La Oficina de Investigación Naval adjudicó a Lockheed Martin el 1 de octubre, un contrato de dos años por valor de 5,8 millones de dólares para explorar, cómo el aprendizaje automático y la inteligencia artificial pueden hacer que, la impresión tridimensional compleja sea más fiable y ahorrar horas de tediosas inspecciones posteriores a la producción.
En las fábricas de hoy en día, las piezas de impresión tridimensionales requieren un control constante por parte de especialistas para garantizar que las piezas complejas se producen sin impurezas ni imperfecciones, que puedan comprometer la integridad de la pieza en general. Para mejorar este laborioso proceso, la Marina ha encargado a Lockheed Martin el desarrollo de robots multieje, que utilizan láseres para depositar material y supervisar la impresión de piezas.
Lockheed Martin tiene varios socios en el contrato, entre los que se incluyen Carnegie Mellon University, Iowa State University, Colorado School of Mines, America Makes, GKN y Wolf Robotics y Oak Ridge National Laboratory.
El contrato cubre lo que Glynn Adams, ingeniero senior de Lockheed Martin, describe como el modelo de desarrollo del programa antes del vuelo. El trabajo inicial se centrará en el desarrollo de modelos informáticos, que puedan predecir las microestructuras y propiedades mecánicas de los materiales impresos tridimensionales para generar datos de simulación con los que entrenar. Adams dijo que el equipo de Carnegie Mellon estudiará variables como «el tamaño del rayo láser, la velocidad de avance del alambre de titanio[y] la cantidad total de energía que se introduce en el material durante su fabricación». Esta información ayuda al equipo a predecir la microestructura, o estructura organizativa de un material en una escala muy pequeña, que influye en las propiedades físicas de la pieza fabricada con el aditivo.
Estos datos serán compartidos con el Estado de Iowa, quien insertará la información en un modelo que predice las propiedades mecánicas del componente impreso. Al tomar medidas de temperatura y tamaño de punto, el equipo también puede asegurar que están, «controlando con precisión la densidad de energía, la potencia tanto del láser como del cable caliente que entra en el proceso», dijo Adams…
«Todo esto está sucediendo antes de que intentes hacer cualquier tipo de aprendizaje automático o redes neuronales artificiales con el robot en sí. Eso es sólo para tratar de entrenar a los modelos hasta el punto en que tengamos confianza en ellos», dijo Adams.
Suena fácil, ¿verdad?
Pero un problema clave podría ser la limpieza de los datos y la eliminación del exceso de ruido de las mediciones.
«Las mediciones térmicas son bastante fáciles y no requieren una gran cantidad de datos, pero cuando se empiezan a considerar las mediciones ópticas se puede recopilar una cantidad enorme de datos que es difícil de manejar», explicó Adams. Lockheed Martin quiere saber cómo reducir el tamaño de ese conjunto de datos sin sacrificar los parámetros clave. La Colorado School of Mines and America Makes abordará el problema de la compresión y manipulación de estos datos para extraer la información clave necesaria para entrenar los algoritmos.
Después de que este trabajo haya sido completado, los algoritmos serán enviados al Laboratorio Nacional de Oak Ridge, donde los robots comenzarán a producir piezas de titanio en 3-D y aprenderán a construir de manera confiable piezas geométricas y estructuralmente sólidas. Esta parte del programa enfrentará los desafíos de los componentes de fabricación aditiva y de IA del proyecto.
En cuanto a la fabricación aditiva, el equipo trabajará con un nuevo proceso de fabricación, «tratando de entender exactamente cuáles son las interacciones primarias, secundarias y terciarias entre todos esos diferentes parámetros del proceso», dijo Adams. «Si se piensa en ello, a medida que se construye la pieza en función de la complejidad geométrica, esas interacciones cambian en función de la trayectoria que el robot tenga que tomar para fabricarla. Uno de los mayores retos va a ser entender exactamente cuáles de esos parámetros son los primarios, cuáles son los terciarios y a qué nivel de control necesitamos poder manipular o controlar esos parámetros del proceso para generar la confianza en las partes que queremos».
Al mismo tiempo, los investigadores también abordarán los retos del aprendizaje con máquinas de IA. Al igual que con otros programas de IA, es crucial que el algoritmo aprenda la información correcta y de la manera correcta. Los modelos darán a los algoritmos un buen punto de partida, pero Adams dijo que este será un proceso iterativo que depende de la capacidad del algoritmo para autocorregirse. «En algún momento, hay algunas inexactitudes que podrían entrar en ese modelo», explicó Adams. «Así que ahora, el propio sistema tiene que entender que puede estar entrando en un régimen que no va a producir las propiedades mecánicas o microestructuras que se desean, y ser capaz de autocorregirse para asegurarse de que en lugar de entrar en ese régimen entra en uno que produce la pieza geométrica que se desea».
Con un algoritmo completo en el que se puede confiar para producir piezas impresas tridimensionales estructuralmente sólidas, las inspecciones posteriores a la producción, que requieren mucho tiempo, pasarán a ser cosa del pasado. En lugar de inspecciones y evaluaciones no destructivas, si se «tiene suficiente control sobre el proceso, suficientes mediciones in situ, suficientes modelos para demostrar que ese proceso y el robot funcionaron exactamente como se pensaba que lo harían, y se produjo una pieza que se sabe cuáles van a ser sus capacidades, se puede despachar de inmediato esa pieza», dijo Adams. «Ese es el fin del juego, eso es a lo que intentamos llegar, es a construir la calidad en la pieza en lugar de inspeccionarla después.»
La confianza en las piezas impresas en 3D podría tener consecuencias dramáticas para los soldados. En lugar de esperar por piezas de repuesto, podrían buscar fácilmente en una base de datos de componentes, encontrar la pieza que necesitan y tener un respuesto en el que puedan confiar en horas en lugar de días o semanas.
«Cuando se puede confiar en un sistema robótico para fabricar una pieza de calidad, se abre la puerta a quién puede fabricar piezas utilizables y dónde se fabrican», dijo Zach Loftus, miembro de Lockheed Martin para la fabricación de aditivos. «Pensemos en el mantenimiento y en cómo un mantenedor puede imprimir una pieza de repuesto en el mar, o un mecánico imprimir una pieza de repuesto para un camión en el desierto. Esto lleva la impresión en 3-D al siguiente gran paso del despliegue».
Fte. C4ISRNET
