Machine Learning: l’importanza dell’intelligenza artificiale nella produzione additiva

Per molte aziende, la digitalizzazione e l’automazione sono le chiavi per lo sviluppo della produzione additiva. Di conseguenza, sempre più produttori si affidano a soluzioni basate su cloud e integrano vari algoritmi nelle loro soluzioni di stampa 3D per sfruttare appieno il potenziale della tecnologia. In quanto processo digitale, la stampa 3D fa essa stessa parte dell’industria 4.0 ed è quindi una parte importante di un’era in cui l’intelligenza artificiale, che comprende il Machine Learning, è sempre più utilizzata per ottimizzare la catena del valore. L’intelligenza artificiale (AI) è in grado di elaborare grandi quantità di dati complessi in un tempo molto breve, per questo che molte decisioni sono ormai delegate alle macchine. Spieghiamo cos’è il Machine Learning e perché questa forma di intelligenza artificiale sta aiutando a plasmare il futuro della produzione additiva.

Il Machine Learning è una sottocategoria dell’intelligenza artificiale ed è definito come un sistema o un software che analizza i dati, utilizzando algoritmi, per identificare modelli e proporre soluzioni. Contrariamente alla credenza comune che questo tipo di tecnologia sia moderna, l’inizio dell’apprendimento automatico risale agli anni ’40, quando i primi ricercatori iniziarono a simulare i neuroni del cervello con circuiti elettrici.

Con il Perceptron è stata posta la prima pietra dell’apprendimento automatico nel 1957.

Nel 1957, il Mark I Percepton, o Percepton, ha segnato il primo successo in questo campo: è stato il primo modello di rete neurale artificiale. La macchina era in grado di classificare autonomamente i dati di input e di imparare dagli errori commessi nei test precedenti, il che ha portato nel tempo a una migliore classificazione. Da allora, affascinati dalle possibilità e dal potenziale della tecnologia, i ricercatori l’hanno sviluppata sempre di più. Oggi, l’intelligenza artificiale è presente nella nostra vita quotidiana: riconoscimento vocale, piani personalizzati, chatbot intelligenti e assistenti virtuali… il machine learning è utilizzato in una moltitudine di applicazioni!

Apprendimento automatico supervisionato e non supervisionato

All’interno dello spettro del Machine Learning, bisogna fare una distinzione tra diversi metodi e modelli. Non tutti i tipi di Machine Learning sono uguali. Per esempio, bisogna fare una distinzione tra apprendimento supervisionato e non supervisionato. L’apprendimento automatico supervisionato presuppone l’esistenza di dati categorizzati (dati di input) e di una variabile obiettivo (dati di output). Sulla base di questo viene quindi ricavato un modello, vengono poi esaminati i (nuovi) dati non categorizzati ed è determinata la nuova variabile obiettivo. Questa forma di apprendimento automatico è usata, ad esempio, per le previsioni (per prevedere gli intervalli di manutenzione ecc.). Nel caso dell’apprendimento automatico non supervisionato, il punto di partenza è il contrario. Il software non ha una variabile di destinazione (dati di output), ma deve riconoscere i modelli o proporre soluzioni basate sui dati di input. Questo tipo di apprendimento automatico è usato nel marketing, per esempio, per determinare i segmenti di clienti nel processo noto come “clustering”. Esiste anche l’apprendimento parzialmente supervisionato, che usa solo una piccola quantità di dati predefiniti da una grande quantità di dati grezzi per creare il modello, e l’apprendimento di rinforzo, in cui il sistema stesso impara sulla base di regole predefinite. Gli utenti scelgono quindi il metodo appropriato in base ai dati grezzi e alla variabile obiettivo.

Come viene usato il Machine Learning nella produzione additiva?

Come processo di produzione digitale, la produzione additiva beneficia delle potenzialità del Machine Learning. Numerosi dati vengono raccolti ed elaborati (in tempo reale) lungo la catena del valore, che possono quindi essere utilizzati per analizzare la situazione attuale e ridefinire la situazione desiderata. In questo contesto, è importante per le aziende definire quali dati sono rilevanti, in relazione alla tecnologia utilizzata. Il passo successivo è trovare e integrare lo strumento di misurazione appropriato per catturare i valori, prima di definire un modello o un algoritmo adatto per la raccolta e l’elaborazione dei dati. In questo contesto, è anche importante capire che tutte le fasi della catena del valore si influenzano a vicenda, motivo per cui un approccio isolato non è utile nella maggior parte dei casi. Per esempio, il design influenza già la successiva qualità del pezzo e la qualità desiderata del pezzo influenza il design. Questo è il motivo per cui sempre più aziende stanno cercando di offrire una soluzione software completa per sfruttare al massimo i vantaggi dell’intelligenza artificiale per il processo di produzione additiva.

