza tra ciò che è stato osservato nei dati disponibili e ciò che ci si può aspettare su dati non ancora visti.
Invece di considerare esclusivamente un singolo controller ottimizzato, il metodo utilizza una distribuzione di probabilità su possibili soluzioni.
Prima dell’osservazione dei dati viene definita una distribuzione chiamata prior. Dopo aver utilizzato i dati di addestramento viene ottenuta una distribuzione posterior, che concentra maggiormente la probabilità sulle soluzioni considerate migliori.
Il metodo introduce però una penalizzazione quando il posterior si allontana eccessivamente dal prior.
In termini intuitivi, questo significa evitare di attribuire troppa fiducia a una soluzione estremamente specializzata sui pochi esempi disponibili.
Il risultato è un compromesso tra prestazioni sui dati osservati e complessità della soluzione appresa.
Per i sistemi di controllo questo concetto è interessante perché può funzionare come una forma di regolarizzazione: il metodo cerca controller che non siano soltanto efficienti nei casi utilizzati durante l’apprendimento, ma anche meno sensibili a perturbazioni differenti.
Perché applicare PAC-Bayes al controllo è complicato
La teoria PAC-Bayesian è stata sviluppata soprattutto per problemi di apprendimento nei quali la funzione di perdita possiede determinate caratteristiche matematiche.
Nei sistemi di controllo, invece, una delle misure più utilizzate è il cosiddetto costo quadratico della traiettoria.
In sostanza viene attribuito un costo agli errori dello stato del sistema e all’intensità dell’azione di controllo.
Un robot che si allontana molto dalla traiettoria desiderata accumula un costo. Anche un controller che corregge continuamente il movimento attraverso azioni molto intense può essere penalizzato.
Questa funzione quadratica è particolarmente utile nell’ingegneria del controllo, ma crea un problema per molti strumenti statistici: il suo valore non possiede necessariamente un limite superiore.
Herceg affronta proprio questa difficoltà.
System Level Synthesis cambia il modo di descrivere il controller
Il passaggio matematico centrale dello studio della Eindhoven University of Technology consiste nell’utilizzo del framework System Level Synthesis, o SLS.
System Level Synthesis è una metodologia sviluppata nell’ambito della teoria del controllo per descrivere direttamente la risposta complessiva del sistema in anello chiuso.
Normalmente un progettista parte dalla legge del controller e successivamente calcola come il sistema reagirà.
SLS ribalta in parte il problema: vengono parametrizzate direttamente le risposte che il sistema chiuso può realizzare, mantenendo i vincoli necessari affinché tali risposte corrispondano a un controller implementabile.
Questo cambio di coordinate rende il problema più adatto all’applicazione degli strumenti PAC-Bayesian.
Nel lavoro di Herceg, il costo quadratico diventa una funzione quadratica sia delle perturbazioni sia delle coordinate della risposta SLS.
Questa struttura permette di derivare certificati statistici espliciti sulle prestazioni.
Una distribuzione durante l’apprendimento, un controller deterministico sulla macchina
Un aspetto particolarmente interessante dello studio riguarda il passaggio dalla teoria all’implementazione.
I metodi PAC-Bayesian lavorano naturalmente con una distribuzione di possibili soluzioni.
Sarebbe però poco desiderabile che una macchina industriale scegliesse casualmente un controller differente ogni volta che viene accesa.
Herceg mostra che, nel problema studiato, non è necessario comportarsi in questo modo.
La distribuzione probabilistica può essere utilizzata durante l’apprendimento e nella costruzione del certificato, mentre durante il funzionamento reale può essere implementata la risposta media deterministica del posterior.
La parte probabilistica rimane quindi uno strumento per apprendere e certificare il controller.
La macchina utilizza poi una soluzione deterministica.
Per applicazioni industriali questa distinzione è importante, perché rende più semplice immaginare l’integrazione della metodologia in un sistema di controllo reale.
Il test utilizza un double integrator
La validazione numerica effettuata nello studio non utilizza una stampante 3D.
