Lawrence Livermore desarrolla una IA para detectar defectos en la escritura directa con tinta

La escritura directa con tinta es una de esas tecnologías de impresión 3D cuyo proceso puede variar considerablemente. No está muy comercializada y se reserva principalmente para los laboratorios de investigación.

Recientemente, un equipo de científicos e ingenieros del Laboratorio Nacional Lawrence Livermore (LLNL), en California, ha desarrollado un sistema de inspección basado en cámaras capaz de supervisar estructuras complejas impresas en 3D utilizando inteligencia artificial y aprendizaje automático para medir pequeñas variaciones e identificar posibles problemas antes de que una pieza salga de la impresora. Tal y como se describe en la revista npj Advanced Manufacturing, el sistema combina cámaras montadas en la impresora con aprendizaje automático y visión artificial para convertir miles de imágenes tomadas durante la impresión en mediciones y mapas espaciales del material depositado.

Detección temprana de problemas

La impresión directa con tinta permite producir cojines y almohadillas flexibles que dependen de hebras de tan solo una fracción de milímetro de grosor. Los huecos, las roturas o los cambios de diámetro pueden afectar al rendimiento. Tradicionalmente, la inspección se realiza tras la impresión, mediante imágenes de rayos X o ensayos mecánicos. Es un proceso costoso, lento y que solo revela los fallos a posteriori.

El sistema del LLNL añade un control previo. Una cámara captura imágenes de cada capa a medida que se deposita, y el software mide los filamentos más recientes, incluido su diámetro.

«Es una primera fase de inspección», afirmó el responsable técnico del proyecto, Brian Weston. «Nos permite detectar problemas antes de realizar pruebas muy costosas y descartar piezas en una fase más temprana si ya sabemos que tienen filamentos rotos u otros problemas».

Rendimiento del sistema

• Entrenado con casi 15 000 imágenes anotadas por personas en varias geometrías de celosía.
• En 55 piezas, las mediciones se situaron normalmente a pocos micrómetros de las realizadas manualmente.
• El análisis tarda milisegundos, frente a los 20 minutos a una hora que se tarda a mano, lo que supone una velocidad aproximadamente 100 000 veces mayor de media
• La reutilización de la calibración y el conjunto de datos permite reducir considerablemente los datos de entrenamiento necesarios para nuevas cámaras y piezas

Visión completa de la impresión

En una base de aproximadamente 25 por 25 centímetros, los investigadores combinaron unas 2 500 imágenes de una misma capa para crear un mapa del interior.

El mapa mostraba variaciones en el diámetro de los filamentos a lo largo de la impresión, revelando una ligera inclinación de la plataforma que un promedio general podría haber ocultado.

Dado que la cámara se sitúa sobre la impresora, también puede inspeccionar piezas demasiado grandes para una tomografía computarizada de alta resolución práctica.

Próximos pasos

El investigador principal, Brian Giera, afirmó que este enfoque puede extenderse a otros sistemas aditivos, sustractivos y experimentales. A corto plazo, podría descartar piezas con graves defectos durante la impresión y señalar cuándo es necesario realizar una tomografía computarizada por rayos X.

Esta tecnología se enviará al Complejo de Seguridad Nacional de Kansas City para su evaluación. A largo plazo, los datos podrían alimentar gemelos digitales que vinculen la estructura de una pieza con su rendimiento previsto.

«Cuando la impresora pueda inspeccionar su propio trabajo, podremos empezar a pensar en que el sistema tome sus propias decisiones de aceptación o rechazo», afirmó Weston. «Si detecta un defecto, tal vez pueda evaluar si eso hace que la pieza no cumpla con los requisitos». Si quieres saber más sobre la investigación, puedes consultar el estudio aquí.

¿Qué opinas de esta investigación? Comparte tu opinión en los comentarios del artículo. ¡Encuentra todos nuestros vídeos en nuestro canal de Youtube y síguenos en Facebook y LinkedIn.

*Créditos de la foto de portada: Garry McLeod/LLNL