{"id":55363,"date":"2021-12-21T00:02:37","date_gmt":"2021-12-20T23:02:37","guid":{"rendered":"https:\/\/www.3dnatives.com\/es\/?p=55363"},"modified":"2021-12-20T15:42:31","modified_gmt":"2021-12-20T14:42:31","slug":"machine-learning-impresion-3d-211220212","status":"publish","type":"post","link":"https:\/\/www.3dnatives.com\/es\/machine-learning-impresion-3d-211220212\/","title":{"rendered":"Machine Learning, la importancia de la inteligencia artificial en la impresi\u00f3n 3D"},"content":{"rendered":"

Para muchas empresas, la digitalizaci\u00f3n y la automatizaci\u00f3n son las claves para seguir avanzando en la industria de fabricaci\u00f3n aditiva. As\u00ed, cada vez m\u00e1s fabricantes conf\u00edan en soluciones basadas en la nube e integran diversos algoritmos en sus soluciones de impresi\u00f3n 3D para aprovechar todo el potencial de la tecnolog\u00eda. Como proceso digital en s\u00ed, la impresi\u00f3n 3D forma parte de la Industria 4.0<\/a> y, por tanto, es un componente importante de una era en la que la inteligencia artificial, concretamente el machine learning (tambi\u00e9n llamado aprendizaje autom\u00e1tico), se utiliza cada vez m\u00e1s para optimizar la cadena de valor. La inteligencia artificial<\/a> (IA) es capaz de procesar una gran cantidad de datos complejos en muy poco tiempo, y por lo tanto es cada vez m\u00e1s importante a la hora de tomar decisiones. A continuaci\u00f3n te explicamos qu\u00e9 es el machine learning y por qu\u00e9 esta forma de IA est\u00e1 ayudando a dar forma al futuro de la fabricaci\u00f3n aditiva.<\/span><\/p>\n

El aprendizaje autom\u00e1tico o machine learning es una subcategor\u00eda de la IA y se define como un sistema que utiliza algoritmos para examinar datos y posteriormente reconocer patrones o determinar soluciones. A pesar de que mucha gente piensa que el machine learning es una tecnolog\u00eda novedosa, sus inicios se remontan a la d\u00e9cada de 1940, cuando los primeros investigadores comenzaron a recrear las neuronas del cerebro con circuitos el\u00e9ctricos. En 1957 se desarroll\u00f3 el llamado Mark I Perceptron, el primer gran \u00e9xito en este campo. La m\u00e1quina era capaz de clasificar datos de entrada de forma independiente. Al hacerlo, el aparato aprendi\u00f3 de los errores cometidos en intentos anteriores, lo cual mejor\u00f3 el proceso de clasificaci\u00f3n con el tiempo. Desde entonces, se sentaron las bases de esta tecnolog\u00eda, y los investigadores quedaron fascinados con sus posibilidades y potencial. As\u00ed, nos encontramos con la inteligencia artificial en pr\u00e1cticamente todos los \u00e1mbitos de la vida. Desde el reconocimiento de idiomas hasta los chats inteligentes o los planes de tratamiento personalizados; el machine learning se ha implementado en una gran variedad de aplicaciones.<\/span><\/p>\n

\"\"

El Mark I Perceptron sent\u00f3 las bases del Machine Learning.<\/p><\/div>\n

Machine Learning supervisado vs no supervisado<\/h3>\n

Dentro del espectro del machine learning, es importante distinguir entre diferentes m\u00e9todos y modelos. Como no todos los procesos son iguales, hay que conocer la diferencia, por ejemplo, entre el machine learning supervisado y el no supervisado. El supervisado requiere disponer de datos categorizados (datos de entrada) y de la variable objetivo (datos de salida). A partir de ellos, se deriva el modelo, que luego examina los nuevos datos no categorizados y determina la variable objetivo para ellos mismos. Esta forma de aprendizaje autom\u00e1tico se utiliza, por ejemplo, para predicciones, como la previsi\u00f3n de los intervalos de mantenimiento.<\/span><\/p>

\"\"<\/a><\/div>\n

En el machine learning no supervisado, el punto de partida es el contrario. El software no tiene una variable objetivo, sino que debe reconocer patrones o sugerir soluciones bas\u00e1ndose en los datos de entrada. Este m\u00e9todo se utiliza, entre otras cosas, en marketing para identificar segmentos de clientes, lo que se denomina <\/span>clustering<\/span><\/i>. Cabe mencionar que existe tambi\u00e9n el machine learning semisupervisado, que usa s\u00f3lo una peque\u00f1a cantidad de datos predefinidos en una gran cantidad de datos brutos para entrenar el modelo, y el aprendizaje por refuerzo, en el que el sistema aprende por s\u00ed mismo bas\u00e1ndose en reglas predefinidas. Por lo tanto, los usuarios deben elegir el m\u00e9todo adecuado en funci\u00f3n de los datos brutos y de la variable objetivo.<\/span><\/p>\n

\u00bfC\u00f3mo se utiliza en la fabricaci\u00f3n aditiva?<\/h3>\n

Como proceso de producci\u00f3n digital, la fabricaci\u00f3n aditiva se est\u00e1 beneficiando de las capacidades del machine learning. Dado que se recogen y procesan innumerables datos en tiempo real a lo largo de la cadena de valor, pueden utilizarse para analizar el estado real y redefinir posteriormente el estado objetivo. Para ello, es importante que las empresas definan primero qu\u00e9 datos son los relevantes. Esta decisi\u00f3n depender\u00e1 en cada caso del proceso de impresi\u00f3n 3D utilizado. Despu\u00e9s se debe encontrar e integrar la herramienta de medici\u00f3n adecuada que capte los valores antes de definir un modelo o algoritmo para la recogida y el tratamiento de los datos. En este contexto, tambi\u00e9n es importante entender que todos los pasos de la cadena de valor se ven afectados mutuamente, por lo que una visi\u00f3n aislada no es lo recomendado en algunos casos. Por ejemplo, el dise\u00f1o<\/a> influye en la calidad final de las piezas y viceversa. Por este motivo, cada vez m\u00e1s empresas intentan ofrecer una soluci\u00f3n de software integral con la que puedan aprovechar las ventajas de la IAl de la mejor manera posible durante el proceso de fabricaci\u00f3n aditiva.<\/span><\/p>\n