Il ricercatore della Eindhoven University of Technology ha utilizzato un sistema matematico chiamato double integrator, uno dei modelli più comuni negli studi di controllo.
Un double integrator può rappresentare, in forma semplificata, un sistema nel quale il comando influenza l’accelerazione, che modifica successivamente velocità e posizione.
È quindi un benchmark utile per studiare algoritmi di controllo del movimento.
L’esperimento utilizza un orizzonte temporale di dieci passi e perturbazioni gaussiane.
La parametrizzazione System Level Synthesis produce 110 coordinate libere.
È proprio questo numero a rendere interessante il test con pochi dati.
Quando il controller possiede 110 gradi di libertà ma sono disponibili soltanto dieci o venti traiettorie di addestramento, il rischio di adattarsi eccessivamente ai dati diventa elevato.
Dieci traiettorie contro 110 parametri
Nel test più difficile vengono utilizzate soltanto 10 traiettorie di addestramento a fronte delle 110 coordinate della parametrizzazione SLS.
Herceg confronta quattro metodi.
Il primo è una normale minimizzazione empirica senza regolarizzazione, indicata come raw ERM.
Il secondo aggiunge una regolarizzazione ridge, o Tikhonov.
Il terzo utilizza il metodo PAC-Bayesian data-driven proposto nello studio e implementa come controller la risposta media deterministica.
Il quarto è una variante PAC-Bayesian di riferimento che dispone di informazioni sulla distribuzione reale delle perturbazioni che un algoritmo applicato nel mondo reale non avrebbe a disposizione.
I risultati mostrano molto chiaramente il problema della scarsità di dati.
Con pochi dati il metodo tradizionale diventa instabile
Con dieci traiettorie di training, l’ERM non regolarizzato raggiunge nel test un costo medio di circa 164, accompagnato da una deviazione standard estremamente elevata.
Questo significa che in alcune esecuzioni il controller trovato si comporta in maniera accettabile, mentre in altre produce soluzioni molto sensibili.
L’aggiunta della regolarizzazione ridge migliora radicalmente la situazione e porta il costo medio a circa 4,96.
Il metodo PAC-Bayesian data-driven scende invece a circa 3,22.
Il risultato è stato calcolato su 20 differenti inizializzazioni statistiche e le prestazioni sono state valutate utilizzando 5.000 nuove traiettorie di perturbazione non incluse nell’addestramento.
Il valore interessante non è soltanto la riduzione del costo medio.
La sensibilità scende da 4,19 a 0,85
Lo studio misura anche la sensibilità del sistema chiuso alle perturbazioni.
Con dieci campioni, il controller con regolarizzazione ridge ottiene un valore di sensibilità di circa 4,19.
Il controller PAC-Bayesian data-driven raggiunge circa 0,85.
In altri termini, la soluzione ottenuta attraverso PAC-Bayes risulta molto meno sensibile alle variazioni che entrano nel sistema.
È esattamente questo tipo di comportamento che potrebbe diventare interessante in una macchina fisica.
Un controller per una stampante 3D non opera infatti in un ambiente perfettamente ripetibile.
Aumentando i dati il vantaggio diminuisce
Il metodo PAC-Bayesian non continua a offrire lo stesso margine quando la quantità di dati aumenta.
Herceg ripete gli esperimenti con dataset da 10, 20, 40, 100 e 400 traiettorie.
Con 20 campioni il costo del PAC-Bayes data-driven rimane intorno a 3,23, mentre la regolarizzazione ridge raggiunge circa 4,47.
Con 40 traiettorie il divario si riduce.
Con 100 traiettorie ridge arriva a circa 3,32 e PAC-Bayes a circa 3,23.
A 400 traiettorie i metodi praticamente convergono: circa 3,18 per entrambi.
Questo comportamento è importante perché chiarisce dove il nuovo approccio potrebbe risultare maggiormente utile.
Il suo vantaggio non consiste necessariamente nel trovare controller migliori quando sono disponibili enormi quantità di dati. Il beneficio emerge soprattutto quando i dati sperimentali sono pochi rispetto alla complessità del problema.
