Dossier publié dans le numéro de mai–juin 2020 de 3D ADEPT MAG, puis en ligne en septembre 2020. Les fonctions, solutions et prévisions citées correspondent à cette période.
Comment utiliser l’intelligence artificielle (IA) dans la fabrication additive (FA) ? Ce dossier de 2020 examine les possibilités et les limites décrites par AMFG, Additive Flow et Ai Build, de la conception au contrôle du procédé.
L’IA recouvre différentes approches. L’apprentissage automatique, ou machine learning, en constitue un sous-ensemble : il exploite des données pour établir des modèles. Les intervenants précisent ci-dessous le sens qu’ils donnent à ces termes.
« L’IA peut être considérée comme un terme générique, et sa portée est incroyablement vaste. Chez AMFG, nous considérons l’IA comme une technologie qui permettra aux machines et aux systèmes de FA d’être suffisamment “intelligents” pour mener à bien les tâches opérationnelles de base de manière à la fois efficace et efficiente.
Mais pour y parvenir, il faut un ‘apprentissage machine’. L’apprentissage machine est une forme d’IA et, comme son nom l’indique, c’est l’idée que les machines peuvent apprendre à partir de données pour résoudre des problèmes et exécuter des tâches – sans intervention manuelle » déclare Keyvan Karimi, le CEO et fondateur d’AMFG, que nous avons invité dans ce segment aux côtés d’Alexander Pluke, CEO et co-fondateur d’Additive Flow, ainsi que Daghan Cam, CEO et co-fondateur d’Ai Build.
Si Pluke est d’accord avec le fait que l’apprentissage machine est un sous-ensemble de l’IA inspiré par la compréhension scientifique de la façon dont les humains apprennent, il souligne qu’il préfère « une définition plus large de l’IA (et dans ce sens “étroite” par opposition à une IA “générale” telle que décrite en science-fiction) – où une approche informatique peut fournir des résultats ou des recommandations normalement complétés par l’intelligence humaine. En ce sens, les algorithmes intelligents écrits par des humains qui peuvent agir “intelligemment” – par exemple les algorithmes évolutifs et les approches génératives, ainsi que les algorithmes classiques complexes qui franchissent le seuil subjectif probable de l'”intelligence”, et remplacent l’activité humaine, pourraient être qualifiés d'”IA” ».
En 2020, les intervenants décrivaient une intégration encore en développement dans la chaîne de fabrication additive, avec des applications et des niveaux de maturité variables.
Leurs témoignages présentent les approches envisagées à l’époque ; ils ne constituent pas un état des lieux actuel ni une validation indépendante de chaque solution.
S’adapter aux changements de processus
L’enjeu est d’abord de définir le problème industriel à résoudre et les données disponibles. Le dossier ne fournit pas de mesure représentative du taux d’adoption de l’IA dans les usines.
Pour Daghan Cam, de Ai Build, le problème de cette incertitude dans le paysage de la production est que non seulement l’IA est mal interprétée mais que les entreprises ne répondent pas aux bonnes questions :
« L’IA est parfois mal interprétée comme un logiciel de boîte noire qui apprend et résout n’importe quel problème donné. C’est la définition de l’intelligence générale artificielle qui n’existe pas aujourd’hui, et n’existera probablement pas dans les dix prochaines années. Ce que nous avons très communément à notre disposition, ce sont des formes étroites d’intelligence artificielle qui sont extrêmement puissantes pour résoudre des ensembles de problèmes spécifiques.
Afin de tirer parti de ces percées scientifiques, les développeurs d’applications dans le secteur manufacturier, comme dans tout autre secteur, doivent être parfaitement conscients de deux questions :
1. Qu’essayons-nous exactement de résoudre avec l’IA ?
2. Comment allons-nous trouver le type de données spécifiques nécessaires pour résoudre ce problème ? »
C’est une question de bon sens. Comment pouvons-nous relever un défi si ce défi lui-même n’est pas bien défini ? En d’autres termes, l’IA restera un mot à la mode s’il n’y a pas de stratégie en amont.
Les pistes évoquées comprennent le contrôle qualité, la gestion de production et l’aide à la conception. Le NIST étudie également l’utilisation des données pour la conception et la planification en FA, avec des méthodes et des mesures adaptées.
