Machine Learning : quelle est la place de l’intelligence artificielle dans la fabrication additive ?

Pour de nombreuses entreprises, la numérisation et l’automatisation représentent les clés de la poursuite du développement de la fabrication additive. Ainsi, de plus en plus de fabricants misent sur des solutions basées sur le cloud et intègrent divers algorithmes dans leurs solutions d’impression 3D afin d’exploiter pleinement le potentiel de la technologie. En tant que processus numérique, l’impression 3D fait elle-même partie de l’industrie 4.0 et constitue donc un élément important d’une ère dans laquelle les intelligences artificielles, telles que l’apprentissage automatique, sont de plus en plus utilisées pour optimiser la chaîne de création de valeur. Les intelligences artificielles sont capables de traiter une grande quantité de données complexes en très peu de temps, c’est pourquoi la machine prend de plus en plus d’importance en tant que décideur. Nous vous expliquons ce qu’est le Machine Learning et pourquoi cette forme d’intelligence artificielle contribue à façonner l’avenir de la fabrication additive.

Le Machine Learning (en français : apprentissage automatique) est une sous-catégorie de l’intelligence artificielle et se définit comme un système ou un logiciel qui analyse des données à l’aide d’algorithmes et qui identifie ensuite des modèles ou des propositions de solutions. Contrairement à une croyance répandue selon laquelle l’apprentissage automatique est un phénomène moderne, on peut dire que ses débuts remontent aux années 1940, lorsque les premiers chercheurs ont commencé à reproduire les neurones du cerveau avec des circuits électriques.

Avec le perceptron Mark I, la première pierre de l’apprentissage automatique était posée

En 1957, le perceptron Mark I marque le premier succès dans ce domaine : la machine était capable de classer les données d’entrée de manière autonome. L’appareil a appris des erreurs commises lors des essais précédents, ce qui a permis d’améliorer la classification au fil du temps. Depuis lors, les bases étaient posées et les chercheurs étaient fascinés par les possibilités et le potentiel de la technologie. Depuis, nous rencontrons l’intelligence artificielle tous les jours dans notre vie quotidienne. De la reconnaissance vocale aux plans de traitement personnalisés en passant par les chatbots intelligents, l’apprentissage automatique est utilisé dans une multitude d’applications.

Apprentissage automatique supervisé ou non supervisé

Au sein du spectre du Machine Learning, il convient de faire la distinction entre les différentes méthodes et modèles. En effet, tous les types de Machine Learning ne se valent pas. Il convient par exemple de faire la distinction entre l’apprentissage supervisé et l’apprentissage non supervisé. Le Supervised Machine Learning ou apprentissage supervisé suppose l’existence de données catégorisées (données d’entrée) ainsi que de la variable cible (données de sortie). Le modèle en est dérivé, il examine ensuite les (nouvelles) données non catégorisées et détermine lui-même la variable cible pour celles-ci. Cette forme de machine learning est utilisée pour les prévisions, par exemple pour prévoir les intervalles de maintenance. Dans le cas de l’apprentissage automatique non supervisé, c’est le contraire qui se produit comme point de départ. Le logiciel n’a pas de variable cible (données de sortie), mais doit reconnaître des modèles ou proposer des solutions sur la base des données d’entrée. Ce type de machine learning est notamment utilisé en marketing pour déterminer des segments de clientèle, ce que l’on appelle le « clustering ». Mais il existe encore d’autres différences. Ainsi, il existe encore l’apprentissage partiellement supervisé, qui n’utilise qu’un petit nombre de données prédéfinies dans un grand nombre de données brutes pour entraîner le modèle, ainsi que l’apprentissage par renforcement, dans lequel le système apprend lui-même sur la base de règles prédéfinies. Les utilisateurs doivent donc choisir la méthode appropriée en fonction des données brutes et de la variable cible.

Comment le Machine Learning est-il utilisé dans la fabrication additive ?

En tant que processus de production numérique, la fabrication additive bénéficie des capacités du Machine Learning. Étant donné que d’innombrables données sont collectées et traitées (en temps réel) tout au long de la chaîne de valeur ajoutée, elles peuvent être utilisées pour analyser la situation actuelle et redéfinir la situation souhaitée. Dans ce contexte, il est important pour les entreprises de définir quelles données sont pertinentes. Cette décision dépend du processus utilisé. L’étape suivante consiste à trouver et à intégrer l’instrument de mesure approprié pour la saisie des valeurs, avant de définir un modèle ou un algorithme adéquat pour la collecte et le traitement des données. Dans ce contexte, il est également important de comprendre que toutes les étapes de la chaîne de valeur additive s’influencent mutuellement, c’est pourquoi une approche isolée n’est pas pertinente dans la plupart des cas. Par exemple, la conception influence déjà la qualité ultérieure de la pièce et la qualité souhaitée de la pièce influence la conception. C’est pourquoi de plus en plus d’entreprises tentent de proposer une solution logicielle complète permettant d’exploiter au mieux les avantages de l’intelligence artificielle pour le processus de fabrication additive.