Ed è proprio una situazione comune nelle macchine industriali
Raccogliere dati da una macchina industriale costa.
Un algoritmo per il riconoscimento di immagini può essere addestrato utilizzando milioni di fotografie già esistenti.
Per costruire un dataset su una macchina DED da diversi milioni di euro, invece, ogni esperimento può richiedere materiale, energia, personale, tempo macchina e controlli metrologici.
Lo stesso problema può presentarsi quando viene introdotto un nuovo materiale.
Un produttore può disporre di migliaia di ore di dati sul PA12 ma soltanto di poche decine di job su una nuova formulazione.
Un sistema capace di apprendere da un dataset relativamente piccolo senza diventare eccessivamente sensibile ai casi utilizzati durante l’addestramento sarebbe quindi particolarmente interessante.
È in questo contesto che il lavoro della Eindhoven University of Technology può essere messo in relazione con la produzione additiva.
Il primo possibile impiego riguarda il controllo del movimento
Una stampante 3D è innanzitutto una macchina di movimentazione.
Nelle piattaforme cartesiane devono essere controllati assi lineari, accelerazioni e vibrazioni.
Nelle macchine robotiche la situazione è ancora più complessa.
Un braccio industriale a sei o sette assi cambia continuamente configurazione cinematica durante il percorso.
Rigidità, vibrazioni e precisione possono cambiare a seconda della posizione delle articolazioni e della distanza tra utensile e base del robot.
Nei sistemi additive di grande formato, inoltre, la testa di deposizione può essere pesante e soggetta a accelerazioni significative.
Un controller appreso dai dati potrebbe compensare alcune di queste variazioni.
Il problema è garantire che una compensazione imparata percorrendo determinate traiettorie continui a funzionare quando il robot esegue geometrie differenti.
Un approccio di certificazione PAC-Bayesian potrebbe, in prospettiva, diventare uno degli strumenti disponibili per affrontare questa incertezza.
Le vibrazioni sono un esempio concreto
Consideriamo una macchina che esegua movimenti rapidi durante la deposizione.
Un algoritmo potrebbe imparare a compensare le vibrazioni osservando accelerometri installati sulla testa.
Dopo una serie di test, il controller potrebbe prevedere il comportamento della macchina e applicare una correzione.
Ma che cosa accade se cambia la massa della bobina?
Oppure se viene installato un ugello più pesante?
O se il robot lavora in una configurazione nella quale la struttura ha una frequenza di risonanza differente?
Un controller progettato soltanto per minimizzare l’errore sui dati iniziali potrebbe essere eccessivamente aggressivo.
Un metodo che penalizzi la sensibilità del sistema potrebbe invece privilegiare una soluzione leggermente più conservativa ma più robusta a condizioni non osservate.
Estrusione e portata del materiale costituiscono un secondo campo
Il controllo della deposizione rappresenta un’altra possibile applicazione.
Nei processi di estrusione, la quantità di materiale depositata non dipende soltanto dalla velocità nominale del motore.
Entrano in gioco viscosità, temperatura, pressione, elasticità del materiale, geometria dell’ugello e dinamica del sistema di alimentazione.
Nei sistemi pellet extrusion per additive manufacturing di grande formato il fenomeno diventa ancora più evidente.
Un sensore potrebbe misurare pressione oppure geometria del cordone e un controller potrebbe correggere in tempo reale la portata.
Il problema di generalizzazione rimane però lo stesso.
Un controller addestrato su un certo materiale e una determinata temperatura potrebbe non reagire nello stesso modo a un altro lotto o a una variazione delle condizioni ambientali.
Nel metallo il controllo del bagno di fusione è già una realtà di ricerca
La relazione con l’additive manufacturing metallico è ancora più diretta.
Oak Ridge National Laboratory (ORNL) ha dimostrato già da diversi anni sistemi closed-loop per Directed Energy Deposition nei quali le dimensioni del bagno di fusione vengono misurate durante la deposizione e utilizzate per modificare automaticamente la potenza del laser.
In lavori condotti da ORNL anche con il supporto di GKN Aerospace, il controllo è stato esteso a parametri come velocità di stampa e velocità di deposizione.
