IMPRESIÓN 3D METAL 35 tamaño de los datos, la falta de etiquetas para entrenar los algoritmos y la falta de conocimiento a la hora de extraer las variables importantes de los datos para entrenar el algoritmo correctamente. MACHINE LEARNING EN LA TECNOLOGÍA L-PBF EN EL CFAA El Centro de Fabricación Avanzada Aeronáutica, CFAA, es un centro mixto de la UPV/EHU y la Agrupación Empresarial para el desarrollo de Técnicas de Fabricación Avanzada en Aeronáutica, donde se desarrollan proyectos de investigación de gran interés industrial, aprovechando la sinergia generada entre la universidad, empresas y entidades públicas. Entre las tecnologías presentes en el centro se encuentra la tecnología Laser Powder Bed Fusion (L-PBF) que se trata de una de las tecnologías de fabricación aditiva metálica con más acogida industrial. Uno de los retos actuales en la tecnología L-PBF es dotar a las máquinas de la sensorización adecuada para la correcta monitorización del proceso y que los datos recogidos, por medio de técnicas de Machine Learning, sean capaces de encontrar los defectos de las piezas durante la fabricación y, en medida de lo posible, sirvan para corregir esos defectos durante la fabricación o ser una manera fiable de etiquetar las piezas cómo no válidas, tener un método de inspección fiable basado en la monitorización del proceso. Esta monitorización y actuación sobre parámetros se está consiguiendo para el caso de defectos macro cómo el levantamiento de piezas o la falta de polvo en zonas por distintos defectos de fabricación, pero todavía hay un largo camino en la monitorización de defectos micro cómo es el caso de la porosidad debida a falta de fusión o sobrecalentamiento. En el CFAA, junto con Renishaw y otras empresas socias del centro, se está trabajando en analizar los datos recogidos por monitorización coaxial en la nueva máquina disponible en el centro, la Renishaw RenAM500. Cómo se muestra en la figura 4, esta máquina recoge los datos coaxiales de 3 fotodiodos, con alta frecuencia de adquisición (cada 20 µs) y a distintas longitudes de onda para monitorizar el estado del láser y, por otro lado, señales del plasma y baño fundido que se crean durante la fusión del polvo metálico. Con estas señales cómo base se está trabajando en relacionarlas con distintos defectos del proceso, lack of fusion y over-melting, por medio de técnicas de Machine Learning. Así, mediante el filtrado específico de datos localizados dependientes del barrido del escáner, el entrenamiento de algoritmos de regresión junto con técnicas de clustering se está consiguiendo dar Figura 9: Corte de una probeta fabricada por L-PBF junto con los resultados de las técnicas de Machine Learning introducidas para detección de porosidad. una probabilidad de fallo o porosidad localizada con datos no entrenados en el algoritmo. Actualmente se está trabajando en ajustar la probabilidad validando los resultados con piezas reales y obtener una etiqueta de fallo o no fallo en cada dato de la monitorización coaxial. Los primeros resultados de esta investigación se pueden observar en la siguiente figura donde se compara la porosidad en un corte de una probeta fabricada por L-PBF con los resultados de los datos de monitorización con las técnicas de Machine Learning introducidas. n REFERENCIAS [1] Thibaut de Terris, Olivier Andreau, Patrice Peyre, Frédéric Adamski, Imade Koutiri, Cyril Gorny, Corinne Dupuy. (2019), Optimization and comparison of porosity rate measurement methods of Selective Laser Melted metallic parts. Additive Manufacturing, 28, 802-813. https://doi.org/10.1016/j.addma.2019.05.035. [2] S Sendino, S Martinez, A Lamikiz, F Lartategui, M Gardon, JJ Gonzalez. Analytical study of the melt pool distorsion in the Laser Powder Bed Fusion Process caused by the angle of incidence of the laser and its effect on the surface finish of the part. IOP Conf Ser Mater Sci Eng. 2021; 1193(1):012010 doi: 10.1088/1757-899X/1193/1/012010 [3] https://aprendeia.com/aprendizaje-no-supervisado-machine-learning/ [4] https://www.aprendemachinelearning.com/aprendizaje-por-refuerzo/ [5] https://ourcodeworld.co/articulos/leer/1183/la-diferencia-entre-inteligencia-artificial-aprendizaje-automatico-y-aprendizaje-profundo
RkJQdWJsaXNoZXIy Njg1MjYx