پتینسون می‌گوید: «این بدان معناست که شما می‌توانید الگوریتمی داشته باشید که می‌تواند به تمام چاپگرهای مختلف که در حال کار هستید نگاه کند، دائماً نظارت کند و تغییراتی را در صورت نیاز ایجاد کند – اساساً کارهایی را انجام می‌دهد که انسان نمی‌تواند انجام دهد».
در حال حاضر راه پیشگیری یا اصلاح این خطاها رعایت پروسه توسط کارگر ماهر است. کارگر باید یک خطا را تشخیص دهد (یک چالش حتی برای چشم آموزش دیده)، چاپ را متوقف کند، قطعه را حذف کند و تنظیمات یک قطعه جدید را انجام دهد. اگر از یک ماده یا چاپگر جدید استفاده شود، وقتی کارگر تنظیمات جدید را یاد می‌گیرد، فرآیند زمان بیشتری می‌برد. حتی در این صورت، ممکن است خطاها نادیده گرفته شوند، زیرا کارگران نمی توانند به طور مداوم چندین چاپگر را به طور همزمان مشاهده کنند، به خصوص برای چاپ های طولانی.
پرینت سه بعدی این پتانسیل را دارد که انقلابی در تولید قطعات پیچیده و سفارشی مانند قطعات هواپیما، ایمپلنت های پزشکی شخصی یا حتی شیرینی های پیچیده ایجاد کند و همچنین می تواند زنجیره تامین تولید را متحول کند. با این حال، در برابر خطاهای تولید، از عدم دقت در مقیاس کوچک و ضعف های مکانیکی گرفته تا خرابی های کامل، آسیب پذیر است.
مهندسان چاپگرهای سه بعدی هوشمندی ساخته اند که می توانند به سرعت خطاها را حتی در طرح هایی که قبلاً دیده نشده بودند یا مواد ناآشنا مانند سس کچاپ و سس مایونز را با یادگیری از تجربیات سایر ماشین ها شناسایی و تصحیح کنند.
داگلاس بریون، نویسنده اول، همچنین از دپارتمان مهندسی، می‌گوید: «آنچه واقعاً مورد نیاز است یک سیستم «ماشین بدون راننده» برای چاپ سه‌بعدی است. “یک ماشین بدون راننده اگر فقط در یک جاده یا در یک شهر کار کند بی‌فایده خواهد بود – باید یاد بگیرد که در محیط‌ها، شهرها و حتی کشورهای مختلف تعمیم دهد. به طور مشابه، یک چاپگر “بدون راننده” باید برای چندین قطعه، مواد کار کند. و شرایط چاپ.”
در آینده، الگوریتم آموزش دیده می تواند کارآمدتر و قابل اعتمادتر از یک اپراتور انسانی در تشخیص خطاها باشد. این می تواند برای کنترل کیفیت در برنامه هایی که خرابی قطعات می تواند عواقب جدی داشته باشد، مهم باشد.
بریون می‌گوید: «وقتی با نازل چاپ می‌کنید، بدون توجه به موادی که استفاده می‌کنید – پلیمر، بتن، سس گوجه فرنگی یا هر چیز دیگری – می‌توانید خطاهای مشابهی دریافت کنید. به عنوان مثال، اگر نازل خیلی سریع حرکت می کند، اغلب با حباب هایی از مواد مواجه می شوید، یا اگر مواد زیادی را بیرون می کشید، خطوط چاپ شده روی هم قرار می گیرند و چین هایی را ایجاد می کنند.
مهندسان دانشگاه کمبریج، الگوریتم یادگیری ماشینی را توسعه دادند که می تواند طیف گسترده ای از خطاهای مختلف را در زمان واقعی شناسایی و تصحیح کند، و می تواند به راحتی به ماشین های جدید یا موجود اضافه شود تا قابلیت های آنها افزایش یابد. پرینترهای سه بعدی با استفاده از این الگوریتم می توانند نحوه چاپ مواد جدید را به تنهایی یاد بگیرند. جزئیات رویکرد کم هزینه آنها در مجله گزارش شده است ارتباطات طبیعت.