L’obiettivo è compensare l’accumulo di calore nel componente man mano che la costruzione procede.
Quando una struttura cresce, infatti, le condizioni termiche del decimo strato non sono necessariamente identiche a quelle del primo.
Se il sistema continuasse a utilizzare gli stessi parametri senza correzioni, geometria del cordone e dimensioni del bagno di fusione potrebbero cambiare.
Il controllo ad anello chiuso tenta di compensare queste differenze.
NIST lavora sul feedback con tempi inferiori a 100 microsecondi
Anche il National Institute of Standards and Technology (NIST) negli Stati Uniti sta sviluppando sistemi di controllo in tempo reale per la produzione additiva.
Il programma Advanced Machines, Monitoring, and Control del NIST utilizza piattaforme sperimentali aperte dedicate alla Laser Powder Bed Fusion.
Tra i progetti previsti compare il controllo del melt pool attraverso elaborazione FPGA delle immagini e variazione della potenza laser.
Il NIST punta a tempi di risposta inferiori a 100 microsecondi per alcune funzioni di feedback.
Un secondo approccio utilizza immagini o profili tridimensionali dello strato di polvere per correggere i parametri del layer successivo.
Questi sistemi mostrano quanto la produzione additiva stia evolvendo da macchine che eseguono rigidamente un file a piattaforme capaci di osservare il processo e modificarlo durante la costruzione.
Il problema successivo sarà fidarsi delle decisioni automatiche
Aggiungere un sensore non significa automaticamente ottenere un controllo affidabile.
Una telecamera può misurare il bagno di fusione.
Un algoritmo può riconoscere una deviazione.
Un controller può modificare il laser.
Ma resta una domanda fondamentale: quanto possiamo essere sicuri che quella correzione continui a essere appropriata quando le condizioni cambiano?
È qui che strumenti statistici di certificazione potrebbero diventare interessanti.
L’obiettivo non sarebbe sostituire i sistemi di sicurezza tradizionali, ma fornire una misura quantitativa della capacità del controller di generalizzare oltre il dataset utilizzato per svilupparlo.
Robotic additive manufacturing aumenta ulteriormente la complessità
Nei sistemi robotici additive vengono combinati almeno due processi dinamici.
Il primo è il movimento del robot.
Il secondo è il processo di deposizione.
In una piattaforma DED, per esempio, bisogna coordinare posizione e orientamento della testa, velocità, alimentazione di filo o polvere, potenza laser e condizioni termiche.
In un sistema di estrusione robotica possono entrare in gioco temperatura dell’estrusore, pressione, portata, orientamento della testa e raffreddamento.
Queste variabili interagiscono.
Aumentare la velocità del robot senza modificare la quantità di materiale riduce la sezione del cordone.
Aumentare la portata senza modificare la velocità produce l’effetto opposto.
Cambiare l’orientamento può modificare il comportamento del materiale rispetto alla gravità.
Un controller adattivo potrebbe coordinare queste variabili, ma maggiore è il numero dei parametri appresi, maggiore diventa il rischio di ottenere una soluzione che funzioni soltanto nelle condizioni del dataset.
Il vantaggio potenziale è particolarmente interessante nei nuovi materiali
Ogni nuova combinazione macchina-materiale richiede normalmente una fase di sviluppo del processo.
Nella produzione additiva metallica questo può significare realizzare numerosi provini modificando potenza, velocità, portata e altre variabili.
Nel polimero possono essere necessari test su temperature, raffreddamento, velocità di deposizione e umidità.
In un approccio tradizionale, aumentare la fiducia significa spesso aumentare il numero di prove.
Un metodo PAC-Bayesian non elimina la necessità di raccogliere dati.
Può però risultare interessante quando il numero di campioni deve necessariamente rimanere limitato.
È precisamente la situazione nella quale gli esperimenti numerici di Herceg mostrano il maggior vantaggio.
Il lavoro non dimostra ancora nulla su una stampante 3D
È importante mantenere separati i risultati scientifici dalle possibili applicazioni.
