Usare l’intelligenza artificiale per controllare la produzione digitale
I ricercatori addestrano un modello di apprendimento automatico per monitorare e regolare il processo di stampa 3D per correggere gli errori in tempo reale.
Scienziati e ingegneri sviluppano costantemente nuovi materiali con proprietà uniche che possono essere utilizzati per la stampa 3D, ma capire come stampare con questi materiali può essere un enigma complesso e costoso.
Spesso, un operatore esperto deve utilizzare prove ed errori manuali, possibilmente realizzando migliaia di stampe, per determinare i parametri ideali che stampano in modo coerente un nuovo materiale in modo efficace. Questi parametri includono la velocità di stampa e la quantità di materiale depositata dalla stampante.
I ricercatori del MIT hanno ora utilizzato l’intelligenza artificiale per semplificare questa procedura. Hanno sviluppato un sistema di apprendimento automatico che utilizza la visione artificiale per osservare il processo di produzione e quindi correggere gli errori nel modo in cui gestisce il materiale in tempo reale.
Hanno usato simulazioni per insegnare a una rete neurale come regolare i parametri di stampa per ridurre al minimo gli errori, quindi hanno applicato quel controller a una vera stampante 3D. Il loro sistema ha stampato gli oggetti in modo più accurato rispetto a tutti gli altri controller di stampa 3D con cui lo hanno confrontato.
Il lavoro evita il processo proibitivo di stampare migliaia o milioni di oggetti reali per addestrare la rete neurale. E potrebbe consentire agli ingegneri di incorporare più facilmente nuovi materiali nelle loro stampe, che potrebbero aiutarli a sviluppare oggetti con speciali proprietà elettriche o chimiche. Potrebbe anche aiutare i tecnici ad apportare modifiche al processo di stampa al volo se le condizioni del materiale o dell’ambiente cambiano in modo imprevisto.
“Questo progetto è davvero la prima dimostrazione della creazione di un sistema di produzione che utilizza l’apprendimento automatico per apprendere una politica di controllo complessa”, afferma l’autore senior Wojciech Matusik, professore di ingegneria elettrica e informatica al MIT che guida il Computational Design and Fabrication Group (CDFG ) nell’ambito del Laboratorio di Informatica e Intelligenza Artificiale (CSAIL). “Se disponi di macchine di produzione più intelligenti, possono adattarsi in tempo reale all’ambiente mutevole del posto di lavoro, per migliorare i rendimenti o la precisione del sistema. Puoi spremere di più dalla macchina.
Gli autori principali della ricerca sono Mike Foshey, ingegnere meccanico e project manager nel CDFG, e Michal Piovarci, post-dottorato presso l’Istituto di Scienza e Tecnologia in Austria. I coautori del MIT includono Jie Xu, uno studente laureato in ingegneria elettrica e informatica, e Timothy Erps, un ex socio tecnico del CDFG.
La determinazione dei parametri ideali di un processo di produzione digitale può essere una delle parti più costose del processo perché sono necessari tanti tentativi ed errori. E una volta che un tecnico trova una combinazione che funziona bene, quei parametri sono ideali solo per una situazione specifica. Ha pochi dati su come si comporterà il materiale in altri ambienti, su hardware diverso o se un nuovo lotto mostra proprietà diverse.
Anche l’uso di un sistema di apprendimento automatico è irto di sfide. In primo luogo, i ricercatori dovevano misurare ciò che stava accadendo sulla stampante in tempo reale.
Per fare ciò, hanno sviluppato un sistema di visione artificiale utilizzando due telecamere puntate sull’ugello della stampante 3D. Il sistema illumina il materiale mentre viene depositato e, in base alla quantità di luce che passa, calcola lo spessore del materiale.
“Puoi pensare al sistema di visione come a un insieme di occhi che osservano il processo in tempo reale”, afferma Foshey.
Il controller elaborerà quindi le immagini che riceve dal sistema di visione e, in base a qualsiasi errore rilevato, regolerà la velocità di avanzamento e la direzione della stampante.
