來源：長三角G60激光聯(lián)盟
上海工程技術(shù)大學(xué)坛饥、英國華威大學(xué)和上海振幅激光技術(shù)有限公司的科研人員綜述了機器學(xué)習(xí)在增材制造中的應(yīng)用：設(shè)計與工藝的研究。相關(guān)論文以“A review of machine learning in additive manufacturing: design and process”為題發(fā)表在《The International Journal of Advanced Manufacturing Technology》上课娃。
增材制造（AM）因其獨特的制造方法杖虾，可在工業(yè)4.0的背景下推動制造業(yè)向更高水平的復(fù)雜性烂瘫、靈活性和智能化發(fā)展。然而奇适，AM系統(tǒng)的復(fù)雜性及其作為數(shù)據(jù)密集型制造領(lǐng)域的性質(zhì)，給生產(chǎn)高質(zhì)量產(chǎn)品帶來了挑戰(zhàn)嚷往。隨著數(shù)字和計算機技術(shù)的發(fā)展葛账，數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)（ML）已被廣泛應(yīng)用于自動機械制造皮仁，因為它為質(zhì)量控制籍琳、流程優(yōu)化和復(fù)雜系統(tǒng)建模提供了有效的方法。圖1使用機器學(xué)習(xí)巩割、物聯(lián)網(wǎng)、大數(shù)據(jù)付燥、數(shù)字孿生和區(qū)塊鏈技術(shù)的增材制造解決方案的系統(tǒng)。
本文簡明扼要地總結(jié)了利用ML協(xié)助AM流程的各個階段段卵。從增材制造設(shè)計（DfAM）和參數(shù)優(yōu)化的前處理階段蜈率，到缺陷檢測的加工階段荤榄，再到零件質(zhì)量評估的后處理階段魔辉，它闡明了在每個階段使用ML相對于傳統(tǒng)方法的優(yōu)勢。DfAM的目標是優(yōu)化產(chǎn)品設(shè)計借倘，同時考慮到多個變量之間的相互作用。在DfAM中可以有效利用ML的非線性能力枣象。缺陷檢測旨在確保零件的可重復(fù)性屠剥、耐用性和可靠性舶舅。將傳感器與ML相結(jié)合可確保零件質(zhì)量莫彩。最后鬼胸，從零件微觀結(jié)構(gòu)的角度評估零件質(zhì)量和檢測AM的各種子系統(tǒng)琼牧。本綜述探討了如何應(yīng)用ML解決與AM工藝流程有關(guān)的眾多問題恢筝。它全面系統(tǒng)地總結(jié)了各種ML模型在不同階段的應(yīng)用，研究了較新的ML技術(shù)在未來協(xié)助AM的潛力巨坊，并總結(jié)了當前ML在AM中應(yīng)用的局限性以及未來的發(fā)展方向。圖2 AM中三種常見工藝設(shè)備的概述以及常用術(shù)語趾撵。底部的兩張圖片說明了從航空航天到生物打印的各種應(yīng)用，強調(diào)了將ML與先進制造相結(jié)合的廣泛影響鼓寺。
圖3將ML集成到AM中的三種工藝的應(yīng)用概覽。
圖4將AM的主要數(shù)據(jù)源作為輸入數(shù)據(jù)送入ML進行處理的流程概覽妈候。
圖5根據(jù)紅外攝像機拍攝的熔池圖像，使用SVM對熔池形態(tài)進行分類的過程苦银。
圖6晶格設(shè)計和DIC實驗測試啸胧。
圖7紅外熱成像技術(shù)收集熔池圖像并提取熔池輪廓幔虏。
圖8使用計算機斷層掃描技術(shù)在Inconel 718增材制造試樣中檢測到的一個鎖孔和兩個缺乏熔合孔缺陷的實例。圖中放大了一個鎖孔和兩個最大的缺乏熔合孔奥徒，突出后者的不規(guī)則形態(tài)嫉卵。
圖9利用OT和CT圖像作為ML數(shù)據(jù)吐捞，預(yù)測LPBF中出現(xiàn)的缺陷移卢。
圖10 TL在AM中的應(yīng)用吹蜡，包括工藝優(yōu)化涩凑、幾何偏差預(yù)測、熔池尺寸預(yù)測和缺陷檢測锤衡。
圖11檢測具有各種缺陷的樣品。
圖12基于機器學(xué)習(xí)的金屬激光粉末床熔融增材制造質(zhì)量可重復(fù)性研究
