Les ingénieurs ont créé des imprimantes 3D intelligentes capables de détecter et de corriger rapidement les erreurs, même dans des conceptions inédites, ou des matériaux inconnus comme le ketchup et la mayonnaise, en apprenant des expériences d'autres machines.

Les ingénieurs de l'Université de Cambridge ont développé un algorithme d'apprentissage automatique capable de détecter et de corriger une grande variété d'erreurs différentes en temps réel, et qui peut être facilement ajouté à des machines nouvelles ou existantes pour améliorer leurs capacités. Les imprimantes 3D utilisant l'algorithme pourraient également apprendre à imprimer elles-mêmes de nouveaux matériaux. Les détails de leur approche à faible coût sont rapportés dans la revue Nature Communications .

L'impression 3D a le potentiel de révolutionner la production de pièces complexes et personnalisées, telles que les composants d'avions, les implants médicaux personnalisés ou même les bonbons complexes, et pourrait également transformer les chaînes d'approvisionnement de fabrication. Cependant, il est également vulnérable aux erreurs de production, des inexactitudes à petite échelle et des faiblesses mécaniques aux échecs de construction totaux.

Actuellement, le moyen de prévenir ou de corriger ces erreurs est qu'un ouvrier qualifié observe le processus. Le travailleur doit reconnaître une erreur (un défi même pour un œil averti), arrêter l'impression, retirer la pièce et ajuster les paramètres pour une nouvelle pièce. Si un nouveau matériau ou une nouvelle imprimante est utilisé, le processus prend plus de temps à mesure que le travailleur apprend la nouvelle configuration. Même dans ce cas, des erreurs peuvent être manquées car les travailleurs ne peuvent pas observer en permanence plusieurs imprimantes en même temps, en particulier pour les longues impressions.

"L'impression 3D est un défi car il y a beaucoup de choses qui peuvent mal tourner, et donc très souvent les impressions 3D échouent", a déclaré le Dr Sebastian Pattinson du département d'ingénierie de Cambridge, auteur principal de l'article. "Lorsque cela se produit, tout le matériel, le temps et l'énergie que vous avez utilisés sont perdus."

Les ingénieurs ont développé une surveillance automatisée de l'impression 3D, mais les systèmes existants ne peuvent détecter qu'une gamme limitée d'erreurs dans une pièce, un matériau et un système d'impression.

"Ce dont nous avons vraiment besoin, c'est d'un système de 'voiture sans conducteur' pour l'impression 3D", a déclaré le premier auteur Douglas Brion, également du département d'ingénierie. « Une voiture sans conducteur serait inutile si elle ne fonctionnait que sur une seule route ou dans une seule ville. Elle doit apprendre à généraliser dans différents environnements, villes et même pays. De même, une imprimante « sans conducteur » doit fonctionner pour plusieurs pièces, matériaux, et les conditions d'impression."

Brion et Pattinson disent que l'algorithme qu'ils ont développé pourrait être la "voiture sans conducteur" que les ingénieurs recherchaient.

"Cela signifie que vous pourriez avoir un algorithme qui peut examiner toutes les différentes imprimantes que vous utilisez, en surveillant constamment et en apportant les modifications nécessaires, en faisant essentiellement ce qu'un humain ne peut pas faire", a déclaré Pattinson.

Les chercheurs ont formé un modèle de vision par ordinateur d'apprentissage en profondeur en lui montrant environ 950 000 images capturées automatiquement lors de la production de 192 objets imprimés. Chacune des images était étiquetée avec les paramètres de l'imprimante, tels que la vitesse et la température de la buse d'impression et le débit du matériau d'impression. Le modèle a également reçu des informations sur la distance entre ces paramètres et les bonnes valeurs, permettant à l'algorithme d'apprendre comment les erreurs se produisent.

"Une fois formé, l'algorithme peut déterminer simplement en regardant une image quel paramètre est correct et lequel est incorrect - un paramètre particulier est-il trop élevé ou trop bas, par exemple, puis appliquer la correction appropriée", a déclaré Pattinson. "Et ce qui est cool, c'est que les imprimeurs qui utilisent cette approche pourraient collecter des données en continu, de sorte que l'algorithme pourrait également s'améliorer continuellement."

En utilisant cette approche, Brion et Pattinson ont pu créer un algorithme qui est généralisable, c'est-à-dire qu'il peut être appliqué pour identifier et corriger des erreurs dans des objets ou des matériaux inconnus, ou même dans de nouveaux systèmes d'impression.

"Lorsque vous imprimez avec une buse, quel que soit le matériau que vous utilisez (polymères, béton, ketchup ou autre), vous pouvez obtenir des erreurs similaires", a déclaré Brion. "Par exemple, si la buse se déplace trop rapidement, vous vous retrouvez souvent avec des gouttes de matériau, ou si vous poussez trop de matériau, les lignes imprimées se chevaucheront en formant des plis.

"Les erreurs qui surviennent à partir de paramètres similaires auront des caractéristiques similaires, quelle que soit la partie imprimée ou le matériau utilisé. Parce que notre algorithme a appris des caractéristiques générales partagées entre différents matériaux, il pourrait dire" Oh, les lignes imprimées forment des plis, par conséquent, nous produisons probablement trop de matériel'."

As a result, the algorithm that was trained using only one kind of material and printing system was able to detect and correct errors in different materials, from engineering polymers to even ketchup and mayonnaise, on a different kind of printing system.

In the future, the trained algorithm could be more efficient and reliable than a human operator at spotting errors. This could be important for quality control in applications where component failure could have serious consequences.

With the support of Cambridge Enterprise, the University's commercialization arm, Brion has formed Matta, a spin-out company that will develop the technology for commercial applications.

"We're turning our attention to how this might work in high-value industries such as the aerospace, energy, and automotive sectors, where 3D printing technologies are used to manufacture high performance and expensive parts," said Brion. "It might take days or weeks to complete a single component at a cost of thousands of pounds. An error that occurs at the start might not be detected until the part is completed and inspected. Our approach would spot the error in real time, significantly improving manufacturing productivity." + Explorer plus loin

Machine-learning model monitors and adjusts 3D printing process to correct errors in real-time