L’IA est-elle indispensable dans la FA ?
Le choix de la FA dépend notamment du coût total, de la cadence, de la géométrie et des propriétés requises. L’IA peut aider certaines opérations ; elle ne remplace pas l’évaluation du procédé face aux autres moyens de fabrication.
Les intervenants explorent plusieurs usages possibles de l’IA dans cette chaîne.
Tout d’abord, l’IA permet une nouvelle façon de penser les logiciels.
« Toute technologie logicielle qui n’utilise pas l’IA est vouée à l’échec et sera remplacée tôt ou tard. Les fabricants de machines et les développeurs de logiciels ont la lourde responsabilité de travailler ensemble à la redéfinition des limites de la fabrication additive avec les nouvelles versions de leurs produits afin de rester pertinents. Si une machine est capable d’apporter une valeur pratique ou commerciale à ses clients en utilisant l’IA, il est très peu probable que d’autres produits concurrents puissent survivre sur le marché sans profiter d’une caractéristique similaire dans les 5 à 10 prochaines années, selon la nouveauté du procédé.
Par exemple, Ai Build a introduit la vision par ordinateur dans l’impression 3D en 2016 pour la planification autonome de parcours. À cette époque, les imprimantes 3D n’avaient pas de caméras intégrées, nous avons donc construit une solution à partir de zéro pour développer nos algorithmes d’apprentissage machine. Aujourd’hui, la plupart des imprimantes 3D industrielles sont livrées avec des caméras intégrées en raison de la demande croissante du marché. C’est une bonne chose, car nous sommes désormais en mesure de travailler avec des partenaires innovants pour développer des solutions de vision par ordinateur pour différentes plateformes et différents cas d’utilisation. Si nous nous projetons dans 5 ans, nous ne pensons pas qu’une grande imprimante 3D industrielle puisse exister sans les capacités de base de la vision par ordinateur comme la détection automatique des défauts, car la technologie est trop utile pour être laissée de côté », commente le CEO d’Ai Build.
Repère chronologique : ces projections à cinq ou dix ans sont les opinions exprimées par Daghan Cam en 2020, et non des résultats établis.
Opportunités dans l’ensemble du flux de travail, de la conception à la production et à l’assurance qualité (AQ).
Selon Alexander Pluke, d’Additive Flow, les possibilités d’utilisation de l’IA s’étendent de la conception à la production et à l’assurance qualité.
« La complexité du “domaine de conception” (les combinaisons possibles de résultats de conception au sein d’un ensemble de variables) est à la fois extrêmement grande et interdépendante. La qualité des matériaux affectera la performance des pièces, ce qui influencera les décisions de conception ; et les paramètres de production affecteront l’assurance qualité – et les exigences d’assurance qualité seront (ou devraient être !) reflétées dans ces décisions de conception… et ainsi de suite.
L’introduction de concepts tels que la liberté géométrique et une spécialité d’Additive Flow « multi-propriété » – où les propriétés des matériaux peuvent être adaptées dans différentes régions d’une géométrie – rend cette complexité encore plus grande.
Dans ce contexte, plutôt que de poser la question « Comment exploiter l’intelligence artificielle dans la FA », il convient de se demander « Comment exploiter la FA sans intelligence artificielle ». Il s’agit davantage d’une question rhétorique. Sans le déploiement d’outils basés sur l’IA (dans la conception, la production, l’assurance qualité, le flux de travail), l’utilisation industrielle de la FA ne permettra pas de tirer pleinement parti des possibilités (économies de coûts, performances, accélération de l’innovation) dont nous avons tous entendu parler ».
Détection des défauts
L’analyse des fichiers peut aider à repérer certains défauts géométriques et à proposer des corrections avant fabrication. Un modèle numérique corrigé n’est toutefois pas, à lui seul, la garantie d’une pièce imprimable et conforme : le matériau, le procédé et les exigences de l’application restent déterminants.
« Cela permet aux humains de passer beaucoup moins de temps sur des tâches manuelles répétitives et plus de temps sur des processus à valeur ajoutée.
L’apprentissage machine est un pas dans cette direction. Par exemple, notre logiciel est capable de fournir des recommandations intelligentes en matière de matériaux et de technologies sur la base de données déjà saisies. Notre logiciel peut également prédire la qualité des pièces et permettre aux utilisateurs de contrôler le processus d’impression en 3D afin de réduire le risque d’erreurs d’impression. Cela permet de gagner du temps et de réduire les coûts.
