Jorge Balaguer's Personal Website

Blog

  • Pruebas de hilos (string test) en Anycubic 4Max Pro 3D printer

    Pruebas de hilos (string test) en Anycubic 4Max Pro 3D printer

    Aunque los resultados con la máquina tal y como llega son bastante satisfactorios, las piezas presentan un problema de hilos (stringing). Este problema está causado principalmente por una incorrecta calibración o por parámetros de retracción erróneos.

    Las primeras piezas salidas de la máquina con el GCODE que está en la tarjeta SD proporcionada por el fabricante.

    En primer lugar, imprimí un cubo de calibración de 20mm de lado para comprobar que los ejes estaban correctamente calibrados. Los resultados fueron bueno, y las medidas lo bastante buenas (menos de 0.1mm de error en los ejes X y Z, y unos 0.5mm de más en el eje Y. Tal vez más adelante me ponga con el ajuste fino de estos ejes, pero por ahora son lo suficiente buenos para mí.

    Llegados a este momento, y tras consultar tanto la información disponible en la red como los consejos del grupo de Telegram de la Anycubic 4Max Pro, me vi en la necesidad de comenzar a ajustar los parámetros mediante ensayo y error.

    La máquina es una impresora FDM Anycubic 4Max Pro con apenas 2h de funcionamiento. El extrusor es directo. Las especificaciones del modelo de extrusor y hot end las desconozco en estos momentos.

    Para las pruebas elegí una pieza de calibración muy pequeña, en concreto ésta, obra del usuario Glyn, publicada en Thingiverse.

    Fuente: Thingiverse

    La gente que diseña piezas de calibración a menudo son usuarios expertos que apenas las van a utilizar más que en contadas ocasiones, además de que la información que proporciona la pieza les lleva a calibrarla perfectamente sin apenas necesitar pruebas. Sin embargo, un novato tiene que hacer muchas pruebas hasta encontrar la solución a un problema, y que cada calibración cueste media hora o más es algo poco realista. Esta pieza sirve para ver los progresos rápidamente.

    El material utilizado es PLA INGEO color blanco de la empresa Leon3D. Su temperatura de utilización según el fabricante es de 200-220ºC.

    Hice diez pruebas cambiando progresivamente los siguientes parámetros: distancia de retracción, velocidad de retracción y temperatura de impresión. Los valores de inicio que llevaba la máquina eran 6mm de distancia y 75mm/s de retracción.

    Resultados de las pruebas.

    Las pruebas fueron:
    01_stringing_test_4-30-215 Parámetros sugeridos por otros usuarios.
    02_stringing_test_2-30-215 Bajada de retracción. Empeora sensiblemente.
    03_stringing_test_6-30-215 Aumento de retracción. Mejora un poco.
    04_stringing_test_6-60-215 Aumento de velocidad. No se aprecia mejora.
    05_stringing_test_8-30-212 Aumento de retracción y bajada de temperatura. Mejora el string pero se reduce la calidad de impresión.
    06_stringing_test_9-30-213 Aumento de retracción y temperatura. Fallo de extrusión a mitad de impresión.
    07_stringing_test_9-30-215 Aumento de temperatura. Sigue fallando la extrusión.
    08_stringing_test_8-35-215 Bajada de retracción y aumento de velocidad. La extrusión mejora pero la pieza tiene deformaciones.
    09_stringing_test_8-30-213+210 Bajada de velocidad, temperatura y aumento de temperatura de inicio. Resultados aceptables pero la base presenta defectos de impresión (no se aprecia en la foto).
    10_stringing_test_8-30-215+215 Resultado final aceptable aunque persiste el stringing.

    En el nombre de la prueba, la primera cifra es la distancia de retracción, la segunda la velocidad, la tercera la temperatura y donde hay una cuarta es porque detecté falta de extrusión en las primeras capas y configuré la temperatura inicial para garantizar que empieza a la temperatura de trabajo (estaba inicialmente 15ºC por debajo de la temperatura).

    Resultados

    La primera conclusión que se extrae de la prueba es que aumentar la velocidad de retracción no mejora significativamente los resultados.
    Por otra parte, un aumento de la distancia de retracción más allá de 8mm provocó fallos de falta de extrusión, y las piezas quedaron incompletas.
    Los parámetros finales con los que he decidido trabajar son 8mm de distancia de extrusión y 30mm/s de velocidad de extrusión (la velocidad de impresión era de 60mm/s, pero desconozco si hay relación entre ambos parámetros). Es importante recordar que al igual que los parámetros de temperatura dependen del material en concreto, los parámetros de retracción también pueden estar relacionados con la máquina, así que no se pueden trasladar a otro tipo de máquinas con absoluta seguridad. Utiliza esta información como orientación y realiza tus propias pruebas.