ML在識別錯綜復(fù)雜的模式和探索參數(shù)關(guān)系方面具有巨大的潛力惹虏，從而為增強AM的決策過程提供了新的途徑。這些模型能夠準確捕捉材料特性、工藝參數(shù)和零件質(zhì)量之間的細微關(guān)系肝陪。本文從AM工藝不同階段的角度出發(fā)，總結(jié)了三個不同階段的各種應(yīng)用氯窍。從預(yù)處理階段開始，ML被集成到工藝優(yōu)化中蹲堂，探索結(jié)構(gòu)的可行性狼讨、訓(xùn)練設(shè)計變量并預(yù)測給定條件下的最佳工藝參數(shù)。在加工階段柒竞，通過與傳統(tǒng)方法的對比政供，闡明了使用ML進行缺陷檢測的優(yōu)勢朽基，即把從傳感器收集的數(shù)據(jù)輸入ML模型布隔，探索參數(shù)與微觀結(jié)構(gòu)之間的關(guān)系。在后處理階段稼虎，ML可以檢測零件的微觀結(jié)構(gòu)衅檀，評估各種性能指標和零件質(zhì)量敬挂。最后倾氮，綜述探討了各種新型ML技術(shù)在AM中的應(yīng)用，強調(diào)了ML技術(shù)當前的局限性和未來發(fā)展的潛在方向永韭。未來英甜，將有更多關(guān)于將ML與AM結(jié)合應(yīng)用的研究徊押。但是埃灿，不同的AM問題和應(yīng)用場景涉及各種類型的數(shù)據(jù)，包括結(jié)構(gòu)化數(shù)據(jù)和圖像數(shù)據(jù)呢旋。要有效處理不同類型的數(shù)據(jù)咒付，需要使用不同類型的算法。因此炮疲，要利用ML解決AM問題，必須準確理解ML的機制和AM流程虎叔。綜上所述味测，目前的研究存在以下不足：1.根據(jù)調(diào)查發(fā)現(xiàn)，ML在AM中主要應(yīng)用于PBF铺坞、DED和MEX過程，未來ML可以應(yīng)用于更多AM工藝。2.AM是一個復(fù)雜的逐層制造系統(tǒng)坯沪，其中多個子系統(tǒng)和制造過程會受到各種相關(guān)因素的影響绿映。因此，有必要整合數(shù)據(jù)進行聯(lián)合分析腐晾，如從原始數(shù)據(jù)中提取特征以降低數(shù)據(jù)維度，或利用分解技術(shù)進行異構(gòu)數(shù)據(jù)融合藻糖，以增強ML模型的性能淹冰，提高模型精度。3.研究人員必須在ML的透明度和準確性之間做出權(quán)衡巨柒。ML模型生成的結(jié)果需要可解釋且易于處理，來幫助決策者理解結(jié)果及其基本原理洋满，而一些傳統(tǒng)的ML算法（如LR和SSL）能夠生成可解釋的結(jié)果晶乔。在AM系統(tǒng)中，可解釋的ML模型可以幫助工程師提高對制造過程的理解居然，并制定相應(yīng)的控制策略摹钳。目前一種可行的策略是將ML結(jié)果與相關(guān)部件、流程或流程條件的高保真模擬相結(jié)合拧淘，幫助研究人員理解ML。4.如上所述族焰，許多研究工作都將物理定律納入了ML台古。物理定律能更好地幫助決策者理解加工-結(jié)構(gòu)-性能（PSPP）制造步驟之間存在的關(guān)系。因此蚊凫，對于復(fù)雜的AM系統(tǒng)盲赚，未來的研究可以更多地探索如何將物理定律納入ML肛英。圖13機器學(xué)習(xí)在材料擠壓增材制造工藝-結(jié)構(gòu)-性能建模中的應(yīng)用
論文鏈接：Chen, K., Zhang, P., Yan, H. et al. A review of machine learning in additive manufacturing: design and process. Int J Adv Manuf Technol 135, 1051–1087 (2024). https://doi.org/10.1007/s00170-024-14543-2Pant, R., Singh, R., Gehlot, A. et al. A Systematic Review of Additive Manufacturing Solutions Using Machine Learning, Internet of Things, Big Data, Digital Twins and Blockchain Technologies: A Technological Perspective Towards Sustainability. Arch Computat Methods Eng (2024). https://doi.org/10.1007/s11831-024-10116-4https://doi.org/10.1016/j.matdes.2021.109606Abdelhamid, Z., Mohamed, H. & Kelouwani, S. The use of machine learning in process–structure–property modeling for material extrusion additive manufacturing: a state-of-the-art review. J Braz. Soc. Mech. Sci. Eng. 46, 70 (2024). https://doi.org/10.1007/s40430-023-04637-5