Intelligent Design (ID)

All’inizio del processo di stampa 3D c’è un file, nella maggior parte dei casi un file CAD. Le aziende possono già trarre vantaggio dall’intelligenza artificiale in questa fase. Per esempio, la maggior parte delle soluzioni software sul mercato usano già l’AI per offrire agli utenti varianti di design intelligenti basate su variabili predefinite. Questo processo è noto come design generativo. Inoltre, il Machine Learning viene utilizzato per l’ottimizzazione della topologia. Molte soluzioni software danno anche suggerimenti sui metodi di produzione, sui materiali e sull’uso ottimale dello spazio di costruzione. Questo aiuta a ridurre i costi e a produrre pezzi non solo in modo più efficiente, ma anche più sostenibile.

Lo strumento di simulazione del software nTop permette di proporre diverse varianti di una struttura a traliccio e di classificarle secondo il loro peso e le loro prestazioni meccaniche (crediti: nTopology)

Garanzia di qualità

Una volta che il file 3D è ottimizzato, l’attenzione dovrebbe concentrarsi sul processo di stampa 3D utilizzato, la qualità dei materiali e la qualità delle parti. Oggi, molti produttori hanno già integrato nelle loro macchine telecamere e sensori che monitorano il processo di stampa e possono, se necessario, dare un allarme o fermare il processo di stampa. In questa fase, è importante sapere come viene definita la qualità del pezzo durante la stampa, in modo da poter definire i valori di misurazione necessari. È anche necessario definire quale azione deve essere eseguita dalla macchina e a quale soglia. Alcuni algoritmi sono già in grado di definire autonomamente questi parametri e sviluppare il modello sulla base dei dati già raccolti. Il modo migliore per spiegare come questo avviene, è fare un esempio pratico.

EOS ha sviluppato un gemello digitale per il processo DMLS in collaborazione con NNAISENSE, un fornitore di software svizzero. Durante il processo di stampa, le immagini termiche sono catturate usando la tomografia ottica (OT) di ogni strato stampato e confrontate con l’immagine prevista dall’AI. Questo permette di rilevare immediatamente le anomalie e fermare il processo di stampa se necessario, con conseguente risparmio di materiale e di costi. Il modello sviluppato da NNAISENSE è una strategia di deep learning auto-monitorata. Siemens sottolinea che la garanzia della qualità nella produzione additiva, attraverso l’intelligenza artificiale e l’apprendimento automatico, riduce il tempo dal prototipo al pezzo finito e aumenta l’efficienza nella produzione di massa. L’azienda apprezza la telecamera integrata da EOS per monitorare i diversi strati di stampa, poiché permette di identificare in tempo reale la polvere mancante sui pezzi da stampare (a sinistra) o le particelle di polvere durante la fase di ricopertura (a destra).

A sinistra, un’anomalia dovuta alla mancanza di polvere; a destra: errore di ricopertura (crediti foto: Siemens)

La qualità di ogni strato è registrata come valore numerico e valutata automaticamente. Se questo punteggio raggiunge una certa soglia, può indicare un problema serio nella fase di rivestimento (come nell’esempio precedente). L’azienda sostiene che ciò semplifica le ispezioni ottiche, poiché solo gli strati critici devono essere valutati da un esperto.

Altre applicazioni del Maching Learning nella produzione additiva

AUTOMAT3D, il software di post-elaborazione di PostProcess, controlla i fattori chiave del processo in tempo reale e reagisce autonomamente per ottenere la migliore finitura superficiale possibile per le parti stampate in 3D. Per fare questo, l’azienda utilizza i dati di diverse centinaia di migliaia di pezzi di riferimento. Inoltre, l’intelligenza artificiale è sempre più utilizzata per automatizzare e ottimizzare il flusso di lavoro. Nelle parti critiche, i sensori intelligenti sono sempre più utilizzati come strumento di misurazione per la manutenzione intelligente e preventiva, nota come “manutenzione predittiva”. Si può prevedere che l’uso del Machine Learning per i processi di produzione continuerà a crescere nei prossimi anni. Il mercato globale dell’intelligenza artificiale e dell’apprendimento automatico avanzato dovrebbe raggiungere 471,39 miliardi di dollari entro il 2028, con un tasso di crescita (CAGR) del 35,2%.

Cosa ne pensi dell’uso del Machine Learning nella produzione additiva? Condividi la tua opinione nei commenti qui sotto o sui nostri canali social Facebook, Twitter, Linkedin e YouTube! Non dimenticare di iscriverti alla nostra Newsletter settimanale per ricevere tutte le notizie sulla stampa 3D direttamente nella tua casella di posta!

*Crediti foto di copertina: Siemens