L’IMDEA Materials Institute et le Lawrence Berkeley National Laboratory développent une IA pour détecter les différences entre des imprimantes 3D identiques
L'algorithme détecte les différences imperceptibles entre des machines identiques et sélectionne une stratégie d'optimisation adaptée à chacune d'elles
Des chercheurs de l’IMDEA Materials Institute, en collaboration avec le Lawrence Berkeley National Laboratory (LBNL) aux États-Unis, ont mis au point un algorithme capable de détecter les différences de comportement entre des machines de fabrication théoriquement identiques et de sélectionner la stratégie d’optimisation la plus appropriée.
Les travaux, publiés dans la revue Advanced Engineering Informatics, s’attaquent à un problème qui persiste depuis longtemps dans le domaine de la fabrication automatisée : des machines de même marque et de même modèle ne produisent pas exactement les mêmes résultats, et ces variations peuvent s’accumuler jusqu’à provoquer des défauts à grande échelle, notamment dans les environnements de production parallèle comme les fermes d’impression 3D.
Le système commence par effectuer une évaluation diagnostique de chaque machine afin d’établir un profil individuel de performance. Il applique ensuite une analyse statistique pour quantifier le degré de variabilité entre les différentes unités.
À partir de cette analyse, le système met en œuvre soit une stratégie d’optimisation commune pour les machines jugées suffisamment similaires, soit une stratégie d’optimisation propre à chaque machine lorsqu’il détecte des différences importantes, en privilégiant la précision plutôt que les gains d’efficacité liés à une approche commune
Validation sur trois imprimantes 3D
L’équipe a validé la méthode à l’aide de trois imprimantes 3D théoriquement identiques. L’algorithme a mis en évidence des différences mesurables entre les machines et a conclu que chacune nécessitait sa propre stratégie d’optimisation plutôt qu’une stratégie commune.
Les analyses de distribution et les mesures de divergence ont favorisé l’approche individualisée dans cette étude de cas : les estimations de densité des pastilles imprimées ont révélé une nette séparation entre les machines, tandis que les valeurs de divergence calculées par paires étaient élevées, indiquant que chaque imprimante fonctionnait selon un régime de production distinct.
Selon les chercheurs, l’optimisation individualisée a « permis une convergence nettement plus rapide et une réduction importante des erreurs liées au poids des pièces imprimées comparativement à une approche traitant toutes les machines de la même manière, sans corriger adéquatement les biais propres à chacune ».
« Même des machines produites en série peuvent avoir leur propre « personnalité » sur le plan du fonctionnement. Notre système apprend à reconnaître ces différences et les met à profit afin de déterminer s’il est plus efficace de traiter les machines comme un groupe ou individuellement », ont expliqué les chercheurs.
« Cette approche améliore non seulement la précision, mais permet également d’économiser des ressources en évitant des essais infructueux, une étape essentielle vers les laboratoires et les usines entièrement automatisés de demain. »
Des applications au-delà de l’impression 3D
Bien que l’étude de validation ait porté sur l’impression 3D, les chercheurs estiment que cette méthodologie peut être appliquée à d’autres domaines reposant sur l’expérimentation à haut débit, notamment la découverte de nouveaux matériaux, la synthèse chimique et l’étalonnage de capteurs.
L’étude a été menée par Dre Christina Schenk, Miguel Hernández del Valle, Luis Calero et Dr Maciej Haranczyk de l’IMDEA Materials Institute, en collaboration avec Dr Marcus Noack du Lawrence Berkeley National Laboratory.
