{"id":1843,"date":"2022-08-14T10:03:51","date_gmt":"2022-08-14T08:03:51","guid":{"rendered":"https:\/\/www.3dnatives.com\/it\/?p=1843"},"modified":"2022-08-17T14:37:02","modified_gmt":"2022-08-17T12:37:02","slug":"machine-learning-produzione-additiva-050120229","status":"publish","type":"post","link":"https:\/\/www.3dnatives.com\/it\/machine-learning-produzione-additiva-050120229\/","title":{"rendered":"Machine Learning: l’importanza dell’intelligenza artificiale nella produzione additiva"},"content":{"rendered":"

Per molte aziende, la digitalizzazione e l’automazione sono le chiavi per lo sviluppo della produzione additiva<\/a>. Di conseguenza, sempre pi\u00f9 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 \u00e8 quindi una parte importante di un’era in cui l’intelligenza artificiale, che comprende\u00a0il Machine Learning<\/strong>, \u00e8 sempre pi\u00f9 utilizzata per ottimizzare la catena del valore. L’intelligenza artificiale (AI)<\/strong> \u00e8 in grado di elaborare grandi quantit\u00e0 di dati complessi in un tempo molto breve, per questo che molte decisioni sono ormai delegate alle macchine. Spieghiamo cos’\u00e8 il Machine Learning e perch\u00e9 questa forma di intelligenza artificiale sta aiutando a plasmare il futuro della produzione additiva.<\/p>\n

Il Machine Learning \u00e8 una sottocategoria dell’intelligenza artificiale ed \u00e8 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.<\/p>\n

\"\"

Con il Perceptron \u00e8 stata posta la prima pietra dell’apprendimento automatico nel 1957.<\/p><\/div>\n

Nel 1957, il Mark I Percepton, o Percepton, ha segnato il primo successo in questo campo: \u00e8 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 possibilit\u00e0 e dal potenziale della tecnologia, i ricercatori l’hanno sviluppata sempre di pi\u00f9. Oggi, l’intelligenza artificiale \u00e8 presente nella nostra vita quotidiana: riconoscimento vocale, piani personalizzati, chatbot intelligenti e assistenti virtuali… il machine learning \u00e8 utilizzato in una moltitudine di applicazioni!<\/p>

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

Apprendimento automatico supervisionato e non supervisionato<\/h3>\n

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<\/strong> 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 \u00e8 determinata la nuova variabile obiettivo. Questa forma di apprendimento automatico \u00e8 usata, ad esempio, per le previsioni (per prevedere gli intervalli di manutenzione ecc.). Nel caso dell’apprendimento automatico non supervisionato<\/strong>, il punto di partenza \u00e8 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 \u00e8 usato nel marketing, per esempio, per determinare i segmenti di clienti nel processo noto come “clustering”. Esiste anche l’apprendimento parzialmente supervisionato<\/strong>, che usa solo una piccola quantit\u00e0 di dati predefiniti da una grande quantit\u00e0 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.<\/p>\n

Come viene usato il Machine Learning nella produzione additiva?<\/h3>\n

Come processo di produzione digitale, la produzione additiva<\/a> <\/strong>beneficia delle potenzialit\u00e0 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, \u00e8 importante per le aziende definire quali dati sono rilevanti, in relazione alla tecnologia utilizzata. Il passo successivo \u00e8 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, \u00e8 anche importante capire che tutte le fasi della catena del valore si influenzano a vicenda, motivo per cui un approccio isolato non \u00e8 utile nella maggior parte dei casi. Per esempio, il design influenza gi\u00e0 la successiva qualit\u00e0 del pezzo e la qualit\u00e0 desiderata del pezzo influenza il design. Questo \u00e8 il motivo per cui sempre pi\u00f9 aziende stanno cercando di offrire una soluzione software completa<\/strong> per sfruttare al massimo i vantaggi dell’intelligenza artificiale per il processo di produzione additiva.<\/p>\n

Intelligent Design (ID)<\/h4>\n

All’inizio del processo di stampa 3D c’\u00e8 un file, nella maggior parte dei casi un file CAD<\/a>. Le aziende possono gi\u00e0 trarre vantaggio dall’intelligenza artificiale in questa fase. Per esempio, la maggior parte delle soluzioni software sul mercato usano gi\u00e0 l’AI per offrire agli utenti varianti di design intelligenti basate su variabili predefinite. Questo processo \u00e8 noto come design generativo<\/strong>. Inoltre, il Machine Learning viene utilizzato per l’ottimizzazione della topologia<\/a>. 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 pi\u00f9 efficiente, ma anche pi\u00f9 sostenibile.<\/p>\n

\"\"

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)<\/p><\/div>\n

Garanzia di qualit\u00e0<\/h4>\n

Una volta che il file 3D \u00e8 ottimizzato, l’attenzione dovrebbe concentrarsi sul processo di stampa 3D utilizzato, la qualit\u00e0 dei materiali e la qualit\u00e0 delle parti. Oggi, molti produttori hanno gi\u00e0 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, \u00e8 importante sapere come viene definita la qualit\u00e0 del pezzo durante la stampa, in modo da poter definire i valori di misurazione necessari. \u00c8 anche necessario definire quale azione deve essere eseguita dalla macchina e a quale soglia. Alcuni algoritmi sono gi\u00e0 in grado di definire autonomamente questi parametri e sviluppare il modello sulla base dei dati gi\u00e0 raccolti. Il modo migliore per spiegare come questo avviene, \u00e8 fare un esempio pratico.<\/p>\n

\"\"<\/p>\n

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 \u00e8 una strategia di deep learning auto-monitorata<\/strong>. Siemens sottolinea che la garanzia della qualit\u00e0 nella produzione additiva<\/strong>, attraverso l’intelligenza artificiale e l’apprendimento automatico, riduce il tempo<\/strong> dal prototipo al pezzo finito e aumenta l’efficienza<\/strong> nella produzione di massa. L’azienda apprezza la telecamera integrata da EOS per monitorare i diversi strati di stampa, poich\u00e9 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).<\/p>\n

\"machine

A sinistra, un’anomalia dovuta alla mancanza di polvere; a destra: errore di ricopertura (crediti foto: Siemens)<\/p><\/div>\n

La qualit\u00e0 di ogni strato \u00e8 registrata come valore numerico e valutata automaticamente. Se questo punteggio raggiunge una certa soglia, pu\u00f2 indicare un problema serio nella fase di rivestimento (come nell’esempio precedente). L’azienda sostiene che ci\u00f2 semplifica le ispezioni ottiche, poich\u00e9 solo gli strati critici devono essere valutati da un esperto.<\/p>\n

Altre applicazioni del Maching Learning nella produzione additiva<\/h4>\n

AUTOMAT3D, il software di post-elaborazione<\/a> 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 \u00e8 sempre pi\u00f9 utilizzata per automatizzare e ottimizzare il flusso di lavoro<\/strong>. Nelle parti critiche, i sensori intelligenti sono sempre pi\u00f9 utilizzati come strumento di misurazione per la manutenzione intelligente e preventiva, nota come “manutenzione predittiva”. Si pu\u00f2 prevedere che l’uso del Machine Learning per i processi di produzione continuer\u00e0 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%.<\/p>\n