Il lavoro della Eindhoven University of Technology non testa una stampante 3D, un robot industriale o un processo additive.
Gli esperimenti sono numerici e utilizzano un double integrator.
Non è quindi corretto concludere che il metodo PAC-Bayesian migliori già oggi la precisione di una macchina additive.
Fabbaloo propone la relazione con la stampa 3D come possibile direzione applicativa, non come risultato dimostrato dal paper.
Il passaggio dal modello matematico a una macchina reale richiederà ulteriori ricerche.
Il modello utilizzato è lineare
Una delle limitazioni principali riguarda la classe dei sistemi considerata.
I risultati più forti del lavoro vengono derivati per sistemi lineari a orizzonte finito.
Una stampante 3D reale può presentare numerose non linearità.
Attrito, saturazione degli attuatori, comportamento del materiale, trasferimento termico e dinamica di un bagno di fusione non sempre possono essere rappresentati accuratamente attraverso un modello lineare.
In alcune condizioni operative è possibile linearizzare il sistema attorno a un punto di lavoro.
Questo può essere sufficiente per determinate funzioni di controllo, ma non per tutte.
L’estensione a sistemi più complessi sarà quindi necessaria per applicazioni additive avanzate.
Anche le perturbazioni seguono ipotesi precise
Lo studio deriva i risultati più netti assumendo perturbazioni gaussiane, anche correlate tra loro, oppure particolari classi di disturbi limitati.
Nel mondo reale le perturbazioni non seguono sempre una distribuzione ideale.
Un ugello parzialmente ostruito, una collisione, uno slittamento improvviso del materiale oppure un guasto meccanico non sono necessariamente ben descritti da un normale rumore gaussiano.
Questo non rende il metodo inutile, ma delimita ciò che può essere garantito attraverso la formulazione attuale.
Mancano ancora i vincoli rigidi tipici delle macchine reali
Un’altra limitazione riguarda i cosiddetti hard constraints.
Un robot possiede limiti di velocità, accelerazione e coppia.
Un laser ha una potenza massima.
Un estrusore possiede una pressione che non deve essere superata.
Una macchina ha limiti geometrici oltre i quali non può muoversi.
Il lavoro attuale non affronta completamente il problema dei vincoli rigidi su stato e comando.
Herceg indica tra le direzioni future proprio l’estensione verso Model Predictive Control vincolato e modelli che includano maggiore incertezza.
Questo passaggio sarebbe particolarmente importante per un utilizzo industriale.
Un altro lavoro affronta il problema del sim-to-real
Il paper di giugno 2026 non è isolato.
Nell’aprile 2026 Domagoj Herceg e Duarte Antunes, sempre nell’ambito della ricerca sul controllo, hanno pubblicato un altro lavoro dedicato al Distributionally Robust PAC-Bayesian Control.
In quel caso il problema affrontato riguarda esplicitamente la differenza tra distribuzione utilizzata durante l’addestramento e distribuzione incontrata durante l’impiego reale.
È il problema normalmente chiamato sim-to-real gap.
Il concetto è molto rilevante per la robotica.
Un controller può essere addestrato attraverso simulazioni, nelle quali è possibile generare migliaia di traiettorie a costo ridotto.
La macchina reale presenterà però attriti, giochi, vibrazioni e ritardi non riprodotti perfettamente dal simulatore.
Il lavoro di Herceg e Antunes utilizza strumenti di ottimizzazione distributionally robust basati sulla distanza di Wasserstein proprio per costruire garanzie in presenza di questa differenza.
La combinazione tra simulazione e pochi test reali sarebbe interessante per l’AM
Una possibile direzione per l’additive manufacturing potrebbe quindi essere un processo in tre fasi.
Prima il produttore costruisce un modello digitale della macchina.
Successivamente genera molte traiettorie simulate per progettare una prima versione del controller.
Infine utilizza un numero relativamente ridotto di prove reali per correggere il modello e costruire un certificato sulle prestazioni.
Una strategia di questo tipo sarebbe particolarmente interessante per sistemi costosi nei quali eseguire migliaia di esperimenti reali non è economicamente praticabile.