پتینسون می‌گوید: «پس از آموزش، الگوریتم می‌تواند تنها با نگاه کردن به یک تصویر بفهمد که کدام تنظیم درست است و کدام اشتباه – برای مثال یک تنظیم خاص خیلی زیاد است یا خیلی پایین، و سپس تصحیح مناسب را اعمال می‌کند.» و نکته جالب این است که چاپگرهایی که از این رویکرد استفاده می‌کنند می‌توانند به طور مداوم داده‌ها را جمع‌آوری کنند، بنابراین الگوریتم نیز می‌تواند به طور مداوم در حال بهبود باشد.
با حمایت کمبریج اینترپرایز، بازوی تجاری سازی دانشگاه، بریون Matta را تشکیل داده است، شرکتی که این فناوری را برای کاربردهای تجاری توسعه خواهد داد.
این تحقیق توسط شورای تحقیقات مهندسی و علوم فیزیکی، انجمن سلطنتی، آکادمی علوم پزشکی و آیزاک نیوتن تراست پشتیبانی شد.
مهندسان در حال توسعه نظارت بر پرینت سه بعدی خودکار هستند، اما سیستم های موجود فقط می توانند محدوده محدودی از خطاها را در یک قسمت، یک ماده و یک سیستم چاپ تشخیص دهند.
“خطاهایی که از تنظیمات مشابه به وجود می آیند، بدون توجه به اینکه چه قسمتی چاپ می شود یا از چه ماده ای استفاده می شود، ویژگی های مشابهی خواهند داشت. از آنجا که الگوریتم ما ویژگی های عمومی مشترک در مواد مختلف را یاد گرفت، می تواند بگوید “اوه، خطوط چاپ شده در حال ایجاد چین هستند، بنابراین ما احتمالاً مواد زیادی را بیرون می آوریم.”
بریون و پتینسون می‌گویند الگوریتمی که آنها توسعه داده‌اند می‌تواند همان چیزی باشد که مهندسان «ماشین بدون راننده» به دنبال آن بودند.
در نتیجه، الگوریتمی که تنها با استفاده از یک نوع مواد و سیستم چاپ آموزش داده شده بود، قادر به تشخیص و تصحیح خطاها در مواد مختلف، از پلیمرهای مهندسی گرفته تا حتی سس کچاپ و سس مایونز، در نوع متفاوتی از سیستم چاپ بود.
با استفاده از این رویکرد، بریون و پتینسون توانستند الگوریتمی بسازند که قابل تعمیم است – به عبارت دیگر، می توان از آن برای شناسایی و تصحیح خطاها در اشیاء یا مواد ناآشنا یا حتی در سیستم های چاپ جدید استفاده کرد.
محققان یک مدل بینایی کامپیوتری یادگیری عمیق را با نشان دادن حدود 950000 تصویری که به طور خودکار در طول تولید 192 شی چاپی گرفته شده بود، آموزش دادند. هر یک از تصاویر با تنظیمات چاپگر مانند سرعت و دمای نازل چاپ و سرعت جریان مواد چاپ برچسب گذاری شده بودند. این مدل همچنین اطلاعاتی در مورد میزان فاصله آن تنظیمات با مقادیر خوب دریافت کرد و به الگوریتم اجازه داد تا نحوه بروز خطاها را بیاموزد.
بریون گفت: «ما توجه خود را به این معطوف کرده‌ایم که چگونه ممکن است این کار در صنایع با ارزشی مانند بخش‌های هوافضا، انرژی و خودروسازی کار کند، جایی که از فناوری‌های چاپ سه بعدی برای تولید قطعات با کارایی بالا و گران قیمت استفاده می‌شود. ممکن است روزها یا هفته ها طول بکشد تا یک جزء با هزینه هزاران پوند تکمیل شود. خطایی که در ابتدا رخ می دهد ممکن است تا زمانی که قطعه کامل نشده و بازرسی شود، شناسایی نشود. رویکرد ما به طور قابل توجهی خطا را در زمان واقعی تشخیص می دهد. بهبود بهره وری تولید.”
دکتر سباستین پتینسون از دپارتمان مهندسی کمبریج، نویسنده ارشد مقاله، می‌گوید: «چاپ سه بعدی چالش برانگیز است، زیرا ممکن است مشکلات زیادی وجود داشته باشد، و بنابراین اغلب چاپ‌های سه بعدی با شکست مواجه می‌شوند. وقتی این اتفاق بیفتد، تمام مواد، زمان و انرژی که استفاده کرده‌اید از بین می‌رود.»
