Qué puede hacer de verdad la IA en fabricación aditiva

En fabricación aditiva, «inteligencia artificial» se ha convertido en una palabra de catálogo. Se anuncia en ferias, se pone en portadas y casi nunca viene con la pregunta que importa detrás: ¿qué hace exactamente, sobre qué dato, y qué decisión toma sola?

Este artículo separa tres cosas que suelen ir mezcladas: lo que la IA ya aporta en LPBF, lo que está en desarrollo —incluido lo nuestro— y lo que hoy no hace ninguna máquina comercial, por mucho que se insinúe.

Por qué el LPBF es un sitio especialmente bueno para esto

La fusión láser en cama de polvo tiene tres propiedades que casi ningún otro proceso de fabricación reúne a la vez.

Genera una cantidad enorme de datos por pieza. Una construcción de treinta horas son miles de capas, y cada capa es una imagen de la cama de polvo, una lectura de oxígeno, una presión, varias temperaturas y una posición. Nada de eso hay que instrumentarlo aparte: el proceso ya lo produce.

Los fallos son visuales y se repiten. Un recrecimiento, una calva por falta de polvo, una raya del dispensador o suciedad sobre la zona de impresión tienen una apariencia característica. Un operario experto los reconoce en una foto. Eso es exactamente el tipo de problema en el que un modelo entrenado funciona bien.

Y el coste de no verlos es brutal. Un fallo en la capa doscientos que nadie detecta hasta el final se lleva por delante treinta horas de máquina, el polvo, el argón y la fecha que le diste a tu cliente. Aquí el valor no está en optimizar un porcentaje: está en no tirar una construcción entera.

Lo que ya funciona

Ver lo que está pasando, capa a capa

Es la aplicación madura, y la que menos se anuncia porque no suena futurista. Una cámara toma imagen de la cama de polvo después de cada recubrimiento, y un modelo clasifica lo que ve.

En nuestras ALBA ese modelo está entrenado con impresiones defectuosas generadas a propósito —volveremos sobre esto, porque es la parte difícil— y busca cuatro cosas concretas:

Alrededor de la cámara, el resto de sensores dan contexto: oxígeno de forma redundante, presión y temperatura de cámara, temperatura del sistema láser y del camino óptico, colmatación del filtro por presión diferencial y nivel de polvo por radar de onda milimétrica. Un recrecimiento con el filtro colmatándose no significa lo mismo que un recrecimiento con el filtro limpio.

Reducir el número de experimentos para cualificar un material

Cualificar una aleación nueva es fabricar probetas, medir densidad, cortar, atacar la muestra, mirar al microscopio, ajustar y repetir. Cada vuelta cuesta polvo, máquina y semanas.

Aquí los métodos estadísticos y los modelos sustitutivos llevan años ayudando a elegir qué experimentos hacer en lugar de barrer la ventana de proceso entera. No inventan parámetros: reducen a la mitad el número de veces que hay que preguntarle a la máquina.

Con una condición que casi nadie menciona: hace falta poder tocar los parámetros. Si la máquina viene con recetas cerradas y cifradas, no hay ventana de proceso que explorar ni datos propios que acumular. Por eso la parametrización abierta no es una casilla de la ficha técnica: es la condición previa para que nada de esto sea posible en tu taller.

Estimar antes de imprimir

Saber cuánto va a tardar y cuánto va a costar una construcción antes de lanzarla es enormemente útil. Conviene decir qué es y qué no: eso no es inteligencia artificial, es simulación. Se recorre la trayectoria capa a capa y se suma. Lo contamos porque llamar IA a un cálculo determinista es justo la clase de cosa que hace que después nadie se crea lo que sí lo es.

Lo que está en desarrollo, incluido lo nuestro

Detectar no es corregir. Que la máquina vea un recrecimiento y actúe sola —subir el tiempo de aportación, subir la potencia de la motobomba de recirculación, cancelar la pieza afectada para salvar el resto de la escena— es el paso siguiente, y es en el que estamos.