Dise\u00f1o inteligente<\/h4>\n

El primer paso en el proceso de impresi\u00f3n 3D es dise\u00f1ar un archivo CAD que se convertir\u00e1 en la pieza final. Y este es el momento en el que las empresas pueden aprovechar las grandes ventajas de la inteligencia artificial. Por ejemplo, la mayor\u00eda de las soluciones de software del mercado actual ya utilizan la IA para sugerir a los usuarios recomendaciones de dise\u00f1o inteligentes basadas en variables predefinidas. Este proceso se conoce como dise\u00f1o generativo<\/a>. El machine learning tambi\u00e9n se utiliza para la optimizaci\u00f3n de la topolog\u00eda. Adem\u00e1s existen soluciones de software <\/span> que hacen sugerencias sobre los m\u00e9todos de producci\u00f3n, materiales y uso \u00f3ptimo del espacio de instalaci\u00f3n. Esto permite ahorrar costes y producir piezas no s\u00f3lo de forma m\u00e1s eficiente, sino tambi\u00e9n m\u00e1s sostenible.<\/span><\/p>\n

\"\"

Con el software de simulaci\u00f3n nTop, se proponen diversas variantes de una estructura reticular y se clasifican en funci\u00f3n del peso y el rendimiento mec\u00e1nico. | Cr\u00e9ditos: nTopology<\/p><\/div>\n

Garant\u00eda de calidad<\/h4>\n

Una vez que el archivo de la pieza est\u00e1 optimizado, la atenci\u00f3n puede centrarse en el proceso de impresi\u00f3n 3D utilizado, la calidad del material y la finalidad del componente. Hoy en d\u00eda, muchos fabricantes han integrado c\u00e1maras y sensores en sus m\u00e1quinas que les permiten controlar el proceso de impresi\u00f3n, e incluso detenerlo si fuera necesario. En este paso, es importante saber c\u00f3mo se define la calidad de la pieza durante la impresi\u00f3n, para poder definir los valores de medici\u00f3n necesarios. Tambi\u00e9n es importante saber qu\u00e9 acci\u00f3n debe realizar la m\u00e1quina en cada valor del umbral. Hoy en d\u00eda, algunos algoritmos ya son capaces de definir estos par\u00e1metros de forma independiente y de seguir desarrollando el modelo a partir de los datos ya recogidos. La mejor forma de entenderlo es con un ejemplo pr\u00e1ctico.<\/span><\/p>\n

\"\"<\/p>\n

EOS se asoci\u00f3 con NNAISENSE, un proveedor de software suizo, para desarrollar un gemelo digital para la tecnolog\u00eda DMLS. En el proceso de impresi\u00f3n, se capturan im\u00e1genes t\u00e9rmicas de cada capa impresa mediante tomograf\u00eda \u00f3ptica (OT) y se comparan con la imagen predicha por la IA. Esto permite detectar inmediatamente las anomal\u00edas y detener el proceso de impresi\u00f3n si es necesario, lo que supone un ahorro significativo de material y costes. El modelo desarrollado por NNAISENSE es una estrategia de aprendizaje profundo autosupervisado. Siemens destaca que el aseguramiento de la calidad en la fabricaci\u00f3n aditiva mediante el uso de IA y machine learning puede dar lugar a la reducci\u00f3n del tiempo del proceso. Desde el prototipo hasta la pieza terminada y a la aceleraci\u00f3n de la eficiencia de la producci\u00f3n de gran volumen. La empresa tambi\u00e9n destaca la c\u00e1mara integrada por EOS para supervisar las capas de impresi\u00f3n individuales, ya que puede identificar en tiempo real la falta de polvo en las piezas a imprimir o las gotas de polvo durante el repintado.<\/span><\/p>\n

\"\"

Cr\u00e9ditos: Siemens<\/p><\/div>\n

La calidad de cada recubrimiento se registra como un valor num\u00e9rico y se eval\u00faa autom\u00e1ticamente. Cuando la puntuaci\u00f3n de gravedad alcanza un determinado umbral, puede indicar un problema grave con el recubrimiento (como en el ejemplo anterior). La empresa afirma que esto simplifica las inspecciones \u00f3pticas, ya que s\u00f3lo las capas cr\u00edticas deben ser evaluadas por un experto.<\/span><\/p>\n

Otras aplicaciones<\/h4>\n

AUTOMAT3D, el software de postratamiento de PostProcess, supervisa los factores clave del proceso en tiempo real y responde de forma aut\u00f3noma para conseguir el mejor acabado en las piezas finales. Para ello, la empresa utiliza datos de miles de piezas como referencia con el fin de que la IA permita automatizar y optimizar los flujos de trabajo. Los sensores inteligentes se encuentran en componentes cr\u00edticos, que son el instrumento de medici\u00f3n del llamado mantenimiento predictivo. Es previsible que el uso del machine learning para los procesos de producci\u00f3n de los fabricantes siga aumentando en los pr\u00f3ximos a\u00f1os. De hecho, se prev\u00e9 que el mercado de la IA y el machine learning avanzado alcance los 470 mil millones de d\u00f3lares en 2028 con una tasa de crecimiento (CAGR) del 35,2%.<\/span><\/p>\n