Un gruppo di ricercatori dell’University College Dublin ha sviluppato un sistema di controllo predittivo per la stampa 3D metallica mediante Laser Powder Bed Fusion (L-PBF), progettato per intervenire sulle condizioni del bagno di fusione prima che le oscillazioni del processo raggiungano livelli potenzialmente critici. La ricerca, pubblicata il 14 ottobre 2026 sulla rivista scientifica The International Journal of Advanced Manufacturing Technology, utilizza dati sperimentali raccolti durante la produzione di componenti in lega di titanio Ti-6Al-4V.
Il risultato principale è una riduzione del 99,98% dei campioni del segnale di monitoraggio che superano determinate soglie statistiche. Il valore è significativo, ma richiede una distinzione: si riferisce a una simulazione del sistema di controllo e non a una riduzione sperimentalmente accertata della porosità nei componenti prodotti.
Lo studio, firmato da Danial Pazoki, Denis Dowling e Pezhman Ghadimi, propone un approccio per passare dal semplice monitoraggio delle condizioni di stampa a una regolazione predittiva dell’energia fornita dal laser.
Il problema del controllo del bagno di fusione
Nel processo L-PBF un laser fonde selettivamente sottili strati di polvere metallica seguendo le traiettorie definite dal modello digitale. Il comportamento del materiale fuso dipende da numerosi fattori, tra cui la potenza del laser, la velocità di scansione, la geometria del componente e le condizioni termiche locali.
Anche quando i parametri di lavorazione sono stati ottimizzati preventivamente, il processo può subire variazioni durante la costruzione. Il calore accumulato nelle zone già consolidate, le differenze geometriche e le interazioni tra tracce successive modificano le condizioni di trasferimento dell’energia.
Una quantità insufficiente di energia può impedire la completa fusione del materiale o il corretto collegamento tra le tracce, favorendo la formazione di porosità da mancata fusione, comunemente indicate come lack of fusion (LOF).
All’estremo opposto, un apporto energetico eccessivo può provocare condizioni di fusione particolarmente profonde e instabili, associate al fenomeno del keyhole. Il collasso delle cavità generate nel metallo liquido può lasciare porosità interne.
La difficoltà consiste nel mantenere il comportamento del bagno di fusione entro un intervallo adeguato anche quando cambiano le condizioni locali. Impostare i parametri prima della stampa non garantisce che queste condizioni rimangano uniformi per tutta la durata della lavorazione.
Dalla registrazione dei dati alla correzione del processo
Le moderne stampanti industriali possono disporre di sistemi di monitoraggio capaci di registrare segnali ottici e altre informazioni relative alla fusione del materiale.
Questi dati sono utili per identificare anomalie, ricostruire gli eventi verificatisi durante la produzione e supportare i controlli di qualità. Tuttavia, la registrazione del segnale non implica necessariamente la possibilità di modificarne immediatamente le cause.
I ricercatori irlandesi hanno affrontato proprio questo passaggio: utilizzare le informazioni provenienti dal monitoraggio per prevedere il comportamento successivo del processo e calcolare una correzione dell’energia laser.
Il sistema proposto appartiene alla categoria dei controllori basati sui dati. Non richiede la costruzione preventiva di un modello fisico completo della fusione, ma utilizza le relazioni osservate tra ingresso energetico e risposta ottica del materiale.
L’obiettivo non è soltanto identificare una condizione anomala dopo che si è verificata, ma anticipare l’evoluzione del segnale per mantenere il processo vicino a un riferimento prestabilito.
Una Renishaw RenAM 500 e il monitoraggio mediante fotodiodi
Per lo sviluppo del controllore, i ricercatori hanno utilizzato dati raccolti con una stampante metallica Renishaw RenAM 500, impiegata per realizzare dispositivi medici denominati spinal cage, strutture destinate alle applicazioni di fusione vertebrale.
Il materiale utilizzato era la lega di titanio Ti-6Al-4V, ampiamente studiata nell’additive manufacturing per applicazioni industriali e biomedicali.
La macchina era equipaggiata con il sistema di monitoraggio InfiniAM Spectral di Renishaw, costituito da due moduli principali.
MeltVIEW utilizza due fotodiodi coassiali per rilevare le emissioni ottiche provenienti dal bagno di fusione. LaserVIEW impiega un ulteriore fotodiodo per monitorare il segnale relativo all’energia laser.
La frequenza di acquisizione dei segnali MeltVIEW è pari a 100 kHz, corrispondente a 100.000 campioni al secondo.
L’intensità luminosa registrata non rappresenta una misura diretta della temperatura assoluta. Viene invece utilizzata come indicatore indiretto, collegato alle condizioni termiche e al comportamento del bagno di fusione.