En outre, au fur et à mesure que la FA se dirige vers la production de pièces d’utilisation finale, une grande quantité de données sera nécessaire pour optimiser les processus. L’IA jouera un rôle dans l’exploitation de ces données pour obtenir une production plus rapide et des résultats optimaux, de sorte que les entreprises puissent gérer le processus d’impression 3D plus efficacement », déclare Keyvan Karimi de l’AMFG.
Créer de nouveaux matériaux avec de nouvelles propriétés
Le suivi du procédé peut aider à détecter des anomalies et à limiter certains rebuts. L’apprentissage automatique est aussi étudié pour orienter la recherche de matériaux et de formulations répondant à plusieurs objectifs.
Il s’agit de proposer des candidats à partir de données et de modèles, puis de les évaluer expérimentalement. Saisir des propriétés souhaitées ne suffit pas à garantir leur obtention, ni leur coût ou leur aptitude à l’impression.
“Des données, des données, & des données !”
Ces exemples montrent des complémentarités possibles entre IA et FA, sans rendre l’IA indispensable à toutes les applications. Leur intérêt dépend du problème, de la qualité des données et de la validation des résultats.
Cependant, pour les trois entreprises qui participent à ce segment, le défi le plus important qui ralentit l’intégration de l’IA dans la FA est celui des données.
« Les meilleures optimisations nécessitent les meilleurs ensembles de données, et le libre accès aux données dans ce secteur n’est pas (encore) répandu », explique Pluke.
« L’un des plus grands défis est le haut niveau de complexité requis pour développer l’IA spécifiquement pour l’impression 3D. De grands volumes de données sont nécessaires et des tests et expérimentations approfondis sont effectués pour s’assurer que la machine “apprend” correctement.
En outre, l’industrie de la FA en est encore à ses débuts en ce qui concerne l’intégration de l’impression 3D et de l’IA. Les développements de ces deux technologies se font en grande partie séparément », ajoute Karimi.
Comment les entreprises participantes abordent-elles l’IA et la FA ?
Les trois sociétés interrogées pour ce dossier étaient basées au Royaume-Uni : AMFG, Additive Flow et Ai Build.
AMFG présentait une solution logicielle de gestion du flux de fabrication additive. Son CEO et fondateur, Keyvan Karimi, décrit ici les pistes développées par l’entreprise.
L’entreprise décrivait trois axes pour son logiciel de pilotage de production, ou MES :
- L’analyse des fichiers et l’estimation des temps de production, pour préparer le travail et repérer des problèmes potentiels. Cette analyse ne supprime pas tout risque d’échec d’impression.
- L’anticipation de la qualité des pièces à partir des données de préparation et de procédé. Cette démarche se distingue de la maintenance prédictive, qui concerne l’état des équipements et leurs besoins d’entretien.
- Enfin, « la troisième façon dont nous voulons utiliser l’IA est l’automatisation des étapes clés du processus dans l’ensemble du flux d’impression 3D », déclare l’entreprise.
Additive Flow développait une approche d’optimisation du flux numérique de FA. Alexander Pluke, CEO et cofondateur, en présente les principes.
Son logiciel Formflow visait à exploiter les données de conception et de fabrication pour répartir matériaux, propriétés et structures dans la géométrie.
« Certains aspects des espaces de conception qui nous sont présentés sont mieux adaptés aux approches de réseaux de neurones, tandis que d’autres sont mieux rencontrés avec des techniques algorithmiques plus classiques. Par exemple, l’utilisation d’algorithmes générateurs pour optimiser les variables exponentielles permet à nos utilisateurs de découvrir de nouveaux résultats très performants en révélant des solutions qui auraient autrement été cachées. Les réseaux neuronaux nous ont fourni des résultats puissants sur le plan du calcul, et ont été utiles pour envisager des optimisations qui reposent sur des structures de données moins digestes pour les algorithmes classiques », explique Additive Flow.
Selon Additive Flow, l’objectif est d’utiliser l’intelligence artificielle pour répartir les matériaux, les paramètres de traitement et les structures locales en même temps que la géométrie, plutôt que d’adopter l’IA pour elle-même.
