在過去的幾十年裏，金屬 AM 增材製造的日益成熟正在吸引高價(jia) 值行業(ye) 直接用於(yu) 生產(chan) 製造，而金屬零件生產(chan) 的兩(liang) 個(ge) 主要工藝是激光粉末床熔融 (PBF-LB/M) 和激光束定向能量沉積技術 (DED-LB/M)。 盡管這些技術取得了許多進步，但該過程的高度動態特性經常導致缺陷的形成。 《Process monitoring and machine learning for defect detection in laser-based metal additive manufacturing》這篇論文回顧了各種機器學習(xi) (ML) 方法和現場監測技術在缺陷檢測中的應用。 討論了這些方法實現過程控製的潛力。

在《基於(yu) 激光的金屬增材製造過程監控和機器學習(xi) 》係列文章中，3D科學穀將結合這篇論文對數據結構和 ML 算法的使用趨勢進行回顧，並比較不同傳(chuan) 感技術的能力及其在激光金屬 AM 增材製造監測任務中的應用，最後討論機器學習(xi) 和過程監控在增材製造領域的未來方向。

▲論文鏈接：

https://link.springer.com/article/10.1007/s10845-023-02119-y

邁過自動化門檻

由增材思維驅動的產(chan) 品設計開發，例如功能梯度材料 (FGM)、多材料結構零件，這些都難以通過傳(chuan) 統方法生產(chan) ，盡管包括金屬增材製造的3D打印技術帶來了嶄新的價(jia) 值創造機遇，但其廣泛的工業(ye) 應用仍然存在一些障礙。L-PBF選區激光熔融3D打印技術和 L-DED激光束定向能量沉積3D打印技術都需要訓練有素的技術人員來啟動、監控和移除組件，這與(yu) 過去幾十年自動化不斷提高的傳(chuan) 統製造相反。

此外，由AM-增材製造工藝生產(chan) 的零部件經常受到工藝引起的缺陷的困擾，例如孔隙、裂紋和殘餘(yu) 應力引起的變形，從(cong) 而影響部件質量和一致性。零件內(nei) 的工藝缺陷會(hui) 降低機械性能和疲勞性能，導致其在低於(yu) 設計的操作限製時失效。

工業(ye) 製造經常采用嚴(yan) 格的質量標準來確保組件的一致性和性能。由於(yu) AM-增材製造流程通常用於(yu) 製造單個(ge) 或小批量零件，因此達到與(yu) 傳(chuan) 統製造流程相同的統計質量保證變得昂貴且困難。增材製造的質量控製仍然是阻礙高價(jia) 值行業(ye) 進一步采用這類工藝的突出問題。

缺陷帶來的挑戰

工藝引起的缺陷的形成對激光增材製造技術的工業(ye) 應用提出了重大挑戰。孔隙是所有增材製造工藝中的常見缺陷，尤其是那些需要粉末作為(wei) 原料的工藝。PBF 工藝中最常見的小孔誘導孔是在過多的能量沉積到表麵時形成的，導致熔池深入滲透到之前的層中。流體(ti) 的不穩定性隨後會(hui) 導致型腔頂部閉合，在底部產(chan) 生一個(ge) 空隙，該空隙通過熔池向後和向上移動，變成球形以最小化表麵能。

缺少熔合孔通常是由於(yu) 傳(chuan) 遞到表麵的能量密度不足而形成的，這可能導致粉末熔化不完全，這些孔隙形狀不規則，將影響零件的機械和疲勞性能。這些可能會(hui) 被其他孔隙消耗、逸出、溶解或被困在固化材料中。

增材工藝產(chan) 生的極高熱梯度和冷卻速率會(hui) 導致部件收縮不均勻，從(cong) 而在部件內(nei) 產(chan) 生殘餘(yu) 應力。這些殘餘(yu) 應力使部件偏離其預期的幾何形狀，並且可能大到足以使零部件無法使用。或者，這些應力會(hui) 導致3D打印的零部件斷裂，或者在連續層之間斷裂，如分層，或者在多層之間斷裂，如開裂。