Questa distinzione è importante: una variazione del segnale ottico può fornire informazioni sulle condizioni del processo, ma la sua corrispondenza con la formazione di specifici difetti deve essere verificata sperimentalmente.
Come funziona il modello predittivo FIR
Il sistema sviluppato dai ricercatori viene identificato con la sigla DB-PFPC, abbreviazione di Data-Based Predictive FIR-Based Proportional Controller.
Il metodo utilizza una rappresentazione matematica a risposta impulsiva finita, nota come FIR (Finite Impulse Response), costruita a partire dai dati misurati.
Attraverso la stima dei cosiddetti parametri di Markov, il modello ricostruisce la relazione tra la storia degli ingressi energetici e il successivo andamento delle emissioni del bagno di fusione.
La previsione viene quindi confrontata con un valore di riferimento, o setpoint. La differenza tra il valore previsto e quello desiderato determina la correzione proporzionale da applicare al segnale di controllo.
In termini operativi, il procedimento comprende tre passaggi: acquisire e interpretare i segnali precedenti, prevedere il comportamento della fusione nell’istante successivo e calcolare una variazione dell’energia necessaria a contenere lo scostamento.
A differenza di un controllo che reagisce soltanto al valore appena misurato, questo schema incorpora quindi una componente predittiva.
Per la simulazione principale sono stati utilizzati 20 parametri di Markov, con un intervallo iniziale di 20 campioni necessario ad avviare il sistema.
La regolazione è progettata per funzionare all’interno del singolo strato di stampa, anziché attendere il completamento dello strato per intervenire su quello successivo.
Il risultato: da 34.007 campioni anomali a sei
La valutazione principale ha riguardato lo strato numero 172 di un componente, scelto tra quelli successivi alla zona dei supporti.
I ricercatori hanno definito un intervallo statistico per il segnale ottico, utilizzando la media e la deviazione standard delle misure. La soglia superiore è stata fissata a una deviazione standard sopra la media, mentre quella inferiore è stata collocata a due deviazioni standard sotto la media.
Le escursioni oltre la soglia superiore sono state interpretate come condizioni potenzialmente associate al regime di keyhole; quelle inferiori come condizioni potenzialmente associate alla mancata fusione.
Nel segnale originale, senza controllo, sono stati individuati 34.007 campioni al di fuori dell’intervallo definito.
Nella simulazione con il controllore predittivo, il numero è sceso a sei campioni, tutti oltre la soglia superiore e concentrati nella fase iniziale.
Il confronto corrisponde a una riduzione del 99,98% delle escursioni fuori soglia.
| Indicatore | Risultato |
|---|---|
| Processo | Laser Powder Bed Fusion |
| Materiale | Ti-6Al-4V |
| Stampante utilizzata per acquisire i dati | Renishaw RenAM 500 |
| Frequenza di monitoraggio | 100 kHz |
| Campioni fuori soglia senza controllo | 34.007 |
| Campioni fuori soglia nella simulazione controllata | 6 |
| Riduzione delle escursioni fuori soglia | 99,98% |
| Ambiente di verifica | MATLAB R2024b |
| Verifica sperimentale in tempo reale | Non eseguita |
Si tratta di un risultato relativo alla stabilizzazione del segnale e alla capacità del modello di mantenere la risposta simulata entro l’intervallo statistico prescelto.
Non significa che siano stati eliminati il 99,98% dei difetti metallurgici. Il dataset non conteneva infatti etichette sperimentali che associassero ciascuna anomalia del segnale a una porosità fisicamente rilevata.
Per stabilire una relazione quantitativa tra queste escursioni e i difetti effettivi sarebbero necessarie ulteriori verifiche, per esempio mediante tomografia computerizzata dei componenti.
Il confronto con altri sistemi di controllo
La ricerca non si limita a presentare il nuovo algoritmo, ma ne confronta il comportamento con altre soluzioni simulate.
Una prima variante aggiunge un termine integrale alla regolazione proporzionale, ottenendo un controllore di tipo PI. Un secondo approccio impiega un modello predittivo ARX, che utilizza una diversa rappresentazione delle relazioni tra ingressi e uscite.
Nelle configurazioni studiate, il controllore FIR proporzionale ha ottenuto un errore quadratico medio RMSE di circa 0,055, contro 0,059 della variante PI e 0,317 del controllore ARX considerato.
Anche i tempi di raggiungimento e mantenimento del riferimento sono risultati favorevoli alla soluzione FIR nelle condizioni della simulazione.
Questi confronti non dimostrano una superiorità universale dell’algoritmo: dipendono dalla taratura dei controllori, dai dati utilizzati e dai parametri adottati nei singoli esperimenti numerici.