Cuando llegue, actuará de capa a capa: entre una capa y la siguiente. No dentro de la capa. Es una distinción aburrida y es la más importante de todo el artículo, así que va en su propio apartado.

Lo que no hace ninguna máquina comercial hoy

Cerrar el lazo sobre el baño de fusión. Controlar la geometría del baño en tiempo real mientras el láser está barriendo, y no entre una capa y la siguiente. Es lo que mucha gente entiende cuando oye «control en lazo cerrado con IA», y no lo ofrece hoy ninguna máquina LPBF comercial que conozcamos. Existe en laboratorios y en artículos. No en una máquina que puedas comprar.

Sustituir a la inspección. Ningún sistema de monitorización de cama de polvo sustituye hoy a una tomografía computarizada. Ve la superficie de la última capa, no el interior consolidado. Son cosas complementarias, no alternativas.

Certificar. La monitorización aporta evidencia para un expediente de cualificación; no lo firma. Quien te diga que su IA certifica piezas aeronáuticas te está contando otra cosa.

Funcionar sin datos tuyos. Un modelo entrenado con las aleaciones y los espesores de otro no acierta con los tuyos sin reentrenarse.

El cuello de botella no es el modelo: son los datos

Esta es la parte que no sale en los folletos. Para entrenar un clasificador de defectos hacen falta muchas imágenes de defectos, y el problema es que una máquina bien ajustada casi no los produce. Los fallos son escasos por definición, y cada uno cuesta una construcción.

La salida es incómoda y es la única que hay: fabricar mal a propósito. Provocar la falta de polvo, rasgar la goma, ensuciar la zona de impresión, forzar el recrecimiento. Horas de máquina y kilos de material gastados en generar exactamente lo que se intenta evitar.

De ahí salen dos consecuencias prácticas para quien compra:

• Un fabricante que ha entrenado su modelo de verdad puede contarte cómo generó los defectos. Si no sabe responder a eso, probablemente el modelo es de otro.
• Y tus datos son tuyos. Si para que la detección funcione hay que subir cada construcción a la nube de alguien, esa es una decisión de negocio, no un detalle técnico. Nuestro software va compilado dentro de la máquina y funciona sin conexión.

Seis preguntas para un fabricante que diga que su máquina lleva IA

Esta lista vale para nosotros igual que para cualquier otro. Llévatela a la feria.

1. ¿Qué detecta exactamente, y con qué sensor? «Monitorización con IA» no es una respuesta. «Una cámara 2D sobre la cama de polvo después de cada recubrimiento» sí lo es.
2. ¿Detecta o corrige? Y si corrige: ¿dentro de la capa o entre capas?
3. ¿Con qué datos se entrenó el modelo? ¿Defectos reales generados a propósito, o simulados?
4. ¿Dónde se procesa? ¿Sale de mi red algún dato de mis piezas?
5. ¿Puedo auditar una construcción? Ver el registro capa a capa seis meses después, cuando el cliente pregunte.
6. ¿Sustituye a algún ensayo que hoy tengo que hacer? Casi siempre la respuesta honesta es que no, y conviene oírla antes de comprar.

Dónde estamos nosotros

Nuestras máquinas miden y registran hoy: cámara de cama de polvo, sensores redundantes y clasificación de los cuatro fallos. La corrección automática está en desarrollo y, cuando llegue, será de capa a capa y no sustituirá a la inspección. Lo contamos así porque en este sector se anuncia resuelto con mucha alegría, y porque el día que lo tengamos queremos que se nos crea.

Esto va de la IA dentro de la máquina. La otra mitad —la IA antes de la máquina, la que decide qué forma tiene la pieza— cambia algo más gordo: cuando quien diseña optimiza por cargas, devuelve geometrías que no se pueden mecanizar ni moldear, y la aditiva deja de ser la alternativa cara para ser la única. Está en cuando la IA diseñe las piezas, no las diseñará como nosotros.

Los cuatro pasos del control de proceso y en cuál está cada uno, en lazo cerrado. Qué hay dentro del software y por qué es nuestro, en SamyStudio. Y si estás comparando máquinas, un láser o varios va del otro eje del mismo debate.