Docentes de la Universidad Politécnica Salesiana, han desarrollado un nuevo método para la detección de distintos tipos de fallos en impresoras 3D industriales. La investigación, publicada en la revista Mechanical Systems and Signal Processing,  una de las más prestigiosas a nivel mundial en la categoría de Ingeniería Mecánica, ayudará a las industrias usuarias de la impresión 3D a evitar daños catastróficos causados por fallas no detectadas en este tipo de maquinaria industrial.

"El problema de detección de fallos es comúnmente abordado mediante el aprendizaje de un modelo binario de clasificación. Haciendo una analogía con un niño que está aprendiendo a reconocer a un perro de un gato, con este enfoque le mostraríamos al niño imágenes del primer animal indicándole que es un perro y de igual forma con el segundo animal, intercambiando entre ellos. Pero ¿Qué sucede si no tenemos ejemplo alguno de uno de los dos animales? Esto en la detección de fallos es equivalente a, ¿Qué sucede si no tenemos ejemplos de datos con fallo para enseñarle a nuestro modelo la diferencia? Para hacer la cosa más complicada y si, igual como los sentidos (vista, oído, etc.) de un ser humano, ¿no hay un solo mecanismo de percepción sino varios? Esas restricciones extras no son abordadas por los métodos comunes de aprendizaje" recalca Cabréra.

En su investigación, los científicos idearon una forma de caracterizar señales de diferentes variables como posición, velocidad, aceleración y campo magnético mediante un conjunto de Redes Neuronales Convolucionales (bio-inspiradas en la corteza visual de algunos animales) creadas solamente con ejemplos de la máquina en funcionamiento normal. Luego crearon un mecanismo de fusión de estas características por medio de un tipo de Máquinas de Soporte Vectorial para el aprendizaje desde una sola clase de ejemplos. "La evaluación del desempeño de nuestra propuesta, agrupando diferentes tipos de sensores presentaron diferencias considerables. Sin embargo, en todos los casos nuestros resultados fueron mejores que otros enfoques reportados" comentaron Diego Cabrera, Mariela Cerrada y Vinicio Sánchez; docentes que conforman el Grupo de Investigación y Desarrollo de Tecnologías Industriales, GIDTEC, de la UPS.

Los investigadores creen que su descubrimiento abre todo un abanico de posibilidades para el desarrollo por parte de ingenieros de dispositivos de detección de fallas para diferentes tipos de maquinaria, más allá de las impresoras 3D.