El Laboratorio Nacional Lawrence Livermore ha mostrado muchas formas nuevas de mejorar las características de la tecnología de impresión de metales utilizando rayos X y análisis de gases ambientales en lecho de polvo . Ahora, están adoptando un nuevo enfoque utilizando el aprendizaje automático y algoritmos complejos .
Para los no iniciados, el aprendizaje automático es el proceso que utiliza técnicas estadísticas para producir un modo de mejora constante para las computadoras, lo que les permite «aprender» a medida que pasa el tiempo y desarrollar mejores técnicas. El proceso se ha convertido en un campo propio recientemente, y las principales empresas de tecnología lo aplican en todas partes. Al igual que Google o Amazon, LLNL también ha encontrado utilidades para mejorar sus propias funciones de producción.
Los hallazgos del laboratorio están ayudando en el desarrollo de “ evaluaciones sobre la marcha de las soldaduras de pistas láser ” utilizando redes neuronales convolucionales. LLNL miden y recopilan datos mediante un algoritmo de análisis de imágenes y video. El equipo utilizó 2000 videoclips de pistas láser fundidas, variando la potencia y la velocidad en cada una, para desarrollar la red neuronal. Escanearon las superficies de las piezas y generaron mapas de altura en 3D utilizando esa información para entrenar los algoritmos para analizar secciones de fotogramas de video. El impresionante software con el que están trabajando puede mirar solo 10 milisegundos de metraje y determinar si la pieza estará defectuosa.
Control de calidad del aprendizaje automático
El proceso tiene enormes beneficios, especialmente para los objetos que tardan semanas en construirse en la escala de tiempo general. Imagínese esperar varios días solo para obtener una impresión defectuosa. La tecnología de aprendizaje automático podría detectarlo fácilmente sin la necesidad de un análisis de posproducción.
“ Esta es una forma revolucionaria de ver los datos que se pueden etiquetar video por video, o mejor aún, cuadro a cuadro ”, dijo el investigador principal e investigador de LLNL Brian Giera. » La ventaja es que puede recopilar videos mientras imprime algo y, en última instancia, sacar conclusiones mientras lo imprime «.
Bodi Yuan, autor principal del artículo, permitió que el algoritmo analizara automáticamente los mapas de altura de cada construcción. Luego, LLNL aplicó el mismo modelo para determinar el ancho de la pista de construcción, si la pista se rompió en producción y la desviación estándar de ancho. Como resultado, el algoritmo les brindó una visión única del proceso mientras estaba sucediendo. Los investigadores pudieron tomar imágenes de las construcciones en curso y suponer con precisión si las impresiones exhibían una calidad aceptable. Estiman que el algoritmo muestra una precisión del 93 por ciento.
Investigación futura
Los investigadores de LLNL han publicado su hallazgo aquí .
La investigación no solo impulsa sus sistemas, sino que también es de aplicación cruzada. Los autores del estudio creen que el algoritmo podría funcionar fácilmente con otros sistemas. Otros investigadores también podrían seguir los mismos pasos, recopilar imágenes y analizarlas para sus propios sistemas. Sin embargo, el sistema aún no es perfecto. Si bien la precisión con la detección de defectos es alta, todavía existen problemas con la detección de vacíos. Si bien los vacíos dentro de las partes no son predecibles con escaneos de mapas de altura, métodos como la radiografía de rayos X ex situ son suficientes.
“ En este momento, cualquier tipo de detección se considera una gran victoria. Si podemos arreglarlo sobre la marcha, ese es el objetivo final más grande ”, dijo Giera. “ Dados los volúmenes de datos que recopilamos y que los algoritmos de aprendizaje automático están diseñados para manejar, el aprendizaje automático desempeñará un papel central en la creación de piezas correctamente la primera vez. »
El siguiente paso de los investigadores es agregar más modalidades al sistema. Desean ir más allá del simple video y la imagen, permitiendo que el aprendizaje automático sea mucho más completo.
Imagen destacada cortesía de Jeannette Yusko y Ryan Chen / LLNL.
