IMDEA Materials y el LBNL desarrollan una IA para analizar las diferencias que existen entre las impresoras 3D
El algoritmo detecta variaciones ocultas entre sistemas idénticos y elige la configuración óptima para cada uno de ellos
Un grupo de investigadores del Instituto IMDEA Materials, en colaboración con el Laboratorio Nacional Lawrence Berkeley (LBNL) de Estados Unidos, ha desarrollado un algoritmo que detecta diferencias de comportamiento entre equipos de fabricación teóricamente idénticos y selecciona la estrategia de optimización más adecuada para ellos en función de los resultados.
El trabajo se ha publicado en la revista Advanced Engineering Informatics y aborda un problema de la fabricación automatizada que persiste desde hace muchos años: los equipos de la misma marca y modelo no suelen funcionar igual, y la variación resultante puede acumularse y dar lugar a defectos a gran escala incluso en entornos de producción en paralelo, como las granjas de impresión 3D.
En primer lugar, el sistema realizó una evaluación diagnóstica de cada impresora para elaborar un perfil de rendimiento individual y, a continuación, utilizó el análisis estadístico para cuantificar el grado de variabilidad entre las distintas unidades.
A partir de dicho análisis, el algoritmo aplicó una estrategia de optimización conjunta a las impresoras que consideraba suficientemente similares, o una estrategia de optimización individual para aquellas unidades entre las que había detectado diferencias significativas, dando prioridad a la precisión frente a la eficiencia compartida.
Validación en tres impresoras 3D
El equipo validó el método utilizando tres impresoras 3D teóricamente idénticas. El algoritmo detectó diferencias apreciables entre los sistemas y determinó que cada uno requería su propia estrategia de optimización en lugar de una estrategia común.
En este caso práctico, los análisis de distribución y los indicadores de divergencia apuntaban a que era preferible trabajar con un único dispositivo: las estimaciones de densidad de las muestras impresas mostraban una distinción muy marcada entre las impresoras, y los valores de divergencia por pares eran considerables, lo que indica que cada unidad seguía un patrón de producción diferente.
Según los investigadores, aplicar una estrategia de optimización individual «permitió obtener una convergencia significativamente más rápida y una reducción sustancial del número de errores en el peso de las piezas impresas; en cambio, asignar el mismo tratamiento a todas las impresoras impedía corregir adecuadamente los sesgos individuales».
«Incluso los sistemas fabricados en serie pueden tener su propia “personalidad” operativa. Nuestro sistema aprende de estas diferencias y las aprovecha en nuestro beneficio para determinar si resulta más eficiente tratarlos como un conjunto o como individuos», explica el equipo.
«Esto no solo mejora la precisión, sino que además permite ahorrar recursos al evitar experimentos fallidos, lo que supone un paso importante para poder disponer de laboratorios y fábricas totalmente automatizados en el futuro».
Aplicaciones más allá de la impresión 3D
Aunque el estudio de validación se ha centrado en la impresión 3D, los investigadores aseguran que es posible aplicar la misma metodología a otros campos basados en la experimentación de alto rendimiento, como el descubrimiento de nuevos materiales, la síntesis química y la calibración de sensores.
La investigación ha sido llevada a cabo por la Dra. Christina Schenk, Miguel Hernández del Valle, Luis Calero y el Dr. Maciej Haranczyk, del Instituto IMDEA Materials, junto con el Dr. Marcus Noack, del Laboratorio Nacional Lawrence Berkeley.