Ma addestrare un controller basato su rete neurale per comprendere questo processo di produzione richiede molti dati e richiederebbe la realizzazione di milioni di stampe. Quindi, i ricercatori hanno invece costruito un simulatore.
Per addestrare il loro controllore, hanno utilizzato un processo noto come apprendimento per rinforzo in cui il modello apprende attraverso tentativi ed errori con una ricompensa. Il modello aveva il compito di selezionare i parametri di stampa che avrebbero creato un determinato oggetto in un ambiente simulato. Dopo aver mostrato l’output atteso, il modello è stato premiato quando i parametri scelti hanno ridotto al minimo l’errore tra la sua stampa e il risultato atteso.
In questo caso, un “errore” significa che il modello ha erogato troppo materiale, posizionandolo in aree che avrebbero dovuto essere lasciate aperte, oppure non ne ha erogato abbastanza, lasciando punti aperti che dovrebbero essere riempiti. Poiché il modello ha eseguito più stampe simulate , ha aggiornato la propria politica di controllo per massimizzare la remunerazione, diventando sempre più puntuale.
Tuttavia, il mondo reale è più disordinato di una simulazione. In pratica, le condizioni in genere cambiano a causa di lievi variazioni o rumore nel processo di stampa. Quindi i ricercatori hanno creato un modello numerico che approssima il rumore della stampante 3D. Hanno utilizzato questo modello per aggiungere rumore alla simulazione, il che ha portato a risultati più realistici.
“La cosa interessante che abbiamo scoperto è che, implementando questo modello di rumore, siamo stati in grado di trasferire la politica di controllo che era stata esclusivamente addestrata nella simulazione sull’hardware senza alcun addestramento con alcuna sperimentazione fisica”, afferma Foshey. “Non abbiamo avuto bisogno di effettuare alcuna messa a punto sull’attrezzatura reale in seguito.”
Quando hanno testato il controller, ha stampato gli oggetti in modo più accurato rispetto a qualsiasi altro metodo di controllo che hanno valutato. Si è comportato particolarmente bene nella stampa di riempimento, che sta stampando l’interno di un oggetto. Alcuni altri controller hanno depositato così tanto materiale che l’oggetto stampato si è gonfiato, ma il controller dei ricercatori ha regolato il percorso di stampa in modo che l’oggetto rimanesse in piano.
La loro politica di controllo può persino apprendere come si diffondono i materiali dopo essere stati depositati e regolare i parametri di conseguenza.
“Siamo stati anche in grado di progettare politiche di controllo in grado di controllare al volo diversi tipi di materiali. Quindi, se avessi un processo di produzione sul campo e volessi cambiare il materiale, non dovresti riconvalidare il processo di produzione. Potresti semplicemente caricare il nuovo materiale e il controller si regolerà automaticamente”, afferma Foshey.
Ora che hanno dimostrato l’efficacia di questa tecnica per la stampa 3D, i ricercatori vogliono sviluppare controller per altri processi di produzione. Vorrebbero anche vedere come è possibile modificare l’approccio per scenari in cui sono presenti più strati di materiale o più materiali stampati contemporaneamente. Inoltre, il loro approccio presupponeva che ogni materiale avesse una viscosità fissa (“scirosità”), ma un’iterazione futura potrebbe utilizzare l’IA per riconoscere e regolare la viscosità in tempo reale.
Altri coautori di questo lavoro includono Vahid Babaei, che guida l’Artificial Intelligence Aided Design and Manufacturing Group presso il Max Planck Institute; Piotr Didyk, professore associato presso l’Università di Lugano in Svizzera; Szymon Rusinkiewicz, David M. Siegel ’83 Professore di informatica all’Università di Princeton; e Bernd Bickel, professore all’Istituto di Scienza e Tecnologia in Austria.
Il lavoro è stato sostenuto, in parte, dal programma FWF Lise-Meitner, una sovvenzione iniziale del Consiglio europeo della ricerca e dalla National Science Foundation degli Stati Uniti.