    Siguientes pasos
    El siguiente paso consistirá en comprobar los cambios con otros materiales, calibrar la extrusión mejor y un ajuste más fino de las velocidades. Si tienes alguna idea que aportar ponla en los comentarios.

    Referencias:
    https://ultimaker.com/en/resources/52667-material

  • ¿Qué es el aprendizaje automático?

    ¿Qué es el aprendizaje automático?

    Definición de Machine Learning. Tom Mitchell da la siguiente:

    Un programa informático que aprende de la experiencia E respecto a cierta clase de tareas T, y una medida de rendimiento P, si su rendimiento en las tareas T, medido por P, mejora con la experiencia E.

    El libro Machine Learning de Tom Mitchell (1997) está disponible para su descarga gratuita en la web del Dr. Reza Monsefi de la
    Ferdowsi University Of Mashhad (FUM), Mashhad, Irán .

  • ML en Coursera

    ML en Coursera

    Aunque sigo picando de distintas fuentes sobre aprendizaje automático, he encontrado un curso bastante interesante en Coursera. Se trata del curso Aprendizaje Automático ofrecido por la Universidad de Stanford. Es gratuito si no deseas recibir una certificación, y dispone de subtítulos en español generados por la comunidad, aunque recomiendo cursarlo en inglés porque la traducción no está demasiado lograda. El instructor es Andrew Ng. Puedes inscribirte en https://www.coursera.org/learn/machine-learning

  • Instalar Python y prepararlo para Machine Learning

    Instalar Python y prepararlo para Machine Learning

    Para empezar a «romper mano» con el ML, un comienzo sencillo puede ser un videotutorial. A mí me parece interesante el tutorial de YouTube del canal AMP Tech. Para poder seguirlo de una forma activa, necesitamos tener instalado en nuestro equipo Python y algunas bibliotecas específicas. Si no sabes programar en Python, hay multitud de cursos y manuales disponibles. Yo recomiendo el programa Python for Everyone de Coursera que es donde yo aprendí. El instructor, Charles Severance, es una pasada.

    Si no tenemos nada instalado en el equipo, lo más sencillo es descargarse la distribución Anaconda. No obstante, si solo quieres instalarte Python y las bibliotecas necesarias, estos son los pasos a seguir.

    Primero descargamos Python de www.python.org/downloads. En el momento de redactar este texto la última versión es la 3.7.

    Tras descargar e instalar como cualquier aplicación,Para ello, pulsamos el icono de Inicio de Windows y tecleamos cmd y pulsamos Enter. Se abrirá la ventana de comandos. Escribimos python, y accedemos a la consola de Python, comprobando que se ha instalado sin problemas. Cerramos la ventana.

    Ahora vamos a añadir las bibliotecas que necesitaremos, Numpy , SciPy ySklearn. Para instalar Numpy, abrimos de nuevo la consola con cmd, y escribimos python -m pip install numpy . Nos debería salir una pantalla como la siguiente. Nota que me advierte en amarillo de que tengo el programa PIP obsoleto, eso no tiene por qué salir en tu caso.

    Para instalar SciPy , escribimos python -m pip install scipy :

    Para instalar Scikit-learn, escribimos pip install -U scikit-learn :

    Y con esto, todo debería funcionar sin problemas. Como editor puedes usar uno genérico como Notepad ++ o escribir en el IDLE de Python ,que por lo que sé, se instala automáticamente con Python. Yo he optado por Jupyter Notebook, que va incluido en Anaconda y me permite seguir el tutorial tal y como lo van explicando, pues es el que emplea el instructor.

  • Machine learning for predictive maintenance

    Machine learning for predictive maintenance

    This post was originally published in spanish in March of 2019.

    In the last months, I’ve been learning about Machine Learning (ML). The potential of this technology to predict the failures of a equipment drives me El potencial de esta tecnología de cara a predecir las fallas en los equipos me tiene fascinado. El mantenimiento predictivo es antiguo ya, y las tecnologías disponibles para adquirir los datos no solo están maduras, sino que por fin comienzan a estar disponibles a precios asequibles. No obstante, lo que nunca he tenido claro era la viabilidad de su aplicación al mundo real. O bien necesitabas pagar sumas astronómicas por un software complejo de utilizar, o bien tenías que emplear un tiempo del que no dispones para trabajar con los datos y tratar de extraer información valiosa de los análisis estadísticos. Sin embargo, el ML es prometedor y por ello ando recopilando información de donde puedo. A continuación algunos enlaces interesantes: