Des chercheurs forment un modèle d’apprentissage automatique pour surveiller et ajuster le processus d’impression 3D afin de corriger les erreurs en temps réel

Souvent, un opérateur expert doit utiliser des essais et erreurs manuels – éventuellement en réalisant des milliers d’impressions – pour déterminer les paramètres idéaux qui impriment systématiquement un nouveau matériau de manière efficace. Ces paramètres incluent la vitesse d’impression et la quantité de matériau que l’imprimante dépose.

Les chercheurs du MIT ont maintenant utilisé l’intelligence artificielle pour rationaliser cette procédure. Ils ont développé un système d’apprentissage automatique qui utilise la vision par ordinateur pour surveiller le processus de fabrication, puis corriger les erreurs dans la façon dont il traite le matériau en temps réel.

Ils ont utilisé des simulations pour apprendre à un réseau neuronal comment ajuster les paramètres d’impression afin de minimiser les erreurs, puis ont appliqué ce contrôleur à une véritable imprimante 3D. Leur système a imprimé des objets avec plus de précision que tous les autres contrôleurs d’impression 3D auxquels ils l’ont comparé.

Le travail évite le processus prohibitif d’impression de milliers ou de millions d’objets réels pour entraîner le réseau de neurones. Et cela pourrait permettre aux ingénieurs d’incorporer plus facilement de nouveaux matériaux dans leurs impressions, ce qui pourrait les aider à développer des objets dotés de propriétés électriques ou chimiques particulières. Cela pourrait également aider les techniciens à ajuster le processus d’impression à la volée si les conditions matérielles ou environnementales changent de manière inattendue.

“Ce projet est vraiment la première démonstration de la construction d’un système de fabrication qui utilise l’apprentissage automatique pour apprendre une politique de contrôle complexe”, déclare l’auteur principal Wojciech Matusik, professeur de génie électrique et d’informatique au MIT qui dirige le groupe de conception et de fabrication informatiques (CDFG ) au sein du Laboratoire d’Informatique et d’Intelligence Artificielle (CSAIL). “Si vous disposez de machines de fabrication plus intelligentes, elles peuvent s’adapter en temps réel à l’environnement changeant du lieu de travail, pour améliorer les rendements ou la précision du système. Vous pouvez tirer davantage parti de la machine.”

Les co-auteurs principaux sont Mike Foshey, ingénieur en mécanique et chef de projet au CDFG, et Michal Piovarci, postdoctorant à l’Institut des sciences et technologies en Autriche. Les co-auteurs du MIT incluent Jie Xu, un étudiant diplômé en génie électrique et en informatique, et Timothy Erps, un ancien associé technique du CDFG. La recherche sera présentée à la conférence SIGGRAPH de l’Association for Computing Machinery.

Paramètres de prélèvement

La détermination des paramètres idéaux d’un processus de fabrication numérique peut être l’une des parties les plus coûteuses du processus car de nombreux essais et erreurs sont nécessaires. Et une fois qu’un technicien trouve une combinaison qui fonctionne bien, ces paramètres ne sont idéaux que pour une situation spécifique. Elle a peu de données sur la façon dont le matériau se comportera dans d’autres environnements, sur un matériel différent, ou si un nouveau lot présente des propriétés différentes.

L’utilisation d’un système d’apprentissage automatique présente également de nombreux défis. Premièrement, les chercheurs devaient mesurer ce qui se passait sur l’imprimante en temps réel.

Pour ce faire, ils ont développé un système de vision artificielle utilisant deux caméras pointant vers la buse de l’imprimante 3D. Le système éclaire le matériau au fur et à mesure qu’il est déposé et, en fonction de la quantité de lumière qui le traverse, calcule l’épaisseur du matériau.

“Vous pouvez considérer le système de vision comme une paire d’yeux observant le processus en temps réel”, explique Foshey.

Le contrôleur traiterait alors les images qu’il reçoit du système de vision et, en fonction de toute erreur détectée, ajusterait la vitesse d’alimentation et la direction de l’imprimante.

