Un gruppo di ricercatori ha sviluppato un sistema di monitoraggio per la stampa 3D FDM basato su intelligenza artificiale e fusione multimodale di sensori, in grado di individuare in tempo reale difetti come ostruzioni dell’ugello, runout del filamento, slittamenti meccanici e problemi termici. L’architettura combina tre tipi di sensori non intrusivi — microfoni, accelerometri e camera termica — i cui segnali vengono elaborati da modelli di deep learning per riconoscere anomalie durante la deposizione strato su strato.
Perché serve la sensor fusion nella stampa 3D FDM
Il processo FDM è influenzato da molte variabili, tra cui temperatura di estrusione, flusso del filamento, precisione degli assi e condizioni di raffreddamento, che possono generare difetti superficiali, errori dimensionali e fallimenti del pezzo. Approcci basati su un solo sensore, come sistemi puramente acustici o vibrazionali, mostrano limiti nel generalizzare tra macchine, materiali e ambienti diversi.
Analisi comparative dimostrano che nessun sensore singolo è in grado di garantire sensibilità elevata per tutte le tipologie di difetto: l’acustica è efficace per problemi di estrusione, le vibrazioni per guasti meccanici, il termico per anomalie di temperatura. Questa eterogeneità spinge verso la sensor fusion, che mira a sfruttare i punti di forza di ogni sensore e a compensarne le debolezze.
Architettura del sistema: hardware non intrusivo e acquisizione sincrona
Il sistema è concepito come soluzione a basso costo, portatile e non intrusiva, installabile su diverse stampanti FDM senza modifiche hardware profonde. I microfoni vengono posizionati vicino alla macchina per captare il suono dell’estrusione e dei movimenti, gli accelerometri sono fissati al telaio o al carrello per misurare vibrazioni e urti, mentre una camera termica monitora l’hotend e l’area di stampa.
I segnali dei tre sensori sono acquisiti in modo sincrono e suddivisi in finestre temporali, che vengono trasformate in rappresentazioni tempo‑frequenza come spettrogrammi. In questo modo si ottiene un set coerente di feature che descrive lo stato dinamico del processo, pronto per l’elaborazione da parte dell’intelligenza artificiale.
Elaborazione dei dati e ruolo del deep learning
Le rappresentazioni tempo‑frequenza ottenute dai sensori vengono fornite a reti neurali convoluzionali incaricate di classificare lo stato del processo tra diverse condizioni, includendo scenari normali e più tipi di difetto. Il deep learning consente di intercettare pattern complessi nei segnali, difficili da modellare con metodi tradizionali basati su poche grandezze sintetiche.
Il sistema è stato testato su molteplici categorie di guasto tipiche della stampa FDM, mostrando che la fusione multimodale migliora la robustezza del rilevamento rispetto alle soluzioni che si affidano a un unico sensore. In particolare, la combinazione di acustica, vibrazioni e termografia riduce la sensibilità ai disturbi ambientali e aumenta l’accuratezza di classificazione su difetti di natura diversa.
Confronto tra sistema acustico “leggero” e sistema ibrido multimodale
I ricercatori propongono una configurazione acustica “leggera”, basata solo su microfoni, pensata per semplicità e portabilità, e una configurazione ibrida che integra anche accelerometri e camera termica. La versione solo acustica è più economica e facile da distribuire, ma meno completa e più vulnerabile al rumore esterno.
La variante ibrida, pur più complessa a livello hardware, raggiunge una classificazione più affidabile grazie alla complementarità delle sorgenti informative. I confronti quantitativi tra le due configurazioni evidenziano un incremento significativo delle prestazioni nel sistema multimodale, soprattutto per guasti meccanici e termici che emergono in modo più netto nei segnali vibrazionali e termografici.
Applicazioni pratiche: dal rilevamento guasti alla stampa senza presidio
Il sistema è pensato per essere integrato in flussi di lavoro orientati all’Industry 4.0, come modulo intelligente di monitoraggio qualità applicabile a diverse stampanti, materiali e ambienti. In contesto produttivo, i dati forniti dall’AI potrebbero attivare allarmi, fermare in automatico stampe compromesse o supportare l’auto‑regolazione di parametri chiave, riducendo sprechi di materiale e tempi di inattività.
Questa capacità di sorvegliare il processo in modo continuo apre la strada a turni di stampa meno presidiati, dove l’operatore interviene solo quando il sistema segnala un problema concreto. Nel medio periodo, soluzioni commerciali basate su approcci analoghi potrebbero diventare parte integrante delle stampanti FDM professionali e industriali, al pari di altri moduli di monitoraggio e manutenzione predittiva.
Riquadro: AI, stampa 3D e sensor fusion nel contesto più ampio
Il lavoro si inserisce in un quadro più ampio in cui AI e stampa 3D convergono su più fronti: assistenti virtuali per la scelta dei parametri, sistemi di monitoraggio termico integrato, algoritmi di manutenzione predittiva e controllo ad anello chiuso. La sensor fusion è uno degli strumenti centrali di questa evoluzione, perché permette di trasformare la grande quantità di dati generati dalle macchine in informazioni utili per migliorare qualità, tracciabilità e affidabilità.
Per le aziende che adottano la manifattura additiva, queste tecnologie rappresentano una risposta concreta a problemi quotidiani come stampe fallite, variabilità di qualità e difficoltà a standardizzare i processi su scala industriale. L’integrazione tra ricerca accademica e sviluppo industriale sarà decisiva per trasformare prototipi di laboratorio in soluzioni affidabili pronte per la produzione.
