KI per il monitoraggio WAAM: Virginia Tech dimostra il controllo qualità in tempo reale
La Virginia Tech, con il team guidato da Prahalada Rao (Industrial & Systems Engineering), ha presentato un approccio che integra Wire Arc Additive Manufacturing (WAAM) e apprendimento automatico per monitorare in tempo reale il processo e prevenire difetti nei grandi componenti metallici. L’obiettivo è ridurre rilavorazioni e scarti in settori dove i tempi di fornitura sono critici, come navale e aerospazio.
Perché WAAM ha bisogno del controllo in linea
WAAM deposita filo metallico tramite arco elettrico con portate chilogrammo/ora, fino a 40–50 kg/giorno: numeri che abilitano parti su scala industriale ma amplificano il rischio che un difetto si propaghi rapidamente. Il controllo qualità “ex post” non basta; servono sensori e algoritmi che valutino il processo mentre avviene.
Sensori, segnali e modello ML
Il gruppo ha accoppiato telecamere e acquisizione di segnali di processo per estrarre indicatori termici e geometrici del bagno di fusione, costruendo un modello di machine learning che classifica le anomalie durante la deposizione. L’algoritmo, addestrato su feature multimodali, ha mostrato circa 90% di affidabilità nel prevedere quando il processo sta “deragliando”, consentendo interventi su corrente, avanzamento filo e traiettoria. Dalla rilevazione alla correzione: verso l’anello chiuso
La novità non è solo “vedere” l’errore, ma correggerlo in corsa: l’architettura proposta collega il monitoraggio a leve di controllo per riportare il processo entro finestra. È il passo chiave verso una WAAM a ciclo chiuso, tema su cui convergono più studi recenti (visione, acustica, segnali elettroarco).
Contesto di laboratorio e trasferibilità
Le attività sono inserite nel Virginia Tech Made: Center for Advanced Manufacturing e nella Learning Factory, ambienti che consentono di testare sia WAAM sia Laser-Wire e formare studenti su macchine equivalenti a quelle industriali. Questo accelera il trasferimento in officina di tecniche di monitoraggio e controllo.
Confronto con la letteratura: dove si colloca il lavoro
La letteratura su ML per WAAM è in forte espansione: revisioni e casi applicativi mostrano classificatori multimodali in tempo reale, visione artificiale per segmentare il filo e stimare distanze operative, nonché metodi semi-supervisionati per rilevare instabilità e difetti. Il lavoro Virginia Tech si colloca nella traiettoria che porta dal monitoraggio alla correzione automatica, prerequisito per componenti “born-qualified”.
Implicazioni industriali e limiti
Per flotte complesse (riparazioni, ricambi su misura) l’integrazione di ML in WAAM può ridurre tempi e costi di qualifica, ma rimangono sfide: dataset sbilanciati, robustezza cross-lega/processo, e validazione NDT in linea. La tendenza 2024–2025 indica progressi su classificazione multimodale, digital twin e strategie di controllo previsivo.
Cosa cambia per chi produce
-
Riduzione rilavorazioni: predizione precoce dei difetti = meno scarti.
-
Parametrizzazione guidata dai dati: l’ML affianca (o sostituisce) euristiche di saldatura.
-
Verso l’autonomia: combinando sensori, visione e modelli, WAAM può avvicinarsi a celle autocorrettive.