Une conception intelligente

Au début du processus d’impression 3D, il y a un fichier, dans la plupart des cas un fichier CAO. Les entreprises peuvent déjà profiter de l’intelligence artificielle à ce stade. Ainsi, la plupart des solutions logicielles du marché utilisent déjà l’IA pour proposer aux utilisateurs des variantes de conception intelligentes basées sur des variables prédéfinies. Ce processus est notamment connu sous le nom de design génératif. En outre, le Machine Learning est utilisé pour optimiser la topologie. De nombreuses solutions logicielles font également des suggestions sur les méthodes de production, les matériaux et une utilisation optimale de l’espace de construction. Cela permet de réduire les coûts et de produire des pièces non seulement plus efficacement, mais aussi de manière plus durable.

L’outil de simulation du logiciel nTop permet de proposer plusieurs variantes d’une structure lattice et de les classer en fonction de leur poids et de leurs performances mécaniques (crédits photo : nTopology)

Assurance qualité

Une fois que le fichier 3D est optimisé, il faut se concentrer sur le procédé d’impression 3D utilisé, la qualité des matériaux et la qualité des pièces. Aujourd’hui, de nombreux fabricants ont déjà intégré dans leurs machines des caméras et des capteurs qui suivent l’impression et peuvent, si nécessaire, donner l’alerte ou arrêter l’impression. Dans cette étape, il est important de savoir comment la qualité de la pièce se définit pendant l’impression afin de pouvoir définir les valeurs de mesure nécessaires. Il faut également définir quelle action doit être exécutée par la machine et à quel seuil. Certains algorithmes sont aujourd’hui déjà en mesure de définir ces paramètres de manière autonome et de développer le modèle sur la base des données déjà collectées. La meilleure façon d’expliquer à quoi cela peut ressembler est de prendre un exemple pratique.

EOS a développé un jumeau numérique pour le procédé DMLS en collaboration avec NNAISENSE, un fournisseur de logiciels suisse. Lors du processus d’impression, des images thermiques sont capturées à l’aide de la tomographie optique (OT) de chaque couche imprimée et comparées à l’image prédite par l’IA. Cela permet de détecter immédiatement les anomalies et d’arrêter le processus d’impression si nécessaire, ce qui permet de réaliser des économies en termes de matériaux et de coûts. Le modèle développé par NNAISENSE est une stratégie d’apprentissage en profondeur autosurveillée. Siemens souligne que l’assurance qualité dans la fabrication additive, grâce à l’intelligence artificielle et à l’apprentissage automatique, permet de réduire le temps entre le prototype et la pièce finie et d’accélérer l’efficacité de la fabrication en grande série. L’entreprise apprécie la caméra intégrée par EOS pour surveiller les différentes couches d’impression, car elle permet d’identifier en temps réel la poudre manquante sur les pièces à imprimer (à gauche) ou les particules de poudre lors de la phase de recoating (à droite).

À gauche, une anomalie due à un manque de poudre ; à droite : erreur de recoating (crédits photo : Siemens)

La qualité de chaque couche est enregistrée sous forme de valeur numérique et évaluée automatiquement. Si ce score de sévérité atteint un certain seuil, cela peut indiquer un problème grave dans la phase de recoating (comme dans l’exemple ci-dessus). L’entreprise affirme que cela simplifie les inspections optiques, car seules les couches critiques doivent être évaluées par un expert.

Autres applications du Maching Learning en fabrication additive

AUTOMAT3D, le logiciel de post-traitement de PostProcess, surveille les principaux facteurs du processus en temps réel et réagit de manière autonome afin d’obtenir le meilleur état de surface possible des pièces imprimées en 3D. Pour ce faire, l’entreprise utilise les données de plusieurs centaines de milliers de pièces de référence. En outre, l’intelligence artificielle est de plus en plus utilisée pour automatiser et optimiser les flux de travail. Dans les pièces critiques, on trouve de plus en plus souvent des capteurs intelligents qui constituent l’instrument de mesure d’une maintenance intelligente et préventive, dite « Predictive Maintenance ». On peut s’attendre à ce que l’utilisation de l’apprentissage automatique pour les processus de production des fabricants continue de croître dans les années à venir. On prévoit que le marché mondial de l’intelligence artificielle et de l’apprentissage automatique avancé atteindra 471,39 milliards de dollars d’ici 2028, avec un taux de croissance (CAGR) de 35,2%.

Que pensez-vous de l’utilisation du Machine Learning en fabrication additive ? Partagez votre avis dans les commentaires de l’article ou avec les membres du forum 3Dnatives. Retrouvez toutes nos vidéos sur notre chaîne YouTube ou suivez-nous sur Facebook ou Twitter !

*Crédits photo de couverture : Siemens