Non si tratta ancora di una soluzione pronta per l’industria, ma il collegamento tra controllo PAC-Bayesian, digital twin e produzione additiva rappresenta una direzione plausibile di ricerca.
Dai controller fissi a macchine che si adattano
La maggior parte delle macchine industriali utilizza ancora controller progettati e validati secondo metodologie classiche.
Questi sistemi sono molto ben compresi e possono offrire garanzie matematiche forti.
Il machine learning introduce però la possibilità di adattare il comportamento della macchina utilizzando dati raccolti durante il funzionamento.
Il vantaggio è evidente: una macchina potrebbe compensare usura, variazioni dei materiali o condizioni ambientali senza richiedere una nuova calibrazione completamente manuale.
Lo svantaggio è altrettanto evidente: diventa più difficile comprendere e certificare il comportamento del sistema.
Gli strumenti PAC-Bayesian cercano di colmare proprio questa distanza tra apprendimento statistico e controllo ingegneristico.
La certificazione potrebbe essere più importante dell’aumento delle prestazioni
Nel settore industriale, il valore di questa ricerca potrebbe non consistere nell’ottenere una macchina più veloce.
Potrebbe essere più importante poter quantificare il rischio associato a un controller appreso dai dati.
Per applicazioni aerospaziali, medicali o energetiche, una riduzione del tempo di produzione è utile soltanto se il processo rimane qualificabile e ripetibile.
Il NIST sottolinea da anni che monitoraggio in-process e controllo sono elementi importanti per migliorare produttività e qualità, ma osserva anche che i sistemi di monitoraggio non hanno ancora raggiunto in tutti i casi la maturità necessaria per diventare la principale evidenza utilizzata nella qualificazione di componenti critici.
Un metodo capace di associare garanzie statistiche al comportamento del controller potrebbe quindi inserirsi in un problema industriale molto più ampio: trasformare i dati raccolti dalla macchina in informazioni affidabili per il controllo e, successivamente, per la qualificazione del processo.
Non sostituirà i controlli di sicurezza della macchina
Anche in uno scenario futuro, una certificazione PAC-Bayesian non dovrebbe essere interpretata come sostituzione dei normali sistemi di sicurezza.
Finecorsa, arresti di emergenza, monitoraggio della coppia, limiti software e hardware, interlock e procedure di validazione continueranno ad avere un ruolo indipendente.
PAC-Bayes riguarda principalmente la capacità di generalizzazione delle prestazioni apprese dai dati.
È quindi uno strato aggiuntivo di analisi, non un certificato universale che dichiara una macchina sicura in qualsiasi circostanza.
Per le stampanti 3D consumer l’applicazione è meno immediata
Il metodo potrebbe teoricamente essere utilizzato anche per macchine desktop, per esempio nel controllo delle vibrazioni ad alta velocità.
Tecnologie come input shaping e compensazione della risonanza sono già diffuse sulle stampanti FFF.
Tuttavia, la complessità matematica e computazionale di un sistema di certificazione PAC-Bayesian sarebbe più facilmente giustificabile inizialmente su piattaforme industriali o sperimentali di alto valore.
Una macchina robotica per DED, un sistema metallico di grande formato o una piattaforma di ricerca con numerosi sensori costituiscono candidati più naturali.
Il settore additive possiede già l’infrastruttura sensoriale necessaria
La condizione preliminare per utilizzare controller appresi dai dati è poter misurare il processo.
Ed è proprio qui che negli ultimi anni la produzione additiva ha compiuto progressi significativi.
Telecamere ad alta velocità, pirometri, sensori di forza, accelerometri, scanner laser, profilometri, sensori acustici e sistemi di visione vengono utilizzati sempre più spesso nelle piattaforme sperimentali.
Il problema sta progressivamente passando da “come raccogliere i dati” a “come utilizzarli per prendere decisioni affidabili”.
Controllare in tempo reale una variabile sulla base di questi segnali costituisce il passaggio successivo.