Mais la formation d’un contrôleur basé sur un réseau neuronal pour comprendre ce processus de fabrication nécessite beaucoup de données et nécessiterait de réaliser des millions d’impressions. Ainsi, les chercheurs ont construit un simulateur à la place.

Simulation réussie

Pour former leur contrôleur, ils ont utilisé un processus connu sous le nom d’apprentissage par renforcement dans lequel le modèle apprend par essais et erreurs avec une récompense. Le modèle était chargé de sélectionner les paramètres d’impression qui créeraient un certain objet dans un environnement simulé. Après avoir montré le résultat attendu, le modèle a été récompensé lorsque les paramètres qu’il a choisis ont minimisé l’erreur entre son impression et le résultat attendu.

Dans ce cas, une “erreur” signifie que le modèle a distribué trop de matériau, en le plaçant dans des zones qui auraient dû être laissées ouvertes, ou n’en a pas distribué suffisamment, laissant des points ouverts qui devraient être remplis. Au fur et à mesure que le modèle effectuait plus d’impressions simulées , il a mis à jour sa politique de contrôle pour maximiser la récompense, devenant de plus en plus précise.

Cependant, le monde réel est plus désordonné qu’une simulation. En pratique, les conditions changent généralement en raison de légères variations ou du bruit dans le processus d’impression. Les chercheurs ont donc créé un modèle numérique qui se rapproche du bruit de l’imprimante 3D. Ils ont utilisé ce modèle pour ajouter du bruit à la simulation, ce qui a conduit à des résultats plus réalistes.

“La chose intéressante que nous avons trouvée est qu’en mettant en œuvre ce modèle de bruit, nous avons pu transférer la politique de contrôle qui était purement formée en simulation sur du matériel sans formation avec aucune expérimentation physique”, explique Foshey. “Nous n’avons pas eu besoin de faire de réglage fin sur l’équipement réel par la suite.”

Lorsqu’ils ont testé le contrôleur, il a imprimé les objets avec plus de précision que toute autre méthode de contrôle qu’ils ont évaluée. Il a particulièrement bien fonctionné lors de l’impression de remplissage, qui imprime l’intérieur d’un objet. Certains autres contrôleurs ont déposé tellement de matière que l’objet imprimé a gonflé, mais le contrôleur des chercheurs a ajusté le chemin d’impression pour que l’objet reste de niveau.

Leur politique de contrôle peut même apprendre comment les matériaux se propagent après avoir été déposés et ajuster les paramètres en conséquence.

“Nous avons également pu concevoir des politiques de contrôle capables de contrôler différents types de matériaux à la volée. Ainsi, si vous aviez un processus de fabrication sur le terrain et que vous vouliez changer le matériau, vous n’auriez pas à revalider le processus de fabrication. Il vous suffisait de charger le nouveau matériau et le contrôleur s’ajusterait automatiquement », explique Foshey.

Maintenant qu’ils ont montré l’efficacité de cette technique pour l’impression 3D, les chercheurs veulent développer des contrôleurs pour d’autres procédés de fabrication. Ils aimeraient également voir comment l’approche peut être modifiée pour les scénarios où il y a plusieurs couches de matériau ou plusieurs matériaux imprimés en même temps. De plus, leur approche supposait que chaque matériau avait une viscosité fixe (“siruposité”), mais une future itération pourrait utiliser l’IA pour reconnaître et ajuster la viscosité en temps réel.

Les autres co-auteurs de ce travail incluent Vahid Babaei, qui dirige le groupe de conception et de fabrication assistées par intelligence artificielle à l’Institut Max Planck ; Piotr Didyk, professeur associé à l’Université de Lugano en Suisse ; Szymon Rusinkiewicz, professeur d’informatique David M. Siegel ’83 à l’Université de Princeton ; et Bernd Bickel, professeur à l’Institut des sciences et de la technologie en Autriche.

Le travail a été soutenu, en partie, par le programme FWF Lise-Meitner, une subvention de démarrage du Conseil européen de la recherche et la US National Science Foundation.