Para rastrear e modificar os processos de fabricação digital em tempo real, pesquisadores treinaram uma nova IA. Embora cientistas e engenheiros estejam continuamente criando novos materiais com recursos especiais que podem ser utilizados para impressão 3D, descobrir como utilizá-los pode ser desafiador e caro.
Afinal, para chegar aos parâmetros ideais que produzem consistentemente impressões de alta qualidade de novos materiais, um operador especializado frequentemente precisa realizar experimentos manuais de tentativa e erro, às vezes produzindo milhares de impressões. A velocidade de impressão e a quantidade de material que a impressora deposita são algumas dessas variáveis.
Pesquisadores do MIT agora empregam inteligência artificial para agilizar este processo. Eles criaram um sistema de aprendizado de máquina que observa o processo de fabricação digital usando visão computacional e corrige falhas de manuseio em tempo real.
Eles colocaram o controlador em uma impressora 3D real depois de usar simulações para ensinar uma rede neural como alterar os parâmetros de impressão para reduzir erros. Em comparação com outros controladores de impressão 3D, sua tecnologia produziu itens de forma mais correta.
O trabalho evita o processo proibitivamente caro de imprimir milhares ou milhões de objetos reais para treinar a rede neural. E poderia permitir que os engenheiros incorporassem mais facilmente novos materiais em suas impressões, o que poderia ajudá-los a desenvolver objetos com propriedades elétricas ou químicas especiais. Também pode ajudar os técnicos a fazer ajustes no processo de impressão em tempo real se as condições materiais ou ambientais mudarem inesperadamente.
“Este projeto é realmente a primeira demonstração da construção de um sistema de manufatura que usa aprendizado de máquina para aprender uma política de controle complexa. Se você tiver máquinas de fabricação mais inteligentes, elas podem se adaptar às mudanças no ambiente de trabalho em tempo real para melhorar os rendimentos ou a precisão do sistema. Você pode extrair mais da máquina”, diz Wojciech Matusik, autor sênior e professor de engenharia elétrica e ciência da computação do MIT que dirige o Grupo de Projeto e Fabricação Computacional (CDFG) no Laboratório de Ciência da Computação e Inteligência Artificial.
Continua depois da publicidade |
Devido à extensa quantidade de tentativa e erro envolvida, escolher os parâmetros ideais para um processo de fabricação digital pode ser uma das etapas mais desafiadoras do procedimento. Além disso, uma vez que um técnico descobre uma combinação que funciona bem, esses parâmetros são ideais apenas naquela circunstância específica. Ela não tem informações sobre como a substância funcionará em vários ambientes, em várias artes ou se um novo lote tem características diferentes.
Além disso, existem dificuldades com o uso de um sistema de aprendizado de máquina. Os pesquisadores tiveram que primeiro fazer medições em tempo real do que estava acontecendo na impressora.
Eles criaram um sistema de visão de máquina com duas câmeras apontadas para o bico da impressora 3D para fazer isso. A tecnologia ilumina o material à medida que é depositado e determina a espessura do material com base na quantidade de luz que passa.
“Você pode pensar no sistema de visão como um conjunto de olhos observando o processo em tempo real”, explica Foshey.
Uma vez que o controlador tenha processado as imagens recebidas do sistema de visão, ele mudará a orientação da impressora e a taxa de alimentação em resposta a quaisquer erros encontrados.
Fazer milhões de impressões é necessário para treinar um controlador baseado em rede neural para compreender esse processo de fabricação digital, que é uma operação com uso intensivo de dados. Então, em vez disso, os pesquisadores criaram um simulador.
Aprendizado por reforço
Eles empregaram uma técnica de aprendizado por reforço para treinar seu controlador, que ensina um modelo recompensando-o quando ele comete um erro. O modelo foi encarregado de escolher as configurações de impressão para produzir um objeto específico em um ambiente virtual. O modelo foi premiado quando os parâmetros selecionados minimizaram o erro entre sua impressão e o resultado antecipado após receber o resultado previsto.
Um “erro” neste contexto significa que o modelo ou dispensou muito material, preenchendo espaços que deveriam ter permanecido vazios, ou não há material suficiente, deixando espaços que precisavam ser preenchidos. O modelo melhorou sua política de controle para maximizar a recompensa executando mais impressões simuladas, aumentando sua precisão.
O mundo real, no entanto, é mais confuso do que uma simulação. As condições geralmente se alteram devido a pequenas flutuações ou ruídos no processo de impressão. Os pesquisadores desenvolveram um modelo numérico que representa aproximadamente o ruído da impressora 3D. Eles utilizaram essa abordagem para simular ruído, o que produziu resultados mais precisos.
“O interessante que descobrimos foi que, ao implementar esse modelo de ruído, conseguimos transferir a política de controle que era puramente treinada em simulação para hardware sem treinamento com nenhuma experimentação física. Não precisamos fazer nenhum ajuste fino no equipamento real depois”, diz Foshey.
Quando o controlador foi testado, imprimiu objetos com mais precisão do que qualquer outra estratégia de controle examinada. Funcionou particularmente bem ao imprimir o preenchimento, que envolve a impressão do interior de um objeto. O controlador dos pesquisadores mudou o caminho de impressão, de modo que o objeto se manteve nivelado enquanto alguns outros controladores depositaram tanto material que o objeto impresso inchou.
Agora que mostraram a eficácia dessa técnica para impressão 3D, os pesquisadores querem desenvolver controladores para outros processos de fabricação. Eles também gostariam de ver como a abordagem pode ser modificada para cenários em que há várias camadas de material ou vários materiais sendo impressos ao mesmo tempo. Além disso, sua abordagem assumiu que cada material tem uma viscosidade fixa (“syrupiness”), mas uma interação futura poderia usar a IA para reconhecer e ajustar a viscosidade em tempo real.
Os coautores principais da pesquisa são: Michal Piovarci, pós-doutorado no Instituto de Ciência e Tecnologia da Áustria, e Mike Foshey, engenheiro mecânico e gerente de projetos do CDFG, Jie Xu, estudante de graduação em engenharia elétrica e ciência da computação, e Timothy Erps , ex-associado técnico do CDFG. O estudo será apresentado na Conferência SIGGRAPH da Associação de Máquinas de Computação.
Veja o vídeo abaixo (em inglês) sobre a pesquisa do MIT.
*Texto original de Adam Zewe do MIT News pode ser lido aqui.
Gostou? Então compartilhe:
