Sistema de aquisição de dados e detecção de falhas para impressoras 3D utilizando modelos inteligentes

Abstract

A popularização das impressoras 3D revolucionou a manufatura, permitindo a personali zação e inovação em setores como o industrial, automotivo, médico e farmacêutico. No entanto, essas máquinas, que operam sem sistemas de controle fechado, são propensas a falhas operacionais, especialmente quando manuseadas por usuários inexperientes. Diversas pesquisas têm abordado a detecção de falhas, utilizando diferentes abordagens, com ou sem a integração de novos sensores. Apesar dos avanços, a disponibilidade de dados públicos para a validação e comparação de modelos ainda é escassa. Este trabalho busca preencher essa lacuna ao disponibilizar uma base de dados com seis estados operacionais distintos, permitindo a comparação de modelos de detecção de falhas. Além disso, é proposto um sistema de aquisição de dados que visa facilitar futuros estudos e expandir as bases de dados públicas. Modelos de detecção de falhas utilizando modelos de memória de curto longo prazo (LSTM, Long-Short Term Memory), replicados a partir de um estudo anterior, obtiveram uma acurácia de 70% na identificação de falhas

The widespread adoption of 3D printers has revolutionized manufacturing, enabling customization and innovation across sectors such as industrial, automotive, medical, and pharmaceutical. However, these machines, which operate without closed-loop control systems, are prone to operational failures, especially when handled by inexperienced users. Various studies have addressed fault detection using different approaches, with or without the integration of additional sensors. Despite these advances, the availability of public data for validating and comparing models remains limited. This work aims to bridge this gap by providing a dataset with six distinct operational states, facilitating the comparison of fault detection models. Additionally, a data acquisition system is proposed to support future studies and expand public datasets. Fault detection models using LSTMs, replicated from a previous study, achieved 70% accuracy in identifying faults