La IA detecta las peculiaridades de impresoras 3D para reducir errores en la fábrica

Tres impresoras 3D supuestamente idénticas pueden comportarse como tres máquinas distintas, y esa discrepancia puede, silenciosamente, convertirse en defectos de fabricación. Investigadores del Instituto IMDEA Materials, en colaboración con el Laboratorio Nacional Lawrence Berkeley, afirman haber desarrollado un algoritmo que detecta la «personalidad» operativa de cada máquina y elige la estrategia de optimización adecuada para mejorar la fiabilidad en la producción automatizada.

El sistema, publicado en Advanced Engineering Informatics, mide las diferencias sutiles entre máquinas nominalmente idénticas y decide si deben optimizarse conjuntamente o tratarse por separado. Si las impresoras se comportan de manera suficientemente parecida, aplica un enfoque de optimización compartido para ganar eficiencia. Si su rendimiento diverge, cambia a una optimización por máquina para mejorar la precisión.

En la prueba del equipo, tres impresoras 3D teóricamente idénticas no produjeron, de hecho, resultados iguales. El algoritmo detectó diferencias medibles entre ellas y concluyó que cada impresora necesitaba su propia estrategia de optimización. Según el artículo, los análisis de la densidad de las muestras impresas y las métricas de divergencia por pares mostraron que cada máquina operaba en un régimen de salida distinto.

Los investigadores dijeron que esto condujo a una convergencia más rápida y a una reducción sustancial de los errores en el peso de las piezas impresas, en comparación con tratar a todas las máquinas por igual.

Recomendado

Slater empaqueta grandes bases de datos de grafos en unos pocos cientos de MB

«Incluso las máquinas producidas en masa pueden tener su propia ‘personalidad’ operativa. Nuestro sistema aprende estas diferencias y las aprovecha a nuestro favor, determinando si es más eficiente tratarlas como un equipo o como individuos.»

El trabajo está dirigido a sistemas de producción paralela como granjas de impresión 3D, donde pequeñas variaciones pueden socavar la reproducibilidad, especialmente en ámbitos que exigen gran precisión, como la arquitectura y la industria aeroespacial. El mismo método también podría utilizarse en el descubrimiento de materiales, la síntesis química y la calibración de sensores.

El estudio fue realizado por la Dra. Christina Schenk, Miguel Hernández del Valle, Luis Calero, el Dr. Maciej Haranczyk y el Dr. Marcus Noack. Aparece como «Optimización consciente del ruido en sistemas de fabricación y medición nominalmente idénticos para flujos de trabajo paralelos de alto rendimiento» con DOI 10.1016/j.aei.2026.104960.