I ricercatori hanno inoltre analizzato la stabilità del sistema e la sensibilità alle variazioni dei parametri di controllo, individuando intervalli nei quali la risposta rimane stabile.
Una verifica supplementare ha utilizzato i dati dello strato 372 dello stesso componente. Anche in questo caso la simulazione ha mostrato una regolazione soddisfacente, mantenendo invariati i parametri del controllore ma adottando un diverso riferimento per l’intensità delle emissioni.
Resta comunque una verifica limitata a un secondo strato della stessa costruzione, non a un insieme indipendente di geometrie, materiali o macchine.
Perché il controllo non è stato eseguito direttamente sulla stampante
Uno degli aspetti più interessanti dello studio riguarda il limite posto dalle architetture delle macchine industriali.
I dati provengono da un sistema commerciale effettivamente utilizzato per la produzione additiva, ma il controllore non è stato collegato alla stampante per modificarne il funzionamento durante la costruzione.
L’architettura hardware e software della Renishaw RenAM 500 utilizzata non consentiva ai ricercatori l’accesso in tempo reale agli ingressi di controllo necessario per applicare le correzioni durante la scansione laser.
Inoltre, i dati del sistema InfiniAM Spectral erano disponibili ai fini dell’elaborazione dopo la conclusione dello strato.
Per queste ragioni il controllo ad anello chiuso è stato implementato in MATLAB R2024b, utilizzando le registrazioni sperimentali come base per la simulazione.
La differenza tra una simulazione che impiega dati reali e una sperimentazione su una macchina in funzione è sostanziale. Nel secondo caso occorre verificare anche i ritardi di acquisizione, i tempi di calcolo, le limitazioni degli attuatori, la risposta effettiva del processo e la stabilità del sistema in presenza di disturbi non completamente rappresentati dal modello.
Il passaggio a una dimostrazione sperimentale richiederà quindi una piattaforma L-PBF che permetta l’accesso ai segnali e la modifica degli ingressi energetici durante la deposizione.
Le questioni ancora aperte sulla qualità dei componenti
Oltre alla verifica del controllo in tempo reale, la ricerca lascia aperto il problema della scelta dei valori di riferimento.
Nella simulazione principale il setpoint è stato definito utilizzando la media delle emissioni registrate nello strato originale. Si tratta di un riferimento statistico utile per valutare la capacità del controllore di ridurre le oscillazioni.
Non è però dimostrato che questa media corrisponda alle condizioni ottimali di fusione o alla massima qualità metallurgica.
Per trasformare il sistema in uno strumento industriale occorrerà collegare le soglie di funzionamento a parametri fisici misurabili, come la presenza di porosità, la densità del materiale e, dove pertinenti, le proprietà meccaniche.
Sarà inoltre necessario valutare il comportamento del modello in presenza di geometrie differenti, modifiche dei parametri di processo, accumulo termico tra gli strati e variazioni delle condizioni del materiale.
Un ulteriore sviluppo potrebbe consistere nell’integrare il controllo all’interno dello strato con regolazioni eseguite tra strati successivi, soluzione potenzialmente più compatibile con alcune architetture commerciali esistenti.
Dal monitoraggio alla regolazione automatica della stampa 3D metallica
La ricerca dell’University College Dublin evidenzia una distinzione importante nell’evoluzione della produzione additiva metallica: raccogliere grandi quantità di dati non equivale a controllare automaticamente il processo.
Un sistema di monitoraggio può registrare un’anomalia e consentire di analizzarla dopo la produzione. Un controllore predittivo mira invece a utilizzare la stessa informazione per correggere le condizioni operative mentre il materiale viene lavorato.
Il vantaggio industriale potenziale riguarda la riduzione delle condizioni che possono favorire difetti, la maggiore ripetibilità dei componenti e, in prospettiva, una diminuzione delle lavorazioni scartate e delle attività di verifica successive.
Per settori come quello biomedicale e aerospaziale, nei quali la qualità dei componenti deve essere documentata e riproducibile, il collegamento tra acquisizione dei dati e controllo della lavorazione rappresenta un ambito di ricerca particolarmente rilevante.
Lo studio di Pazoki, Dowling e Ghadimi non introduce ancora una soluzione industriale pronta all’uso, ma propone e analizza un metodo per realizzare questo collegamento.
Il risultato del 99,98% mostra l’efficacia della regolazione del segnale nelle condizioni simulate. La verifica decisiva arriverà quando il controllo potrà essere applicato direttamente a una macchina, confrontando le condizioni monitorate con i difetti fisici, la microstruttura e le proprietà dei componenti realmente prodotti.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)