Da una stampante programmata a una stampante che osserva se stessa
La visione a lungo termine è quella di una macchina additive che non esegua passivamente una sequenza di istruzioni.
La macchina potrebbe osservare continuamente ciò che sta avvenendo.
Potrebbe rilevare una variazione nella geometria del cordone, nell’altezza dello strato, nella temperatura o nelle vibrazioni.
Potrebbe confrontare queste informazioni con il comportamento previsto.
Infine potrebbe modificare automaticamente velocità, potenza, portata o traiettoria.
Una macchina di questo tipo necessita però di un livello di fiducia molto superiore rispetto a una piattaforma nella quale ogni parametro viene deciso prima della costruzione.
Più decisioni vengono delegate al controllo automatico, maggiore diventa l’importanza di sapere quanto l’algoritmo sia affidabile fuori dalle condizioni utilizzate per svilupparlo.
PAC-Bayes offre una risposta statistica, non una promessa assoluta
Il contributo della ricerca della Eindhoven University of Technology deve essere interpretato in questo contesto.
PAC-Bayes non promette che un controller non possa mai fallire.
Fornisce invece strumenti matematici per stabilire limiti probabilistici sulle prestazioni sulla base dei dati disponibili, tenendo conto della complessità della soluzione appresa.
È un approccio più realistico per sistemi nei quali esiste sempre una componente di incertezza.
Nel test numerico utilizzato da Herceg, questo porta a un risultato particolarmente evidente quando i dati sono pochi: il controller ottenuto attraverso il metodo PAC-Bayesian presenta un costo inferiore e una sensibilità alle perturbazioni molto più bassa rispetto alla normale regolarizzazione ridge.
Quando il numero di campioni diventa grande, il vantaggio si riduce.
È proprio questo comportamento a rendere il metodo interessante per sistemi industriali nei quali raccogliere dati è costoso.
La strada verso una stampante 3D PAC-Bayesian è ancora lunga
Prima che questa metodologia possa entrare in una macchina commerciale sarà necessario superare diversi passaggi.
Serviranno prove su sistemi fisici, modelli non lineari più realistici, gestione dei vincoli, perturbazioni non gaussiane, incertezza sul modello e integrazione con controller industriali esistenti.
Sarà inoltre necessario dimostrare che il costo computazionale sia compatibile con le frequenze di controllo richieste.
Un asse meccanico può richiedere correzioni nell’ordine dei millisecondi o meno, mentre il controllo di un bagno di fusione può richiedere frequenze ancora maggiori.
La certificazione potrebbe comunque essere calcolata durante la fase di apprendimento e non necessariamente a ogni ciclo del controller.
Questo renderebbe il problema più gestibile.
Una ricerca da osservare soprattutto nella robotica additive
Il lavoro di Domagoj Herceg non introduce quindi una nuova tecnologia di stampa 3D, ma affronta un problema che diventerà sempre più importante man mano che produzione additiva e robotica utilizzeranno algoritmi di apprendimento nel controllo diretto delle macchine.
Il settore dispone già di dimostrazioni concrete di closed-loop control, come quelle del National Institute of Standards and Technology, dell’Oak Ridge National Laboratory e dei programmi condotti da ORNL insieme a GKN Aerospace.
Il passo successivo è rendere questi sistemi più adattivi senza rinunciare alla prevedibilità richiesta dall’industria.
PAC-Bayesian control potrebbe diventare uno degli strumenti utilizzati per raggiungere questo obiettivo.
Il risultato più significativo del lavoro pubblicato dalla Eindhoven University of Technology è forse proprio la dimostrazione che un controller appreso con pochissimi dati non deve necessariamente essere trattato come una scatola nera priva di garanzie.
È possibile costruire contemporaneamente un algoritmo di apprendimento e un limite statistico sul comportamento che ci si può attendere quando arriveranno nuove perturbazioni.
Per la produzione additiva robotica, dove ogni esperimento fisico può essere costoso e dove la macchina deve affrontare variazioni termiche, meccaniche e di materiale durante la stessa costruzione, questa combinazione potrebbe risultare più importante dell’intelligenza artificiale utilizzata da sola.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
