Progetto IAREPAM – Intelligenza Artificiale per la Realizzazione Efficiente di una Protesi in Additive Manufacturing

Progetto finanziato nell’ambito della risposta dell’Unione alla pandemia di Covid-19

Contributo concesso a beanTech pari a € 389.341,25.
Spesa ammessa: € 919.706,25.

OBIETTIVI

• Proporre e diffondere una architettura di base dati e algoritmi di analisi per il manufacturing (sia process che shopfloor) fondati su cloud e estendibile anche ad altri ambiti produttivi;
• Applicare strategie di AI (Machine Learning e Deep Learning) tese ad ottenere modelli predittivi quantitativi a sostegno del controllo processo e controllo qualità per la lavorazione efficace ed efficiente, con macchine utensili, di protesi in additive manufacturing;
• Validare sistemi di manutenzione predittiva mediante applicazione di sensoristica specifica e dispositivi interconnessi e collegati all’infrastruttura IoT;
• Introdurre e validare sistemi di test non distruttivi allo scopo di estrarre/manipolare informazioni geometriche, meccaniche, microstrutturali e morfologiche per una calibrazione retroattiva dei processi di manufacturing;
• Estendere le attuali regole di design per componenti a geometria e materiali variabili entro un determinato intervallo di caratteristiche geometriche e meccaniche (envelope).

RISULTATI

• Realizzazione di una infrastruttura hardware e software in grado di acquisire dati da sorgenti multiple, di storicizzarli, di analizzarli e di retroazionare in modo intelligente il processo produttivo;
• Installazione, interfacciamento, configurazione e avviamento della piattaforma declinata sulle specifiche esigenze del processo produttivo coinvolto;
• Lo start up produttivo della linea pilota per la produzione di una protesi con struttura porosa in titanio trabecolare AM industrializzata con le metodologie di controllo processo e progettazione sviluppate in corso di progetto;
• La creazione di un eco-sistema ottimizzato per monitorare il livello di performance dell’intera linea;
• Introdurre sistemi di manutenzione predittiva che avranno come effetto la stabilizzazione e l’affidabilità della linea pilota. Inoltre, il controllo qualitativo retro-azionato dei parametri critici di processo permetterà di ripristinare le eventuali derive di processo allo stato optimum di lavorazione.

◆◆◆◆◆◆◆◆◆

GOALS

• Propose and deploy a cloud-based database architecture and analysis algorithms for manufacturing (both process and shopfloor) that can be extended to other manufacturing domains;
• Apply AI (Machine Learning and Deep Learning) strategies aimed at obtaining quantitative predictive models to support process control and quality control for effective and efficient machine tool machining of prostheses in additive manufacturing;
• Validate predictive maintenance systems through application of specific sensors interconnected to IoT infrastructure;
• Introduce and validate non-destructive testing systems for the purpose of extracting/manipulating geometric, mechanical, microstructural, and morphological information for retroactive calibration of manufacturing processes;
• Extend current design rules for components with variable geometry and materials within a given range of geometric and mechanical characteristics (envelope).

RESULTS

• Implementation of a hardware and software infrastructure capable of acquiring data from multiple sources, historicizing, analysing and intelligently backtracking the production process;
• Installation, interfacing, configuration, and start-up of the platform declined on the specific needs of the production process involved;
• The production start-up of the pilot line to produce a trabecular titanium M porous structure prosthesis industrialized with the process control and design methodologies developed during the project;
• The creation of an optimized eco-system to monitor the performance level of the entire line;
• Introducing predictive maintenance systems that will affect the stabilization and reliability of the pilot line. In addition, retro-acted quality control of critical process parameters will allow any process drifts to be restored to the optimum processing state.

Accordo Innovazione Fabbrica Intelligente PON I&C 2014-2020, D.M. 5 MARZO 2018 Capo III
Prog n. F/190196/01/X44 “IAREPAM Intelligenza Artificiale per la realizzazione Efficiente di una Protesi in Additive Manufacturing”
Ente: Ministero dello Sviluppo Economico Bando: Fabbrica Intelligente Protocollo: DD 20 novembre 2018
partners: Beantech Srl, Limacorporate Spa