Un ecosistema de Inteligencia Artificial para mejorar la impresión 3D en metal

General Electric está creando un sistema basado en Inteligencia Artificial, que sea capaz de predecir la aparición de fallos durante la impresión 3D en metal, alterando los parámetros de impresión en tiempo real.

0118-AM-GE-machinelearning-1
Crédito: additivemanufacturing.media

3D Printing – 1 de 8 – Conceptos básicos

3D Printing – 2 de 8 – Tecnologías y materiales

3D Printing – 3 de 8 – Beneficios

3D Printing – 4 de 8 – Usos, oportunidades y realidades

La complejidad de la impresión 3D en metal

Aunque el término más amplio y correcto es Fabricación Aditiva, la impresión 3D lleva mucho tiempo en conversaciones de tecnología. Su estado actual es ya muy maduro, usándose como método de fabricación industrial en algunos procesos muy específicos.

La impresión 3D en metal es muy compleja. El hecho de que creemos el producto por adición de material poco a poco, fusionando polvo metálico punto a punto, capa a capa, implica procesos metalúrgicos de alta energía en la misma pieza que está siendo impresa.

A medida que se va creando la pieza, generalmente un haz láser va trazando caminos que llevan a una cama de polvo a estados físico-químicos muy agresivos. Esto tiene consecuencias en las propiedades finales del producto que estamos imprimiendo. A veces a nivel microscópico una pequeña parte del metal no se calienta lo suficiente (o por contra demasiado), o el propio polvo tiene alguna impureza, o la tensión térmica en una zona de la pieza distorniosa las dimensiones del resto…

Existen muchos y numerosos fenómenos difíciles de controlar, o si quiera conocer, mientras vamos fabricando aditivamente una pieza de metal. Las grandes compañías fabricantes de máquinas de fabricación aditiva en metal se rompen la cabeza tratando de afinar todos los parámetros de impresión, así como crear softwares que puedan predecir de algún modo las posibles imperfecciones o riegos que pueden surgir en una pieza durante su fabricación.

Para más inri, hay que destacar que la probabilidad de imperfecciones, así como las propiedades finales de la pieza (rigidez, tenacidad, etc) dependen mucho, tanto de estos parámetros de impresión, como de la propia geometría que queremos hacer, complicando este desafío mucho más.

laser-melt.jpg
Crédito: extremetech.com

El Machine Learning al rescate

General Electric es una de las empresas líderes y pioneras en fabricación aditiva. Actualmente está trabajando en un enfoque que podría resolver el complejo escenario de la impresión 3D en metal.

GE ha creado una plataforma de datos que va recogiendo todos los parámetros de la impresión de cada pieza: velocidad en cada punto, temperatura, potencia, etc. Una cantidad masiva de datos que se analiza, repetimos, para cada pieza fabricada.

Entre estos datos están las miles de imágenes de mapas térmicos que va sacando la máquina durante todo el proceso de impresión. Cada una de estas imágenes es una fotografía que indica en colores las zonas más y menos calientes de la pieza. Esta información es muy valiosa, ya que está directamente relacionada con la buena o mala fusión del polvo metálico, así como excesivas tensiones térmicas que pudiesen afectar al resultado final.

Además, tras fabricarse, la pieza acabada se analiza bajo un escáner CT, que muestra en todo su volumen posibles imperfecciones, como cavidades o distorsiones.

Por último, cuando la pieza entra en servicio, como podría ser un álabe de una turbina, se registran datos de funcionalidad durante la vida del producto. Si en la pieza aparece una grieta en algún punto al cabo de un tiempo operando, esto también se registra.

Al cruzar todos estos datos, GE introduce Machine Learning para tratar de averiguar qué relación tienen los parámetros de impresión con los fallos en servicio del producto. La magia de estos algoritmos permite encontrar relaciones, patrones que a los humanos nos sería extremadamente averiguar. El software podría descubrir, por ejemplo, que la velocidad de impresión en un determinado momento de la fabricación ha sido demasiado alto, provocando la aparición de una grieta en el álabe tras cierto tiempo en servicio.

mobile-convention-amsterdam-2014-ge-peter-van-der-fluit-11-638.jpg
Crédito: GE

El siguiente paso, fabricación predictiva

El objetivo es que todo esto no se quede en un análisis post-mortem, sino que a medida que se va fabricando la pieza, el software sea capaz de predecir lo que va a ocurrir, alterando en tiempo real los parámetros de impresión.

El software de Visión Computerizado (que a su vez está también basado en Machine Learning, por cierto) iría mandando información a un sistema superior que simularía las propiedades futuras de la pieza, según los parámetros de la máquina y estas imágenes, compensando los parámetros para tratar de conseguir la impresión perfecta.

GE quiere crear un ecosistema cerrado e inteligente, que cruce los parámetros de impresión, el diseño, las propiedades finales de la pieza y su vida en servicio, de forma que pueda modificar la estrategia de fabricación en tiempo real. Un reto increíble que pone al descubierto la complejidad de la fabricación aditiva en metal y el avanzado estado del arte de la llamada industria 4.0.

Fuente: AdditiveManufacturing

articulo_oficial

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión / Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión / Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión / Cambiar )

Google+ photo

Estás comentando usando tu cuenta de Google+. Cerrar sesión / Cambiar )

Conectando a %s