La Comunidad de Madrid ha desarrollado una Inteligencia Artificial (IA) que analiza las distintas personalidades de máquinas industriales de fabricación automatizada y evita la producción de errores. El Instituto Madrileño de Estudios Avanzados IMDEA Materiales, en colaboración con el Laboratorio Nacional Lawrence Berkeley (EEUU), ha creado un algoritmo inteligente que puede detectar estas diferencias y optimizar su trabajo.
El ejemplo más sencillo son las impresoras 3D. A pesar de ser de la misma marca y modelo e incluso tener números de serie muy similares, cada una puede comportarse de forma ligeramente diferente. Con el tiempo y a gran escala, estas diferencias pueden acumularse y dar lugar a importantes defectos.
Para resolver este problema, el sistema analiza las sutiles diferencias de funcionamiento entre aparatos teóricamente idénticos y selecciona la estrategia de optimización más adecuada. Así, reduce errores y mejora la calidad del producto final en sistemas como las granjas de impresión 3D.
Precisamente uno de los desafíos en la producción automatizada a gran escala es que las máquinas, aunque sean del mismo modelo y marca, nunca se comportan de forma exactamente igual. Estas variaciones en su rendimiento pueden acumularse y provocar defectos graves, mermando la reproducibilidad y fiabilidad, especialmente en sectores de alta precisión como la fabricación aditiva para la arquitectura o la industria aeroespacial.
Así, la IA creada por IMDEA Materiales en lugar de aplicar una única solución para todos los artilugios, realiza primero un diagnóstico para crear un perfil de rendimiento único para cada una. Si son suficientemente similares, aplica una optimización conjunta para maximizar la eficiencia. Si, por el contrario, detecta diferencias significativas, activa una mejora individualizada para cada una, priorizando la precisión.
Estudio con impresoras 3D
Para validar su método, el equipo realizó un estudio con tres impresoras 3D teóricamente idénticas (la misma marca, modelo y números de serie muy próximos). Aunque cabría esperar un rendimiento casi idéntico, el algoritmo detectó diferencias apreciables entre ellos e identificó correctamente que cada uno requería su propia estrategia de optimización.
Según los investigadores involucrados en el estudio – la Dra. Christina Schenk, Miguel Hernández del Valle, Luis Calero y el Dr. Maciej Haranczyk, del Instituto IMDEA Materiales, junto con el Dr. Marcus Noack, del Laboratorio Nacional Lawrence Berkeley – los resultados demostraron una reducción sustancial de los errores en el peso de las piezas impresas en comparación con un enfoque que trataba todas las máquinas por igual y, por tanto, no corregía adecuadamente los sesgos individuales. Esto no solo mejora la precisión, sino que también ahorra recursos al evitar experimentos fallidos, un paso clave para los laboratorios y fábricas del futuro, totalmente automatizados.
Aunque el estudio se centró en la impresión 3D, su metodología es aplicable a otros campos que dependen de la experimentación de alto rendimiento, como el descubrimiento de nuevos materiales, la síntesis química o la calibración de sensores.