Ai Build développait des logiciels et du matériel de fabrication additive, notamment pour le pilotage et l’inspection du procédé. Daghan Cam, CEO et cofondateur, expose son approche dans ce dossier.
L’entreprise est apparue pour la première fois dans notre radar il y a deux ans, lorsque sa technologie a été exposée dans la galerie de sculptures du Victoria and Albert Museum. Avec le temps, nous avons réalisé qu’elle se démarquait également grâce à son logiciel AiSync.
« L’une des décisions fondamentales que nous avons prises dans le logiciel AiSync pour permettre un processus de fabrication additive basé sur l’IA est d’éviter délibérément d’utiliser des fichiers Gcode pour décrire un parcours d’outil. C’était très contre-intuitif car toutes les imprimantes 3D et les machines CNC du marché dont nous avons connaissance, utilisent le Gcode ou un langage de type Gcode spécifique à une marque pour piloter les mouvements des machines. Le Gcode fonctionnerait bien dans un monde parfaitement déterministe où l’ensemble du processus pourrait être prédit avec une grande précision, mais malheureusement le processus de fabrication additive dans la vie réelle est loin d’être parfait. Nous ne sommes pas en mesure de prédire avec précision la forme physique des pièces imprimées en 3D, car même le plus petit changement dans le volume de construction pendant la production peut entraîner des écarts catastrophiques dans le processus additif. Même si nous pouvions contrôler entièrement l’environnement et s’il existait un puissant moteur de simulation pour prédire avec précision le comportement du matériau 99,9% du temps dans une couche, le taux de réussite de la prédiction globale sur une pièce typique avec des milliers de couches qui se soutiennent les unes les autres serait encore inférieur à 30% pour des raisons statistiques.
C’est ce qui nous a permis d’abandonner le Gcode et de développer un tout nouveau procédé de contrôle des machines à partir de zéro, plus résistant. Dans le logiciel AiSync, nous utilisons une combinaison de méthodes d’optimisation en ligne et hors ligne pour contrôler les actions des imprimantes 3D. Au lieu de découper un dessin et de télécharger des fichiers Gcode statiques sur les machines, AiSync analyse un dessin avec des ordinateurs puissants dans le cloud et envoie des directives optimisées aux machines dans un format abstrait. Ces directives sont ensuite interprétées et transformées en instructions au niveau de la machine, petit à petit, à la volée, par un autre ordinateur situé en périphérie, près de la machine, qui a accès en temps réel aux données des capteurs de la machine. Cette double infrastructure d’optimisation nous permet de tirer pleinement parti des algorithmes d’IA en combinant les atouts du supercalculateur dans le nuage pour les tâches de haut niveau comme la planification des trajectoires et l’informatique en périphérie (edge computing) pour les tâches critiques comme la détection des erreurs et l’assurance qualité », décrit l’entreprise.
Précision éditoriale : l’exemple des probabilités cité ci-dessus est illustratif. Un calcul de réussite sur plusieurs couches exige de préciser leur nombre et les dépendances entre événements ; il ne constitue pas une mesure générale de la fiabilité de l’impression 3D.
Pour résumer…
Ce dossier de 2020 souligne le rôle des données, de leur accessibilité et de la collaboration entre acteurs. L’intégration de l’IA nécessite des objectifs précis, des essais et une validation adaptée au procédé ; les témoignages ne démontrent pas une solution universelle.
Ce dossier a été initialement publié dans le numéro de mai–juin 2020 de 3D ADEPT Mag.
LA NEWSLETTER HEBDOMADAIRE DE 3D ADEPT
L’industrie évolue. Gardez une longueur d’avance.
Chaque semaine, l’essentiel de la fabrication additive : actualités industrielles, dossiers de fond et applications concrètes, sélectionnés par notre rédaction. Vous êtes aussi les premiers informés de la sortie de chaque numéro de 3D ADEPT Mag.
Gratuit · Un e-mail par semaine · Désinscription à tout moment
En cliquant, vous chargez le formulaire de notre prestataire d’e-mailing, ainsi que ses statistiques et la protection anti-robots de Google. Votre inscription n’est enregistrée que si vous la validez. Consultez notre politique de confidentialité