建立相關(guan) 性分析

目前檢測過程引起的缺陷的做法依賴於(yu) 生產(chan) 後檢查。這被稱為(wei) 異地或事後監測，可以通過破壞性和非破壞性測試方法進行。雖然破壞性測試可以為(wei) 研究加工參數對微觀結構和機械性能的影響提供有用的信息，但非破壞性測試方法，如 X 射線計算機斷層掃描 (XCT)，可以在不影響內(nei) 部缺陷的情況下繪製內(nei) 部缺陷圖。不過盡管無損檢測具有明顯的優(you) 勢，但這些方法既昂貴又耗時。質量檢測為(wei) 零件認證和缺陷研究提供了價(jia) 值，但僅(jin) 提供有關(guan) 最終產(chan) 品的信息，因此這些數據反饋出來的缺陷實際形成的能力有限。

近年來，機器學習(xi) (ML) 算法開始用於(yu) 金屬增材製造中的缺陷檢測和質量預測。這些算法可以有效地查詢增材工藝現場監測生成的大量數據，並有助於(yu) 建立工藝特定輸入參數與(yu) 最終零件質量之間的相關(guan) 性。

如今，我們(men) 已經習(xi) 慣於(yu) 看到 AI 接管越來越多的任務——不僅(jin) 在我們(men) 的日常生活中，而且在醫療應用或工業(ye) 生產(chan) 中。人工智能的發展取得了很大進展。現在可以通過人工智能預測生產(chan) 中的組件故障或從(cong) 圖像中提取信息以在幾分之一秒內(nei) 執行幹涉任務。

在過去十年中，關(guan) 於(yu) AM-增材製造加工過程監測的論文和專(zhuan) 利數量急劇增加。這是因為(wei) AM-增材製造加工過程是一個(ge) 動態過程，更是個(ge) 數字化的過程，在構建過程中具有改進的潛力。

根據3D科學穀的市場研究，人工智能在每個(ge) 特定領域發揮著越來越重要的作用，包括：缺陷檢測和糾正、在構建過程中和構建之後減少殘餘(yu) 應力和故障、原位計量和設計精度、微結構設計、合金設計和優(you) 化。

▲人工智能+3D打印

ML 是人工智能 (AI) 的一個(ge) 分支，它使用算法逐步調整程序對輸入數據的響應，隨著計算能力和程序設計的進步，機器學習(xi) 在許多不同領域取得了顯著成功。特別是，深度學習(xi) (DL) 在過去二十年中在許多分類和識別任務中取得了巨大進步。

根據訓練數據的輸入-輸出結構，ML機器學習(xi) 方法可分為(wei) 四大類：監督學習(xi) 、無監督學習(xi) 、半監督學習(xi) 和強化學習(xi) (RL)。在AM-增材製造領域，大多數機器學習(xi) 應用都屬於(yu) 監督學習(xi) 範疇。

ML機器學習(xi) 方法可以適應各種數據類型，從(cong) 可見圖像到聲學信號和提取的特征向量。因此，“增材製造的原位監控”的多種原位監控方法適用於(yu) 不同的 ML機器學習(xi) 方法。例如，視覺和熱成像產(chan) 生空間分辨圖像，這些圖像可直接用於(yu) 卷積神經網絡 (CNN) 或處理以提取其他算法使用的指標。

l實時自適應控製

根據3D科學穀的市場觀察，Relativity Space專(zhuan) 門申請了使用機器學習(xi) 對增材製造過程進行實時自適應控製Real-time adaptive control of additive manufacturing processes using machine learning的專(zhuan) 利（相關(guan) 專(zhuan) 利號為(wei) US10921782B2）。

根據Relativity Space的專(zhuan) 利，過程模擬數據可以並入機器學習(xi) 算法使用的訓練數據集中，該算法能夠自動分類對象缺陷、預測過程控製參數的最優(you) 組或序列、過程控製參數的調整。例如，可以使用諸如有限元分析（FEA）之類的過程模擬工具來模擬根據指定函數的過程控製。

過程表征數據可以並入機器學習(xi) 算法使用的訓練數據集中，該算法能夠自動分類對象缺陷、預測過程控製參數的最優(you) 組或序列、實時調整過程控製參數，或其任何組合。可以將過程表征數據饋送到機器學習(xi) 算法以便實時更新增材製造設備的過程控製參數。

可以將過程中或構建後檢查數據並入機器學習(xi) 算法使用的訓練數據集中，該算法能夠自動分類對象缺陷、預測過程控製參數的最優(you) 集合或序列、過程控製的調整實時參數等等。

機器學習(xi) 算法可以使用過程中檢查數據（例如，自動缺陷分類數據）向操作員發送警告或錯誤信號，或自動中止增材製造沉積過程。

原始參考文獻： https://link.springer.com/article/10.1007/s10845-023-02119-y